مقالة بحثية

تحسين التعميم عبر المراكز لتقسيم ورم السحايا بالرنين المغناطيسي متعدد الوسائط عبر التعلم المدرب مسبقا على الورم الدبقي

55 مشاهدات

⸱

DOI:

10.3791/72164

⸱

يوليو 24, 2026

 ,  ,  ,  ,  ,  ,  ,  ,  , 
1Medical Physics Graduate Program, Duke Kunshan University, 2Radiotherapy Business Unit, Shanghai United Imaging Healthcare Co., Ltd., 3Wuhan University, 4Shenzhen University, 5ENT Institute and Department of Otorhinolaryngology, Eye & ENT Hospital, Fudan University, 6Department of Radiology, The First Affiliated Hospital of Shenzhen University, Health Science Center, Shenzhen Second People's Hospital

في هذه المقالة

ملخص

تبحث هذه الدراسة في تأثير التعلم الفيدرالي المدرب مسبقا على الورم الدبقي على التعميم الخارجي في تقسيم ورم السحايا متعدد الوسائط بالرنين المغناطيسي

الملخص

يظل تقسيم الأورام السحاوية الآلي في التصوير متعدد الوسائط تحديا عند نقل النماذج بين المؤسسات، لأن بروتوكولات الماسح الضوئي، وخصائص الصور، وأنماط التعليق قد تختلف بين المراكز. يوفر التعلم الموحد (FL) استراتيجية للحفاظ على الخصوصية لتطوير نماذج متعددة المراكز، لكن التجميع المعياري قد لا يتغلب تماما على التحول بين المجالات عبر المراكز. هدفت هذه الدراسة إلى تحديد فجوة التعميم الخارجية في تقسيم ورم السحايا بالرنين المغناطيسي وتقييم ما إذا كان FL المدرب مسبقا على الورم الدبقي يمكن أن يحسن المتانة دون تجميع بيانات مركزي. تم استخدام بنية UMamba ثنائية الأبعاد لتقسيم الورم السحاوي الثنائي باستخدام T1 وT1c وT2 كنماذج مدخلات. تضمن البروتوكول 450 حالة BraTS2023-MEN كمجموعة بيانات لورم السحايا في المجال المصدري و174 حالة سريرية مستقلة من معهدنا كمجموعة التحقق الخارجية. تم تقييم ثلاث استراتيجيات نهائية لتقسيم ورم السحايا كميا تحت نفس إعداد التحقق الخارجي: تدريب مركزي على BraTS2023-Men، وFL مدرب مسبقا على الورم السحاوي عبر ثلاثة عملاء محاكاة، وFL المدرب مسبقا على Glioma تم تهيئة نموذج مصدر BraTS2023-Gli قبل التحسين الموحد. تم استخدام التدريب المركزي على الورم الدبقي فقط لتوليد التهيئة المدربة مسبقا على الورم الدبقي ولم يتم الإبلاغ عنه كاستراتيجية تقسيم نهائية مستقلة تم تقييمها بشكل مستقل. تم تقييم أداء النموذج باستخدام معامل تشابه النرد (DSC) وتقاطع على الاتحاد (IoU). أظهر التدريب المركزي على BraTS2023-Men انخفاضا واضحا في التعميم الخارجي، حيث انخفض DSC من 0.8958 في اختبار BraTS2023-Men الداخلي المضبوط إلى 0.7452 في مجموعة SPHS. حقق FL المدرب مسبقا على الورم السحاوي أداء خارجي أقل (DSC = 0.7122)، بينما حقق FL المدرب مسبقا على الورم الدبقي أداء مماثلا للتدريب المركزي على BraTS2023-Men وتحسنت مقارنة بFL المدرب مسبقا على الورم السحاوي (DSC = 0.7503؛ IoU = 0.6301; معدل هولم p < 0.001). تشير هذه النتائج إلى أن التهيئة المدربة مسبقا على الورم الدبقي توفر نقطة انطلاق أكثر قوة لتقسيم الأورام السحاوية الفيدرالي، وقد تحسن التعميم الخارجي مع الحفاظ على خصوصية بيانات المؤسسات.

المقدمة

الأورام السحائية هي أكثر الأورام الأولية داخل الجمجمة انتشارا لدى البالغين، حيث تمثل حوالي 38٪ من جميع أورام الدماغ والجهاز العصبي المركزي الأوليفي الولايات المتحدة. تنشأ من خلايا السحايا الوعبية (غطاء العنكبوت)، وتشمل الدرجات من منظمة الصحة العالمية (WHO) من الدرجة الأولى إلى الثالثة، وتمتد عبر طيف سريري واسع: ترتبط الأورام من الدرجة الأولى (حوالي 80٪) عادة بنتائج إيجابية بعد الاستئصال الكلي الكلي، في حين أن آفات الدرجة الثانية (غير النموذجية) والدرجة الثالثة (غير بلاستيكية) تظهر معدلات تكرار أعلى بكثير تتراوح بين 20–40٪ وتتجاوز 70٪ بعد عشر سنوات، على التوالي2. 3. تعتمد عملية اتخاذ القرار السريرية — بما في ذلك الاستئصال الجراحي المجهري، والجراحة الإشعاعية المجسمة (SRS)، والعلاج الإشعاعي المجزأ، والمراقبة النشطة — على تحديد حجم دقيق وقابل للتكرار لمدى الورم عبر دراسات التصوير الطولي. لذلك، فإن تقسيم الأورام السحائية القوية من تصوير الرنين المغناطيسي (MRI) هو شرط أساسي لتخطيط العلاج المتسق وتقييم النتائج.

