研究文章

通过胶质瘤预训练的联邦学习提升多模态MRI脑膜瘤分割的跨中心泛化能力

56 次观看

⸱

DOI：

10.3791/72164

⸱

2026年7月24日

 ,  ,  ,  ,  ,  ,  ,  ,  , 
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

本文内容

摘要

本研究探讨胶质瘤预训练的联邦学习在多模态磁共振成像脑膜瘤分割中的外部泛化能力影响

摘要

在多模态磁共振成像上进行自动化的脑膜瘤分割，当模型在不同机构间迁移时仍具有挑战性，因为各中心的扫描仪协议、图像特征和标注风格可能存在差异。联邦学习（FL）为多中心模型开发提供了一种保护隐私的策略，但标准的聚合方法可能无法完全克服跨中心的域偏移问题。本研究旨在量化磁共振成像脑膜瘤分割的外部泛化差距，并评估基于胶质瘤预训练的联邦学习是否能在无需集中数据 pooling 的情况下提升模型鲁棒性。本研究采用 UMamba 2D 架构，以 T1、T1c 和 T2 MRI 作为模型输入，进行二分类脑膜瘤分割。研究方案包括 450 例 BraTS2023-Men 数据作为源域脑膜瘤数据集，以及来自本机构的 174 例独立临床病例作为外部验证队列。在相同的外部验证设置下，定量评估了三种最终的脑膜瘤分割策略：基于 BraTS2023-Men 的集中式训练、在三个模拟客户端上进行脑膜瘤预训练的联邦学习，以及从 BraTS2023-Gli 源模型初始化的胶质瘤预训练联邦学习，并随后进行联邦优化。仅使用集中式胶质瘤训练来生成胶质瘤预训练的初始化模型，该策略未作为独立评估的最终脑膜瘤分割方法进行报告。模型性能通过 Dice 相似性系数（DSC）和交并比（IoU）进行评估。在 BraTS2023-Men 上的集中式训练显示出明显的外部泛化下降，DSC 在内部 BraTS2023-Men 测试集上为 0.8958，而在 SPHS 队列上下降至 0.7452。脑膜瘤预训练的联邦学习外部性能较低（DSC = 0.7122），而胶质瘤预训练的联邦学习表现与在 BraTS2023-Men 上的集中式训练相当，且优于脑膜瘤预训练的联邦学习（DSC = 0.7503；IoU = 0.6301；Holm 校正后 p < 0.001）。这些结果表明，胶质瘤预训练初始化为联邦脑膜瘤分割提供了更稳健的起点，可能在保护机构数据隐私的同时提升外部泛化能力。

引言

脑膜瘤是成人中最常见的原发性颅内肿瘤，在美国占所有原发性脑和中枢神经系统肿瘤的约38%1。脑膜瘤起源于脑膜上皮细胞（蛛网膜帽细胞），包含世界卫生组织（WHO）I至III级，临床表现范围广泛：I级肿瘤（约占80%）在实现全切除后通常预后良好，而II级（非典型性）和III级（间变性）病变的10年复发率分别高达20–40%和超过70%2,3。临床决策——包括显微外科切除、立体定向放射外科（SRS）、分次放疗以及主动监测——依赖于在纵向影像研究中对肿瘤范围进行准确且可重复的体积界定。因此，从磁共振成像（MRI）中对脑膜瘤进行可靠的分割是实现一致治疗规划和疗效评估的前提。

多序列磁共振成像是临床常规实践中脑膜瘤表征的基础，每个序列分别编码了肿瘤生物学特性及周围组织反应的互补信息。对比增强T1加权成像（T1c）通过钆剂诱导的T₁弛豫缩短来显示血脑屏障破坏区域，从而清晰呈现强化的肿瘤实质部分，并明确主要病灶的边界。非增强T1加权成像（T1）为评估蛛网膜界面、硬膜附着以及邻近骨质受累提供了结构背景。T2加权成像（T2）则反映了肿瘤内部异质性及瘤周水肿情况，这两者对于理解占位效应以及在放射外科计划中界定治疗体积至关重要3,4。目前，手动勾画仍是脑膜瘤边界界定的标准方法。在此过程中，临床医生通常综合多个MRI序列的对比信息来判断肿瘤范围。然而，该过程耗时较长，且存在显著的观察者间变异，尤其在解剖结构不明确的区域（如硬膜尾征），报道的一致性指标低于0.805,6。这些局限性推动了自动化分割方法的发展，以实现一致且可扩展的性能。