يشكل التصوير بالرنين المغناطيسي متعدد التسلسلات أساس توصيف ورم السحايا في الممارسة السريرية الروتينية، حيث يرمز كل تسلسل إلى جوانب مكملة لبيولوجيا الورم واستجابة الأنسجة المحيطة. يسلط التصوير المرجح بالمكون على T1 (T1c) الضوء على مناطق اضطراب الحاجز الدموي-الدماغي من خلال تقصير استرخاء T₁ الناتج عن الجادولينيوم، مما يتيح رؤية واضحة لتعزيز نسيج الورم وتحديد الحد الأولي للآفة. يوفر التصوير المرجح بوزن T1 غير التباين سياقا هيكليا لتقييم واجهة العنكبوت، والارتباط الجافية، والتورط العظمي المجاور. يلتقط التصوير المرجح ب T2 (T2) التباين داخل الورم والوذمة حول الورم، وكلاهما ضروري لفهم تأثير الكتلة ولتحديد حجم العلاجات في التخطيط الإشعاعي 3,4. لا يزال التحديد اليدوي هو النهج القياسي لتحديد أورام السحايا. خلال هذه العملية، عادة ما يأخذ الأطباء في الاعتبار معلومات التباين التكميلية عبر عدة تسلسلات بالرنين المغناطيسي لتحديد مدى الورم. ومع ذلك، فإن هذه العملية تستغرق وقتا طويلا وترتبط بتغيرات كبيرة بين المراقبين، خاصة في المناطق التشريحية الغامضة مثل الذيل الجافية، حيث تنخفض مقاييس التوافق المبلغ عنها إلى أقل من 0.80 5,6. هذه القيود تحفز تطوير أساليب تقسيم آلية تقدم أداء متسقا وقابلا للتوسع.

لقد طور التعلم العميق بشكل كبير تقسيم الصور الطبية، مدعوما بمجموعات بيانات مرجعية مثل BraTS7 وظهور نماذج معمارية متعددة، بما في ذلك النماذج الالتفافية مثل U-Net8 و nnU-Net9، والنماذج القائمة على المحولات مثل UNETR و Swin-UNETR10,11، ونهج نموذج فضاء الحالة (SSM) مثل UMamba12. استكشفت الأعمال الحديثة بشكل أكبر شبكات سوين ترانسفورمر الموجهة بالانتباه وتصاميم محولات الرؤية/الفضاء الحاوي العالمي المحلي لتقسيم أورام الدماغ ثلاثية الأبعاد13,14، مما يبرز استمرار تطوير خطوط تقسيم المحولات والفضاء الحالة. على الرغم من الأداء القوي في المعايير، فإن الدراسات الخاصة بسرطان السحايا كانت تاريخيا محدودة بأحجام مجموعات صغيرة نسبيا (عادة 50–200 حالة)15,16. إصدار مجموعة بيانات الورم السحاخي لعام BraTS2023 رقم 17، التي تضم أكثر من 1000 حالة، يخفف جزئيا من هذا القيد؛ ومع ذلك، لا تزال معظم النماذج مدربة وتقييما ضمن مجموعات بيانات منسقة، وغالبا ما يتدهور أدائها عند تطبيقها على البيانات السريريةالمستقلة 18. هذا يبرز قضية جوهرية: تحقيق تعميم قوي عبر المراكز يتطلب التعرض لبيانات متعددة المراكز متنوعة.

عمليا، يقيد تجميع مجموعات البيانات متعددة المراكز واسعة النطاق بلوائح خصوصية البيانات وسياسات المؤسسات، مما يجعل التدريب المركزي صعبا أو غير ممكن. يعالج التعلم الفيدرالي (FL) هذا القيد من خلال تمكين التدريب التعاوني على النماذج دون مشاركة البيانات الخام، حيث تقوم كل مؤسسة بالتدريب محليا والمساهمة بتحديثات النماذج إلى نموذج عالمي عبر التجميع، كما في Fedrated Aveg19. كما وسعت أعمال ذات صلة تقنية FL المحافظة على الخصوصية لتشمل نمذجة النية البشرية في شلل دماغي الأطفال باستخدام الواقعالممتد 20، كما تم اقتراح التعلم العميق الخفيف مع التصور الافتراضي لتقسيم الأورام غير المتصلة بالواقعالريفي 21، مما يعكس الحاجة الأشمل لسير عمل الذكاء الاصطناعي الطبي القابل للنشر والوعي بالخصوصية. بينما توفر FL إطارا عمليا للتعلم متعدد المراكز، فإنها تقدم تحديا جديدا: كل موقع مشارك عادة ما يكون لديه مجموعة بيانات محلية محدودة، ويمكن أن يؤدي التدريب المحلي المستقل قبل التجميع إلى تحديثات محلية غير مثالية وتدهور الأداء العام، خاصة عندما تتباعد توزيعات البيانات المحلية - وهي مشكلة تعرف باسم انحراف العميل22. استراتيجية طبيعية تكميلية هي تهيئة النموذج باستخدام المعرفة المستفادة من مجموعة بيانات مصدر ذي صلة23. في تصوير أورام الدماغ، يمثل الورم الدبقي مهمة مصدر مرتبطة ارتباطا وثيقا بخصائص تصوير مشتركة جزئيا وخصائص سياق الورم، مما يجعله مجالا مصدرا عمليا للتدريب المسبق. على الرغم من اختلاف الأورام السحاوية والأورمات الدبقية في الخصائص البيولوجية ومظهر التصوير، إلا أنهما تشتركان في أساليب تصوير وسياق تشريحي مشترك، مما يسمح بتعلم تمثيلات منخفضة ومتوسطة قابلة للنقل3. أظهرت أعمالها السابقة أن هذا التدريب المسبق على الأورام المتقاطعة يمكن أن يحسن الأداء في بيئات محدودة البيانات.23. على الرغم من هذه التطورات، لا يزال من غير الواضح كيف يؤدي فلوريدا في تقسيم الأورام السحاوية تحت ظروف واقعية متعددة المراكز، وما إذا كان التدريب المسبق على الورم الدبقي يمكن أن يحسن التدريب الفيدرالي عندما يكون كل موقع يحتوي على بيانات محدودة. لم يتم تقييم الفوائد النسبية للفلوريدا وحدها مقارنة ب FL المدربة مسبقا على الورم الدبقي من خلال التحقق السريري الخارجي.

لمعالجة هذه الفجوة، تجري هذه الدراسة مقارنة محكمة باستخدام مجموعة خارجية مستقلة من SPHS. على وجه التحديد، نبحث في ثلاثة أسئلة: (1) حجم فجوة التعميم عبر المراكز بين النماذج المدربة على بيانات المرجع والبيانات السريرية الخارجية؛ (2) ما إذا كان بإمكان FL تقليل هذه الفجوة تحت ظروف بيانات محلية محدودة؛ و(3) ما إذا كان الورم البدبقي المدرب مسبقا على الورم الدبقي (الورم الدبقي -> السحايا) يوفر مكاسب أداء إضافية مقارنة بالتدريب المركزي والأساليب الفيدرالية القياسية.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

البروتوكول

كانت هذه الدراسة دراسة سريرية بأثر رجعي. تمت مراجعة بروتوكول الدراسة والموافقة عليه من قبل لجنة الأخلاقيات في مستشفى الشعب الثاني في شنزن لجمع واستخدام مجموعة البيانات السريرية ل SPHS، مع رقم الموافقة 20190910. تم الحصول على موافقة كتابية مستنيرة من جميع المرضى المشمولين في مجموعة SPHS قبل التسجيل في هذه الدراسة.

بيانات المرضى

استخدمت هذه الدراسة ثلاث مجموعات بيانات: BraTS2023-Men، BraTS2023-Gli، ومجموعة سريرية خارجية من SPHS (SPHS-Men). يتم تلخيص خصائصها أدناه.

BraTS2023-Men

BraTS2023-Men هو مسار الورم السحاوي في معيار BraTS 202324.25. في هذه الدراسة، تم استخدام 450 حالة من حالات BraTS2023-Men كمجموعة مصدر لتطوير النماذج والتقييم الداخلي. تمت معالجة جميع الصور مسبقا بشكل متساو، بما في ذلك إزالة الجمجمة، والتسجيل المشترك عبر الوسائط، وإعادة العينات المتساوية الخواص حتى 1×1×1 مم3. تحتوي كل حالة على أربعة تسلسلات تصوير بالرنين المغناطيسي (T1، T1c، T2، FLAIR) مع تعليقات على شكل فوكسل في ثلاث فئات: نواة الورم غير المعززة (الملصق 1)، الوذمة حول الورم (الملصق 2)، والورم المعزز (الملصق 3). وللتوافق مع تعريف الورم السريري المستخدم في هذه الدراسة، تم دمج التصنيفين 1 و3 في فئة واحدة من الأورام، وتم استبعاد التصنيف 2 (الوذمة)، مما أدى إلى هدف تقسيم ثنائي.

BraTS2023-Gli

BraTS2023-Gli هو مسار الورم الدبقي في معيار BraTS ويرث قواعد BraTS متعددة الوسائطوإطار عمل التعليقات التوضيحية المعتمد 7,24,26,27. في هذه الدراسة، تم إجراء تدريب مركزي على الورم الدبقي باستخدام 450 حالة BraTS2023-Gli لتوفير نموذج مصدر لسرطان الورم الدبقي المدرب مسبقا على الورم الدبقي (FL) باستخدام نفس التركيبة الثنائية بين الورم والخلفية التي استخدمت لاحقا في مهمة الورم السحاوي. لم يكن الهدف من تضمين هذه المجموعة زيادة حجم العينة مقارنة ب BraTS2023-Men، بل اختبار ما إذا كان مجال مصدر الدماغ المرتبط بالمهمة يمكن أن يوفر تهيئة أكثر قابلية للنقل للتكيف الفيدرالي اللاحق.

SPHS-Men

SPHS-Men هو مجموعة بيانات سريرية خارجية جمعت من مستشفى الشعب الثاني في شينزن تحت موافقة لجنة مراجعة مؤسسية. تم تضمين ما مجموعه 174 حالة للتقييم الخارجي. على عكس BraTS، تم جمع البيانات باستخدام بروتوكولات سريرية روتينية دون معالجة مسبقة موحدة، مما أدى إلى تباين في تباعد الأصوات، وسمك القطعة، ومجال الرؤية، ومعايير إعادة البناء المعتمدة على الماسح الضوئي. تم تزويد التعليقات في البداية بملصقين: كتلة الورم والوذمة/تغير حول الورم. لتتوافق مع تعريف الورم المشتق من BraTS المستخدم في هذه الدراسة، تم الاحتفاظ فقط بكتلة الورم، وتم استبعاد الوذمة. تمت معالجة جميع حالات SPHS لاحقا باستخدام خط أنابيب موجه نحو التوحيد قبل التقييم الخارجي، كما هو موضح في الحصول على الرنين المغناطيسي والمعالجة المسبقة. بعد المعالجة المسبقة، يتم تمثيل كل فوكسل عند الإحداثي المكاني r بمدخل ثلاثي القنوات يتكون من شدات T1c وT1n وT2،
figure-protocol-1

وتعرف مهمة التقسيم بأنها التصنيف الثنائي Y(r) ∈ 0,1 مما يشير إلى الورم مقابل الخلفية. تظهر الأمثلة التمثيلية والفروق النوعية عبر مجموعات البيانات في الشكل 1.