深度学习在医学图像分割领域取得了显著进展，这得益于BraTS7等基准数据集的建立，以及多种网络架构范式的出现，包括U-Net8和nnU-Net9等卷积模型、UNETR和Swin-UNETR10,11等基于Transformer的模型，以及UMamba12等基于状态空间模型（SSM）的方法。近期研究进一步探索了可解释的注意力引导Swin Transformer网络，以及用于3D脑肿瘤分割的全局-局部Vision Transformer/轴向状态空间设计13,14，凸显了基于Transformer和状态空间的分割流程持续发展。尽管这些方法在基准测试中表现优异，但针对脑膜瘤的研究长期以来受限于相对较小的队列规模（通常为50–200例）15,16。BraTS 2023脑膜瘤数据集的发布17（包含超过1,000例病例）在一定程度上缓解了这一限制；然而，大多数模型仍是在经过筛选的数据集内进行训练和评估，当应用于独立的临床数据时，其性能往往下降18。这突显了一个核心问题：实现稳健的跨中心泛化能力，需要模型接触多样化的多中心数据。

在实际应用中，大规模多中心数据集的整合受到数据隐私法规和机构政策的限制，使得集中式训练难以实现甚至不可行。联邦学习（Federated Learning, FL）通过在不共享原始数据的情况下实现协同模型训练，解决了这一限制：各机构在本地进行训练，并通过聚合方式将模型更新贡献给全局模型，例如在联邦平均算法（Federated Averaging, FedAvg）中所采用的方法19。相关研究还将隐私保护型联邦学习拓展至利用扩展现实技术对小儿脑瘫患者的人类意图建模20，并提出了结合虚拟现实可视化的轻量级深度学习方法，用于在农村环境中离线完成肿瘤分割21，反映出对可部署且注重隐私保护的医学人工智能工作流程日益增长的需求。尽管联邦学习为多中心学习提供了实用框架，但它也带来了一个新挑战：每个参与机构通常仅有有限的本地数据集，而在聚合前独立进行的本地训练可能导致次优的本地更新，进而降低全局性能，尤其是在本地数据分布存在差异时——这一问题被称为客户端漂移（client drift）22。一种自然的补充策略是利用来自相关源数据集所学到的知识对模型进行初始化23。在脑肿瘤影像领域，胶质瘤（glioma）作为一个密切相关且部分共享影像特征和肿瘤上下文信息的源任务，是预训练的一个可行源域。尽管脑膜瘤（meningioma）与胶质瘤在生物学特性和影像表现上有所不同，但二者共享常见的影像模态和解剖背景，因此可以学习到可迁移的低层和中层特征表示3。先前研究表明，在数据受限的情况下，此类跨肿瘤预训练能够提升模型性能23。尽管已有上述进展，但在真实多中心条件下联邦学习在脑膜瘤分割任务中的表现仍不明确，且尚不清楚当各机构本地数据有限时，胶质瘤预训练是否能够改善联邦训练效果。联邦学习单独使用与基于胶质瘤预训练的联邦学习之间的相对优势，尚未在外部临床验证场景下得到评估。

为解决这一问题，本研究使用来自SPHS的独立外部队列进行了一项受控比较。具体而言，我们探讨了三个问题：（i）在基准数据和外部临床数据上训练的模型之间，跨中心泛化差距的程度；（ii）在本地数据有限的情况下，联邦学习（FL）是否能够缩小这一差距；（iii）胶质瘤预训练的联邦学习（胶质瘤 -> 脑膜瘤）是否相较于集中式训练和标准联邦学习方法能带来额外的性能提升。

访问受限。请登录或开始试用以查看此内容。

方案

本研究为回顾性临床研究。研究方案经中国深圳第二人民医院伦理委员会审查并批准，同意收集和使用SPHS临床数据集，批准文号为20190910。在纳入本研究前，已从SPHS队列中的所有患者处获得书面知情同意。