figure-protocol-2
الشكل 1. مقارنة تمثيلية بين مجموعات البيانات. الصف العلوي: SPHS-Men; وسط: BraTS2023-Men; الأسفل: BraTS2023-Gli. تظهر الأعمدة قناع الورم، T1، T1c، وT2. تعكس الفروق النوعية في حجم الآفة ونمط التعزيز وتعريف الحدود التحولات المركبة في التصوير والتعليقات التي واجهتها هذه الدراسة. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

الحصول على التصوير بالرنين المغناطيسي والمعالجة المسبقة

تم توزيع جميع بيانات BraTS مع تطبيق معالجة مسبقة موحدة مسبقا، بما في ذلك إزالة الجمجمة، والتسجيل المشترك، وإعادة العينات متساوية الاتجاه. بالنسبة لمجموعة SPHS، تم تحويل صور DICOM الخام أولا إلى صيغة NIfTI28. ثم تم تسجيل الصور متعددة الوسائط بشكل صارم في مساحة T1 الأصلية باستخدام محاذاة معلوماتمتبادلة 29. نظرا لأن إزالة الجمجمة خطوة ضرورية للمعالجة المسبقة لتقسيم التصوير بالرنين المغناطيسي للدماغ، فقد تم إجراء استخراج الدماغ صراحة قبل تدريب النماذج. تحديدا، تم تطبيق DeepBet على الصورة المرجحة بوزن T1 لتوليد قناع دماغي30، وتم نشر القناع الناتج إلى حجمي T1c وT2 المسجلين معا لإزالة الأنسجة غير الدماغية بشكل متسق عبر جميع الوسائط. تم إعادة أخذ عينات الصور المجزرة من الجمجمة لاحقا إلى دقة متساوية الخواص 1 × 1 × 1 مم3. تم تحسين أقنعة الأورام الثنائية أخيرا باستخدام عمليات إغلاق وفتح مورفولوجية لقمع تشوهات الاستيفاء التي تم إدخالها أثناء إعادة العينة. تم استخدام هذه الخطوات لتحسين اتساق إدخال البيانات عبر مجموعات البيانات للاختبارات الخارجية، لكنها لم تكن تهدف إلى القضاء على الفروق الأساسية في الماسح الضوئي أو البروتوكول أو التعليقات التوضيحية الجوهرية في مجموعة SPHS.

تصميم الدراسة

بنية النماذج

كما هو موضح في الشكل 2، تدمج معمارية UMamba ثنائية الأبعاد وحدات الشبكة العصبية الالفافية المتبقية مع نموذج الفضاء الانتقائي لحالة مامبا (SSM)الكتل 12,31. يتيح هذا التصميم الهجين استخراج ميزات النسيج المحلية في نفس الوقت عبر الالتفافات والسياق البنيوي العالمي طويل المدى عبر SSMs، مع تكلفة حسابية خطية بالنسبة لعدد المواقع المكانية.

figure-protocol-3
الشكل 2. معمارية UMamba ثنائية الأبعاد. يقوم المشفر بدمج الكتل الالتفافية المتبقية لاستخراج النسيج المحلي وميزات الحدود مع وحدات SSM الانتقائية مامبا لنمذجة السياق بعيدة المدى. يتم توصيل هذه المكونات عبر اتصالات تخطي إلى جهاز فك التشفير الالتفافي المتحول. يتكون مدخل الشبكة من شريحة رنين مغناطيسي متعددة الوسائط ثلاثية القنوات تتكون من أنماط T1 وT1c وT2. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

المشفر

تتم معالجة شرائح الرنين المغناطيسي متعددة الوسائط مع قنوات إدخال C = 3 بواسطة مشفر هرمي. في كل مرحلة s ∈ 1,..., S، تتم معالجة خريطة ميزات الإدخال أولا بواسطة كتلة التفافية متبقية لاستخراج أنماط مكانية محلية. ثم يتم تسطيح خريطة الميزات إلى تسلسل أحادي البعد ومعالجتها بواسطة وحدة SSM انتقائية لالتقاط التبعيات السياقية طويلة المدى. يتم إجراء التقليل المكاني باستخدام التفافيات stride-2، مما يولد تدريجيا تمثيلات هرمية للميزات F_s ∈ R^C_s × H/2^s × W/2^s مع أبعاد قنوات متزايدة C_s ∈ 32، 64، 128، 256، 512.

SMM انتقائي مامبا

يعمل SSM الانتقائي على تسلسل أحادي البعد x ∈ R^L × d. نظرا لأن الجوار المكاني يتعطل أثناء التسوية أحادية البعد القياسية لخرائط الميزات ثنائية الأبعاد، يتم استخدام استراتيجية مسح متعددة الاتجاهات: حيث يتم مسح خرائط الميزات على أربعة اتجاهات (صف للأمام، صف للخلف، عمود للأمام، وعمود للخلف) للحفاظ على السياق المكاني عبر اتجاهين الصفوف والأعمدة. يعرف SSM الزمني المستمر على النحو التالي:
figure-protocol-4    

figure-protocol-5

حيث تشير A ∈ R^N × N إلى مصفوفة انتقال الحالة القابلة للتعلم التي تم تهيؤها عبر إطار عمل HiPPO (عامل الإسقاط متعدد الحدود الخفي)31. مصفوفات الإسقاط B(t) وC(t) تعتمد على المدخلات، مما يخلق آلية انتقائية تمكن النموذج من تصفية الرموز غير ذات الصلة ديناميكيا والاحتفاظ بالمعلومات السياقية المهمة. يتم تقسيم النظام المستمر باستخدام خطوة زمنية Δ عبر تحويل التثبيت من الرتبة الصفرية (ZOH):

figure-protocol-6

figure-protocol-7

figure-protocol-8

figure-protocol-9

عند كل خطوة منفصلة k، تحسب المعاملات B وC وΔ كإسقاطات خطية لرمز الإدخال xk، مما يمكن انتشار الميزات المعتمدة على المدخلات. يضمن تهيئة HiPPO أن القيم الذاتية تحقق |λj(barA)| < 1، الذي يحافظ على تمثيلات الحالة المخفية ‖hk‖ محدودة عبر تسلسلات مكانية طويلة بشكل عشوائي.