患者数据

本研究使用了三个数据集：BraTS2023-Men、BraTS2023-Gli 和一个来自 SPHS 的外部临床队列（SPHS-Men）。它们的特征总结如下。

BraTS2023-Men

BraTS2023-Men 是 BraTS 2023 基准测试中的脑膜瘤赛道24，25。本研究使用了 450 例 BraTS2023-Men 病例作为模型开发和内部评估的源队列。所有图像均经过统一预处理，包括去颅骨、多模态间的共配准，以及各向同性重采样至 1×1×1 mm3。每例病例包含四种 MRI 序列（T1、T1c、T2、FLAIR），并提供三种类别的体素级标注：非强化肿瘤核心（标签 1）、瘤周水肿（标签 2）和强化肿瘤（标签 3）。为与本研究采用的临床肿瘤定义保持一致，将标签 1 和标签 3 合并为单一的肿瘤类别，排除标签 2（水肿），从而形成二分类分割目标。

BraTS2023-Gli

BraTS2023-Gli 是 BraTS 基准中的胶质瘤任务分支，继承了既有的 BraTS 多模态 MRI 规范及标注框架7,24,26,27。本研究使用 450 例 BraTS2023-Gli 病例对胶质瘤进行集中式训练，以获得用于胶质瘤预训练联邦学习（FL）的源模型，并采用与后续脑膜瘤任务相同的二分类肿瘤与背景区分建模方式。纳入该队列的目的并非增加相对于 BraTS2023-Men 的样本量，而是检验与任务相关的脑肿瘤源域是否能为后续的联邦自适应提供更具迁移性的初始化参数。

SPHS-Men

SPHS-Men 是一个外部临床数据集，采集自中国深圳第二人民医院，并已获得机构审查委员会的批准。共有 174 例病例被纳入用于外部评估。与 BraTS 不同，这些数据采用常规临床方案获取，未进行标准化预处理，导致体素间距、层厚、视野以及依赖扫描仪的重建参数存在差异。原始标注包含两个标签：肿瘤实体和水肿/肿瘤周围改变。为了与本研究中基于 BraTS 的肿瘤定义保持一致，仅保留肿瘤实体，排除水肿区域。所有 SPHS 病例在外部评估前均按照磁共振成像采集与预处理部分所述的方法，通过一种以数据协调为导向的流程进行了处理。预处理后，空间坐标 r 处的每个体素由三个通道的输入表示，分别为 T1c、T1n 和 T2 的信号强度，
静力平衡方程中的矩阵表示；系统分析用 X(r) 向量公式。

分割任务被定义为二分类 Y(r) ∈ 0,1，用于区分肿瘤与背景。不同数据集的代表性示例及其定性差异如图1所示。

脑部MRI分析；显示肿瘤分割掩膜和MRI序列t1、t1c、t2的示意图。
图1．跨数据集代表性对比。 上排：SPHS-Men；中排：BraTS2023-Men；下排：BraTS2023-Gli。各列分别为肿瘤掩膜、T1、T1c 和 T2。病灶大小、强化模式及边界定义的定性差异反映了本研究中所遇到的复合性成像与标注变化。请点击此处查看该图的放大版本。

MRI 数据采集与预处理

所有 BraTS 数据均已应用标准化预处理，包括去颅骨、配准和各向同性重采样。对于 SPHS 队列，原始 DICOM 图像首先被转换为 NIfTI 格式28。随后，多模态图像通过基于互信息的对齐方法刚性配准至原生 T1 空间29。由于去颅骨是脑部 MRI 分割必要的预处理步骤，因此在模型训练前明确执行了脑组织提取。具体而言，使用 DeepBet 对 T1 加权图像生成脑掩膜30，并将生成的掩膜传播至配准后的 T1c 和 T2 体积数据，以在所有模态中一致地去除非脑组织。去颅骨后的图像随后被重采样至各向同性分辨率为 1 x 1 x 1 mm3。最后，通过形态学闭运算和开运算优化二值肿瘤掩膜，以抑制重采样过程中引入的插值伪影。这些数据协调步骤旨在提高跨数据集外部测试时输入的一致性，但并不旨在消除 SPHS 队列内在的扫描仪、扫描协议或标注层面的差异。

研究设计

模型架构

如图2所示，UMamba 2D 架构将残差卷积神经网络模块与 Mamba 选择性状态空间模型（SSM）模块相结合12,31。这种混合设计能够通过卷积提取局部纹理特征，同时通过 SSM 提取长距离全局结构上下文，且计算成本相对于空间位置数量呈线性增长。

神经网络架构示意图；U-Mamba、残差块、跳跃连接方法。
图 2．UMamba 2D 架构。 编码器结合了残差卷积模块，用于局部纹理和边界特征提取，以及 Mamba 选择性状态空间模型（SSM）模块，用于长距离上下文建模。这些组件通过跳跃连接与转置卷积解码器相连。网络输入为包含 T1、T1c 和 T2 模态的三通道多模态 MRI 切片。请点击此处查看该图的放大版本。