فك التشفير واتصالات التخطي

يقوم جهاز فك التشفير بإعادة بناء الدقة المكانية الأصلية من التمثيلات المشفرة. في كل مرحلة، تقوم الالتفافات المنقولة برفع عينات خرائط الميزات ذات الدقة المنخفضة. تدمج اتصالات تخطي ميزات المشفر متعددة المقاييس F_s مع ميزات فك التشفير المقابلة التي تم رفع عيناتها، مما يحافظ على معلومات الحدود عالية التردد التي تعتبر ضرورية لتحديد الأورام بدقة على مستوى الفوكسل.

فقدان التدريب

يتم توجيه تحسين النموذج بواسطة دالة خسارة مركبة:
figure-protocol-10

حيث p_θ(r) ∈ [0,1] هو احتمال الورم المتوقع عند صوت r، وY(r) هو تسمية الحقيقة الأرضية الثنائية المقابلة، وλ = 1.0 يوازن بين المصطلحين. يحسن فقدان النرد بشكل مباشر مقياس التقييم المستهدف ويعالج الاختلال الشديد في الخلفية المقدمة والخلفية المتأصل في تقسيم ورم السحايا، حيث تشكل فوكسلات الورم عادة أقل من 0.5٪ من إجمالي حجم الجمجمة. يوفر مصطلح الإنتروبيا المتقاطعة الثنائية (BCE) إشرافا لكل فوكسل، مما يثبت التدريب في هذا الوضع غير المتوازن.

تكوين التدريب

تم تحسين جميع نماذج التقسيم باستخدام AdamW بمعدل تعلم ابتدائي η₀ = 3 × 10⁻4، وجدول تلدين جيب تمام، وتآكل وزن 5 × 10⁻4. تم تدريب النماذج المركزية الأساسية ل 200 فترة على مجموعات BraTS2023 ذات 450 حالة مع حجم دفعة 16. لتجنب الغموض في الإعداد الموحد، نستخدم المصطلحات التالية طوال هذه المخطوطة: جولة الاتصال تشير إلى دورة FL كاملة تتكون من بث الخادم، وتحسين العميل المحلي، وتجميع الخوادم؛ التكرار المصغر للدفعة يشير إلى تحديث معلمة واحد على دفعة مصغرة واحدة؛ وكان التحسين المحلي الذي ينفذه كل عميل في جولة واحدة يتكون من 250 تكرارا صغيرا دفعيا. بعبارة أخرى، كان كل عميل يؤدي مرحلة تدريب محلية واحدة في كل جولة، واحتوت تلك المرحلة المحلية على 250 تكرارا لتحديث المعلمات. لذا، يشير مصطلح 'الدائرة' (r = 3) في هذه الدراسة فقط إلى اتصالات FL، وليس إلى فترة زمنية عبر مجموعة البيانات المركزية بأكملها. تم تطبيق خط أنابيب تعزيز البيانات عبر الإنترنت بشكل موحد عبر جميع تكوينات التدريب، بما في ذلك الانقلاب الأفقي والعمودي العشوائي (p=0.5 لكل محور)، والدوران العشوائي داخل المستوى (±15^circ)، والتدرج العشوائي للشدة (عامل مأخوذ بشكل موحد من [0.85، 1.15])، والضوضاء الغاوسية الإضافية (سيغما ∼ U[0، 0.05]) المحسوبة لكل شريحة ثنائية الأبعاد. تم تعطيل جميع التعزيز أثناء الاستدلال والتحقق. تم تنفيذ الإطار في PyTorch 2.0.1 مع MONAI 1.3 لتحميل البيانات، وتم إجراء جميع العمليات الحسابية على وحدات معالجة الرسومات NVIDIA GeForce RTX 3090 (24 جيجابايت GDDR6X) (GPUs). تم ضمان قابلية التكرار من خلال تثبيت جميع البذور العشوائية عبر PyTorch وNumPy ووحدة بايثون العشوائية بقيم متطابقة لجميع الاستراتيجيات.

استراتيجيات تجريبية

تمت مقارنة ثلاث استراتيجيات تدريبية رئيسية لتقييم التعميم عبر المراكز (الشكل 3). التصنيفات FL المدربة مسبقا بالورم السحائي وFL المدربة مسبقا على Glioma هي أسماء وصفية تم تقديمها في هذه المخطوطة لتمييز مصدر النموذج العالمي الأولي قبل التكيف الفيدرالي.

figure-protocol-11
الشكل 3. نظرة عامة على تصميم التجارب. (أ) تدريب مركزي باستخدام 450 حالة BraTS2023-MEN تليها تقييم خارجي لنظام SPHS. (ب) مساعد مدرب مسبقا على الورم السحاوي عبر ثلاثة عملاء محاكى. (ج) FL المدرب مسبقا بالدبقية تم تهيئة نموذج مركزي للدبقية قبل التكيف الفيدرالي. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

الاستراتيجية 1 (التدريب المركزي)

تم تدريب نموذج واحد من UMamba 2D على جميع صناديق BraTS2023-Men البالغ عددها 450. تمثل هذه الاستراتيجية الحد الأعلى للأداء داخل المجال وتعمل كأساس لتقييم تدهور المراكز العابرة.

الاستراتيجية 2 (FL مع تهيئة مجال MEN)

تم تخصيص 450 حالة من BraTS2023-Men بشكل عشوائي لثلاثة عملاء (|Di| = 150) للتقسيم المتساوي. لذلك، تم محاكاة عملاء BraTS2023-Men الثلاثة من نفس المجموعة العامة بدلا من إنشائها باستخدام بيانات وصفية خاصة بالمؤسسات أو تسميات أصل الماسح الضوئي. لتهيئة التدريب الفيدرالي في مجال ورم السحايا، تم تدريب النموذج العالمي الأولي أولا على تقسيم ثابت لعملاء BraTS2023-Men (العميل 1 في هذا التنفيذ) ثم استخدم لبدء الإجراء الفيدرالي. تم الحفاظ على هذا العميل البذري ثابتا عبر التجارب من أجل قابلية التكرار ويجب تفسيره كبداية دافئة داخل المجال بدلا من كونه عميل مصدر محسن أو مميز. نظرا لأن العملاء الثلاثة تم محاكاتهم عن طريق تقسيم نفس مجموعة BraTS2023-Men، فإن اختيار التهيئة هذا يعكس نقطة انطلاق على مستوى التنفيذ بدلا من وجود مؤسسة مميزة بيولوجيا. لم يكن الغرض من هذا التصميم تكرار عملية إطلاق متعددة المؤسسات حقيقية بشكل صارم، بل توفير مقارنة محكمة بين التدريب المركزي على جميع بيانات MEN المتاحة والتعاون الموحد بدءا من تدريب مبكر جزئي مدرب مسبقا على الورم السحايا. يعرف هدف التحسين الموحد العالمي على النحو التالي:
figure-protocol-12

حيث Di تمثل مجموعة التدريب المحلية من العملاء i، وell هو خسارة النرد + التحويل عبر الإنتروبيا. في جولة الاتصال الأولى، كانت أوزان التجميع متناسبة مع عدد العينة (wi(1) = 1/3). لتقليل وزن العملاء ذوي الأداء الضعيف في جولات التواصل اللاحقة، استخدمت الجولاتان الثانية والثالثة تجميع مرجح بالنرد للتحقق من الحق:
figure-protocol-13
حيث DSCi(r) هو DSC المتوسط حسب الحالة على تقسيم التحقق المحلي للعميل i بعد التدريب المحلي في جولة الاتصال r، و ε = 10⁻6 هو ثابت صغير لمنع القسمة على صفر.

الاستراتيجية 3 (FL مع تهيئة مدربة مسبقا على الورم الدبقي الوظيفي)

للحصول على بداية دافئة متعددة المجالات مرتبطة بالمهمة، تم إجراء تدريب مركزي على الورم الدبقي باستخدام 450 حالة من نوع BraTS2023-Gli بنفس الأنواع الثلاثة للتصوير بالرنين المغناطيسي (T1، T1c، وT2) ونفس التركيبة الثنائية بين الورم والخلفية التي تم اعتمادها في تجارب ورم السحايا.

على وجه التحديد، تم توحيد تصنيفات الورم الدبقي من خلال دمج نواة الورم غير المعززة والورم المعزز في فئة واحدة في المقدمة الأولى، بينما تم استبعاد الوذمة حول الورم، بحيث تشترك المهام المصدر والهدف في نفس تعريف الناتج الثنائي. نظرا لأن المهام المصدر والهدف صيغت كتقسيم ثنائي، تم نقل الأوزان المدربة مسبقا مباشرة لتهيئة نموذج UMamba ثنائي الأبعاد الكامل، بما في ذلك رأس التقسيم، بدلا من التخلص من الطبقة النهائية وإعادة تهيئة الطبقة. ثم تم تطبيق نفس بروتوكول FedAvg، مع تهيئة النموذج العالمي الأولي بواسطة التدريب المركزي المتقارب على أوزان الدبقية (θ⁽°⁾ = θ_Gli^*). يتم تقديم النسخة الفيدرالية التالية من خلال:
figure-protocol-14

حيث يمثل Δθ(r) التحديثات المتراكمة للمعلمات الخاصة بالمجال عبر جولات الاتصال r. تختبر هذه الاستراتيجية ما إذا كان نموذج مصدر FL المدرب مسبقا على Glioma يوفر نقطة انطلاق أفضل للتكيف الموحد على عملاء الورم السحايا.

مقاييس التقييم

تم تقييم جميع الاستراتيجيات على مجموعة SPHS باستخدام بروتوكول متوسط الحالات. تم حساب DSC وIoU بشكل مستقل لكل حالة ثم تم قياسهما، مما يضمن وزنا إحصائيا متساويا عبر جميع الأشخاص بغض النظر عن حجم الورم:
figure-protocol-15
 figure-protocol-16

كما تم الإبلاغ عن تركيبات الخطأ المتوسطة حسب الحالة—والتي تشمل متوسط عدد فوكسل الإيجابية الحقيقية (TP)، والإيجابية الكاذبة (FP)، والسلبية الكاذبة (FN)، والسلبية الحقيقية (TN) لكل حالة. يميز هذا التقسيم الزائد عن أخطاء التقسيم، مما يوفر رؤية حول أنماط الفشل الاتجاهية.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

النتائج

حقق نموذج UMamba المركزي ثنائي الأبعاد (الاستراتيجية 1) أداء تنافسيا داخل المجال على مجموعة الاختبار الداخلية BraTS2023-Men، مع متوسط DSC حالة 0.8958، وIoU 0.8356، وFN 1,902، وFP بلغ 667، وTN بمقدار 8,902,814، وTP بقيمة 22,616. عند تقييم النموذج المركزي على مجموعة التحقق الخارجية ل SPHS، أعطى DSC بقيمة 0.7452 ± 0.1992 وIoU بقيمة 0.6241 ± 0.1941، مما يعادل فجوة تعميم عبر المراكز مقدارها ΔDSC = 0.1506 (الجدول 1، المعرف 1). كخط أساس ذاتي التكوين الإضافي، حقق nnUNet-v2 مستوى...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المناقشة