编码器

具有 C = 3 个输入通道的多模态 MRI 切片由一个分层编码器进行处理。在每一阶段 s ∈ 1,…, S 中，输入特征图首先通过一个残差卷积模块处理，以提取局部空间模式。随后，该特征图被展平为一维序列，并由选择性 SSM 模块处理，以捕获长距离上下文依赖关系。空间下采样通过步长为 2 的卷积实现，逐步生成分层特征表示 F_s ∈ R^C_s × H/2^s × W/2^s，其通道维度 C_s 依次增加，分别为 32、64、128、256、512。

Mamba 选择性 SSM

选择性SSM作用于一维序列x ∈ R^L × d。由于在将二维特征图进行标准的一维展平时会破坏空间邻接性，因此采用多方向扫描策略：沿四个方向（行正向、行反向、列正向和列反向）扫描特征图，以在行和列两个方向上保留空间上下文信息。连续时间SSM定义为：
线性系统方程；h(t)=Ah(t)+B(t)x(t)；数学表达式；动态系统分析。    

线性系统方程，y(t)=C(t)h(t)，用于信号处理或卷积分析的示意图。

其中 A ∈ R^N × N 表示通过 HiPPO（隐式多项式投影算子，Hidden Polynomial Projection Operator）框架初始化的可学习状态转移矩阵31。投影矩阵 B(t) 和 C(t) 依赖于输入，建立了一种选择性机制，使模型能够动态过滤无关的标记并保留重要的上下文信息。该连续系统通过零阶保持（zero-order hold, ZOH）变换，以时间步长 Δ 进行离散化：

静力平衡方程示意图；概念 ΣFx=0；展示平衡分析公式。

静态平衡公式，B̅=ΔA⁻¹(e^(ΔA)-I)B，方程图表，数学分析。

数学方程，控制过程公式，动态系统分析，其中 h_k=Aḣ_{k-1}+Ḃ(x_k)x_k。

说明信号处理模型的公式 \(y_k = C(x_k)h_k\)。

在每个离散步骤 k 中，参数 B、C 和 Δ 被计算为输入标记 xk 的线性投影，从而实现依赖于输入的特征传播。HiPPO 初始化确保特征值满足 |λj(barA)| < 1，从而使隐藏状态表示 ‖hk‖ 在任意长的空间序列上保持有界。

解码器与跳跃连接

解码器从编码表示中重建原始的空间分辨率。在每个阶段，转置卷积对低分辨率特征图进行上采样。跳跃连接将多尺度编码器特征 F_s 与对应的上采样解码器特征进行拼接，保留了对精确的体素级肿瘤勾画至关重要的高频边界信息。

训练损失

模型优化由一个复合损失函数指导：
统计分析中的熵损失方程；带正则化项的似然函数。

其中，p_θ(r) ∈ [0,1] 表示体素 r 处预测的肿瘤概率，Y(r) 为对应的二值真实标签，λ = 1.0 用于平衡两项。Dice 损失函数直接优化目标评估指标，并解决了脑膜瘤分割中固有的极端前景-背景不平衡问题，在该问题中，肿瘤体素通常仅占全颅内总体积的不到 0.5%。二值交叉熵（BCE）项提供逐体素的监督信号，从而在此类不平衡条件下稳定训练过程。

训练配置

所有分割模型均采用 AdamW 进行优化，初始学习率为 η₀ = 3 × 10⁻4，使用余弦退火调度策略，权重衰减为 5 × 10⁻4。集中式基线模型在包含 450 例病例的 BraTS2023 队列上训练 200 个周期，批量大小为 16。为避免在联邦学习设置中产生歧义，本文通篇使用以下术语：一个通信轮次（communication round）指一次完整的联邦学习循环，包括服务器广播、客户端本地优化以及服务器端聚合；一个小批量迭代（mini-batch iteration）指对一个小型批次数据进行一次参数更新；每个客户端在每一轮中执行的本地优化包含 250 次小批量迭代。换句话说，每个客户端每轮执行一个本地训练阶段，该本地阶段包含 250 次参数更新迭代。因此，本研究中提到的术语“轮次”（r = 3）仅指联邦学习中的通信轮次，而非在整个集中式数据集上的训练周期。所有训练配置均统一应用了在线数据增强流程，包括随机水平和垂直翻转（每轴概率 p=0.5）、随机平面内旋转（±15°）、随机强度缩放（缩放因子从 [0.85, 1.15] 中均匀采样）以及加性高斯噪声（σ ∼ U[0, 0.05]，按每个二维切片单独计算）。在推理和验证过程中禁用所有数据增强。该框架基于 PyTorch 2.0.1 实现，使用 MONAI 1.3 进行数据加载，所有计算均在 NVIDIA GeForce RTX 3090（24 GB GDDR6X）图形处理器（GPU）上完成。为确保可重复性，所有实验策略中 PyTorch、NumPy 和 Python 随机模块的随机种子均设置为相同的固定值。