النتيجة المركزية لهذه الدراسة هي أن جودة التهيئة — وليس بروتوكول التجميع الموحد نفسه — هي العامل الحاسم في سد فجوة التعميم عبر المراكز لتقسيم أورام السحايا التي تحافظ على الخصوصية. بينما حقق نموذج UMamba المركزي ثنائي الأبعاد أداء قويا داخل المجال على مجموعة BraTS2023-MEN (DSC = 0.8958)، إلا أنه تعرض لتدهور كبير عند تقييمه على مجموعة البيانات السريرية المستقلة ل SPHS (Δ DSC = 0.1506). يبرز هذا الانخفاض في الأداء ضعف النماذج المدربة على معايير مرجعية مختارة لتراكم تحولات المجال، والتي تشم...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

الإفصاحات

المؤلفون لا يفرضون أي تضارب مصالح.

شكر وتقدير

وقد دعم هذا العمل المؤسسة الوطنية للعلوم الطبيعية في الصين (منحة 12405382)، ولجنة الابتكار في العلوم والتكنولوجيا في شنزن (منحة JCYJ20220530143602006)، ومشروع البحوث الأساسية في شنزن (مؤسسة العلوم الطبيعية) (منحة JCYJ20220530150416036)، ومشروع الرعاية الاجتماعية لإدارة العلوم والتكنولوجيا في منغوليا الداخلية (مشروع رقم 2026YFSH0155).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
BraTS2023-Gli datasetASNR-MICCAI BraTS Challenge / Synapse (Sage Bionetworks)N/Aمجموعة بيانات التصوير بالرنين المغناطيسي العامة للورم الدبقي المستخدمة لبدء التدريب المسبق للورم الدبقي. في هذه الدراسة، تم استخدام 450 حالة تحت صيغة الورم ثنائية مقابل الخلفية. https://www.synapse.org/Synapse:syn51156910/wiki/622351
BraTS2023-Men datasetASNR-MICCAI BraTS Challenge / Synapse (Sage Bionetworks)N/Aمجموعة بيانات التصوير بالرنين المغناطيسي العامة للورم السحائي المستخدمة كمجموعة مرجعية لتطوير النموذج والتقييم الداخلي. في هذه الدراسة، تم استخدام 450 حالة. https://arxiv.org/abs/2305.07642
DeepBetبرنامج أكاديمي من تأليف Fisch وآخرونN/Aأداة لاستخراج الدماغ يتم تطبيقها على الصورة T1 المرجحة لتوليد قناع الدماغ لمجموعة SPHS. https://arxiv.org/abs/2308.07003
MONAIمشروع MONAIالإصدار 1.3إطار عمل الذكاء الاصطناعي للتصوير الطبي المستخدم لتحميل البيانات وتنفيذ سير عمل التعلم العميق. https://docs.nvidia.com/monai/index.html
NVIDIA GeForce RTX 3090 GPUNVIDIAGeForce RTX 3090وحدة معالجة الرسومات مع ذاكرة GDDR6X سعة 24 جيجابايت المستخدمة في تدريب النموذج والحوسبة. https://www.nvidia.com/en-me/geforce/graphics-cards/30-series/rtx-3090-3090ti/
PyTorchمؤسسة PyTorch، مؤسسة Linuxالإصدار 2.0.1إطار عمل التعلم العميق المستخدم لتنفيذ وتدريب نماذج UMamba ثنائية الأبعاد للفصل. https://pytorch.org/foundation/
Pythonمؤسسة برمجيات Pythonالإصدار 3.10بيئة برمجة مستخدمة في تدريب النموذج، المعالجة المسبقة، التقييم، والتحليل الإحصائي. استبدل بالإصدار الدقيق لـ Python إذا كان معروفًا. https://www.python.org/psf-landing/
مجموعة SPHS-Men السريريةمستشفى الشعب الثاني في شينزينN/Aمجموعة سريرية خارجية متعددة الوسائط للتصوير بالرنين المغناطيسي تستخدم في التقييم المستقل. تم تضمين ما مجموعه 174 حالة.
تنفيذ نموذج UMamba ثنائي الأبعادBowang-lab / مؤلفو U-Mambaتكوين U-Mamba ثنائي الأبعادبنية فصل تستند إلى نموذج الفضاء المكاني المستخدمة في فصل الورم السحائي الثنائي. https://u-mamba.github.io/

المراجع

  1. Ostrom, Q. T., et al. CBTRUS statistical report: primary brain and other central nervous system tumors diagnosed in the United States in 2014-2018. Neuro Oncol. 23 (Suppl 3), (2021).
  2. Goldbrunner, R., et al. EANO guideline on the diagnosis and management of meningiomas. Neuro Oncol. 23 (11), 1821-1834 (2021).
  3. Huang, R. Y., et al. Imaging and diagnostic advances for intracranial meningiomas. Neuro Oncol. 21 (Suppl 1), (2019).
  4. Combs, S. E., et al. ESTRO ACROP guideline for target volume delineation of skull base tumors. Radiother Oncol. 156, 80-94 (2021).
  5. Growcott, S., et al. Inter-observer variability in target volume delineations of benign and metastatic brain tumours for stereotactic radiosurgery. Clin Oncol (R Coll Radiol). 32 (1), 13-25 (2020).
  6. Kriwanek, F., et al. Impact of SSTR PET on inter-observer variability of target delineation of meningioma. Cancers (Basel). 14 (18), 4435 (2022).
  7. Menze, B. H., et al. The multimodal brain tumor image segmentation benchmark (BRATS). IEEE Trans Med Imaging. 34 (10), 1993-2024 (2015).
  8. Ronneberger, O., Fischer, P., Brox, T. U-Net: convolutional networks for biomedical image segmentation. , (2015).
  9. Isensee, F., et al. nnU-Net: a self-configuring method for deep learning-based biomedical image segmentation. Nat Methods. 18 (2), 203-211 (2021).
  10. Hatamizadeh, A., et al. UNETR: transformers for 3D medical image segmentation. , (2022).
  11. Hatamizadeh, A., et al. Swin UNETR: Swin transformers for semantic segmentation of brain tumors in MRI. , (2021).
  12. Ma, J., Li, F., Wang, B. U-Mamba: enhancing long-range dependency for biomedical image segmentation. arXiv. , (2024).
  13. Ranjbarzadeh, R., Keles, A., Anari, S., Zarbakhsh, P., Bendechache, M., Nagar, A. K., Jat, D. S., Mishra, D. K., Joshi, A. Explainable attention-guided Swin Transformer networks for brain tumor segmentation from 3D MRI. Intelligent Sustainable Systems: Selected Papers of WorldS4 2025. , 110-128 (2026).
  14. Ranjbarzadeh, R., Keles, A., Anari, S., Cunneen, M., Bendechache, M. A global-local 3D brain tumor segmentation model using Vision Transformers and axial statespace modeling. , (2026).
  15. Laukamp, K. R., et al. Fully automated detection and segmentation of meningiomas using deep learning on routine multiparametric MRI. Eur Radiol. 29 (1), 124-132 (2019).
  16. Boaro, A., et al. Deep neural networks allow expert-level brain meningioma segmentation. Sci Rep. 12 (1), 15462 (2022).
  17. LaBella, D., et al. A multi-institutional meningioma MRI dataset for automated multi-sequence image segmentation. Sci Data. 11 (1), 496 (2024).
  18. Zhang, L., et al. Generalizing deep learning for medical image segmentation to unseen domains via deep stacked transformation. IEEE Trans Med Imaging. 39 (7), 2531-2540 (2020).
  19. McMahan, B., Moore, E., Ramage, D., Hampson, S., y Arcas, B. A. Communication-efficient learning of deep networks from decentralized data. , 1273-1282 (2017).
  20. Anari, S., Ranjbarzadeh, R., Cunneen, M., Bendechache, M. Privacy-preserving federated learning for human intention modeling in pediatric cerebral palsy using extended reality. , 1565-1570 (2025).
  21. Ranjbarzadeh, R., Anari, S., Cunneen, M., Bendechache, M. Lightweight deep learning with virtual reality visualization for offline tumor segmentation in rural environments. , 1577-1582 (2025).
  22. Karimireddy, S. P., et al. SCAFFOLD: stochastic controlled averaging for federated learning. , (2020).
  23. Tabassum, M., Di Ieva, A., Liu, S. Meta transfer learning for brain tumor segmentation using nnUNet in meningioma and metastasis cases. Sci Rep. 15 (1), 37599 (2025).
  24. Karargyris, A., et al. Federated benchmarking of medical artificial intelligence with MedPerf. Nat Mach Intell. 5, 799-810 (2023).
  25. LaBella, D., et al. The ASNR-MICCAI Brain Tumor Segmentation (BraTS) Challenge 2023: intracranial meningioma. arXiv. , (2023).
  26. Baid, U., et al. The RSNA-ASNR-MICCAI BraTS 2021 benchmark on brain tumor segmentation and radiogenomic classification. arXiv. , (2021).
  27. Bakas, S., et al. Advancing the cancer genome atlas glioma MRI collections with expert segmentation labels and radiomic features. Sci Data. 4, 170117 (2017).
  28. Li, X., Morgan, P. S., Ashburner, J., Smith, J., Rorden, C. The first step for neuroimaging data analysis: DICOM to NIfTI conversion. J Neurosci Methods. 264, 47-56 (2016).
  29. Klein, S., Staring, M., Murphy, K., Viergever, M. A., Pluim, J. P. W. Elastix: a toolbox for intensity-based medical image registration. IEEE Trans Med Imaging. 29 (1), 196-205 (2010).
  30. Fisch, L., et al. DeepBet: fast brain extraction of T1-weighted MRI using convolutional neural networks. Comput Biol Med. 179, 108845 (2024).
  31. Gu, A., Dao, T. Mamba: linear-time sequence modeling with selective state spaces. arXiv. , (2023).
  32. Sheller, M. J., et al. Federated learning in neuro-oncology for multi-institutional collaborations without sharing patient data. Neuro Oncol. 21 (Suppl 6), (2019).
  33. Karimi, D., Warfield, S. K., Gholipour, A. Transfer learning in medical image segmentation: new insights from analysis of model parameters and learned representations. Artif Intell Med. 116, 102078 (2021).
  34. Bonawitz, K., et al. Practical secure aggregation for privacy-preserving machine learning. , 1175-1191 (2017).
  35. McMahan, H. B., Ramage, D., Talwar, K., Zhang, L. Learning differentially private recurrent language models. arXiv. , (2017).
  36. Zhu, L., Liu, Z., Han, S. Deep leakage from gradients. , (2019).
  37. Li, T., Sahu, A. K., Talwalkar, A., Smith, V. Federated optimization in heterogeneous networks. Proc Mach Learn Syst. 2, 429-450 (2020).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

إعادة الطباعة والأذونات

طلب إذن لإعادة استخدام النص أو الأشكال في مقالة JoVE هذه

طلب إذن

الوسوم

233 233 UMamba

مقالات ذات صلة