实验策略

比较了三种主要的训练策略，以评估跨中心泛化能力（图3）。脑膜瘤预训练联邦学习（meningioma-pretrained FL）和胶质瘤预训练联邦学习（Glioma-pretrained FL）是本文中引入的描述性名称，用于区分联邦自适应前初始全局模型的来源。

联邦学习过程示意图，展示本地模型更新与全局模型整合。
图 3．实验设计概览。（A）使用 450 例 BraTS2023-Men 数据进行集中式训练，随后在中国台湾 SPHS 数据集上进行外部评估。（B）在三个模拟客户端上进行脑膜瘤预训练的联邦学习。（C）基于集中式胶质瘤模型初始化的胶质瘤预训练联邦学习，随后进行联邦自适应。 请点击此处查看该图的放大版本。

策略1（集中式训练）

在一个 UMamba 2D 模型上训练了全部 450 例 BraTS2023-Men 数据。该策略代表了域内性能的上限，并作为评估跨中心性能下降的基线。

策略 2（基于 MEN 结构域初始化的 FL）

450 例 BraTS2023-Men 病例被随机分配至三个客户端（|Di| = 150），以实现均等划分。因此，这三个 BraTS2023-Men 客户端均模拟自同一公开队列，而非基于机构特定的元数据或扫描仪来源标签构建。为了启动脑膜瘤领域的联邦训练，初始全局模型首先在一个固定的 BraTS2023-Men 客户端划分（在本实现中为客户端 1）上进行训练，然后用于启动联邦流程。该种子客户端在所有实验中保持不变，以确保可重复性，应将其理解为领域内的预热启动，而非经过优化或具有特权的源客户端。由于这三个客户端是通过对同一 BraTS2023-Men 队列进行划分而模拟生成的，因此该初始化选择反映的是一种实现层面的起点，而非生物学上不同的机构先验。此设计的目的并非严格复现真实多机构启动流程，而是为了在利用全部可用脑膜瘤数据进行集中式训练与从部分脑膜瘤预训练联邦学习（FL）启动的联邦协作之间提供受控比较。全局联邦优化目标定义为：
用于机器学习模型加权的优化方程 Σ|Di|/Σ|Dj|E(x,y)。

其中，Di 表示客户端 i 的本地训练集，ell 为 Dice 与交叉熵损失之和。在第 1 轮通信中，聚合权重与样本数量成正比（wi(1) = 1/3）。为了在后续通信轮次中降低表现较差客户端的权重，第 2 轮和第 3 轮采用了基于验证集 Dice 系数加权的聚合方式：
参数估计公式；求和公式；统计方法；数学分析。
其中，DSCi(r) 表示在第 r 轮通信的本地训练后，客户端 i 在其本地验证集分区上的病例平均 DSC，ε = 10⁻6 是一个用于防止除零的小常数。

策略3（采用胶质瘤预训练初始化的联邦学习）

为了获得与任务相关的跨域预训练模型，首先使用450例BraTS2023-Gli胶质瘤病例进行集中训练，所采用的三种MRI模态（T1、T1c和T2）以及二分类肿瘤与背景的建模范式均与脑膜瘤实验中的一致。

具体而言，通过将非强化肿瘤核心和强化肿瘤合并为单一前景类别，并排除瘤周水肿，对胶质瘤标签进行了标准化处理，从而使源任务与目标任务共享相同的二分类输出定义。由于源任务和目标任务均被构型为二分类分割任务，预训练权重被直接迁移以初始化完整的 UMamba 2D 模型（包括分割头），而非丢弃并重新初始化最终层。随后采用相同的 FedAvg 协议，以胶质瘤数据上集中式训练收敛后的模型权重（θ⁽°⁾ = θ_Gli^*）作为初始全局模型。后续的联邦自适应过程由以下公式给出：
角度公式：θ(TL+FL) = θ*(Gli) + Δθ(r)；数学公式。

其中 Δθ(r) 表示在 r 轮通信中累积的特定领域参数更新。该策略用于检验基于胶质瘤预训练的联邦学习源模型是否能为脑膜瘤客户端上的联邦自适应提供更优的起点。

评估指标

所有策略均在 SPHS 队列上采用按病例平均的协议进行评估。每个病例的 DSC 和 IoU 被独立计算，然后取平均值，从而确保所有受试者在统计上具有相等的权重，而不受肿瘤体积的影响：
Dice 相似性系数公式，Σ DSC 计算公式，用于统计分析。
 交并比（IoU）公式；用于图像分割准确性的数学方程。

还报告了按病例平均的误差构成——即每个病例的平均真阳性（TP）、假阳性（FP）、假阴性（FN）和真阴性（TN）体素数量。该细分可区分过度分割与分割不足的误差，有助于揭示误差的方向性模式。

访问受限。请登录或开始试用以查看此内容。

结果

集中式 UMamba 2D 模型（策略 1）在 BraTS2023-Men 内部测试集上表现出具有竞争力的域内性能，病例平均 DSC 为 0.8958，IoU 为 0.8356，FN 为 1,902，FP 为 667，TN 为 8,902,814，TP 为 22,616。在 SPHS 外部验证队列上评估时，该集中式模型的 DSC 为 0.7452 ± 0.1992，IoU 为 0.6241 ± 0.1941，对应的跨中心泛化差距为 ΔDSC = 0.1506（表 1，ID 1）。作为另一种自配置基线模型，nnUNet-v2 在相同的 SPHS 外部验证队列上未采用联邦学习或胶质瘤预训练，其 DSC 达到 0.7381 ± 0.1931，IoU 为 0.6142 ± 0.1897。

误差组成（表1，ID 1）显示主要为欠分割模式，每例平均假阴性（FN）为14,873个体素，而平均假阳性（FP）为2,644个，表明在外部采集条件下，该集中式模型识别出了肿瘤主体区域，但遗漏了周边及低对比度的边界成分。

访问受限。请登录或开始试用以查看此内容。

讨论

本研究的核心发现是，在解决隐私保护性脑膜瘤分割任务中的跨中心泛化差距方面，初始化质量——而非联邦聚合协议本身——是决定性因素。尽管集中式 UMamba 2D 模型在 BraTS2023-Men 队列上表现出较强的域内性能（DSC = 0.8958），但在独立的 SPHS 临床数据集上评估时，其性能显著下降（Δ DSC = 0.1506）。这一性能下降凸显了在精心策划的基准数据集上训练的模型对复合域偏移的脆弱性，这种偏移既包括成像层面的差异（例如扫描仪硬件、体素间距和重建协议），也包括由于不同机构在定义肿瘤边界和硬脑膜尾部时采用不同规范而引起的标签偏移。该集中式模型在 SPHS 队列上的错误模式明显偏向于欠分割（FN = 14,873 对比 FP = 2,644），表明模型过度拟合了 BraTS 特定的数据分布，保守地排除了在常规临床扫描中表现不同的周边区域或低对比度肿瘤成分。

我们的受控比较表明，从域内预热启动开始的标准联邦自适应方法不足以克服这一泛化差距。基于脑膜瘤预训练的联邦学习（FL）所获得的外部 Dice 相似系数（DSC）为 0.7122，低于集中式基线模型，且...

访问受限。请登录或开始试用以查看此内容。

披露

作者声明无利益冲突。

致谢

本工作得到国家自然科学基金（项目编号 12405382）、深圳市科技创新委员会（项目编号 JCYJ20220530143602006）、深圳市基础研究计划（自然科学基金）（项目编号 JCYJ20220530150416036）以及内蒙古自治区科学技术厅社会公益项目（项目编号 2026YFSH0155）的资助。

访问受限。请登录或开始试用以查看此内容。

材料

本文使用的材料清单
姓名公司目录编号评论
BraTS2023-Gli 数据集ASNR-MICCAI BraTS 挑战赛 / Synapse（Sage Bionetworks）N/A用于胶质瘤预训练初始化的公开胶质瘤 MRI 数据集。本研究中使用了 450 例病例，采用二分类肿瘤与背景的设定。https://www.synapse.org/Synapse:syn51156910/wiki/622351
BraTS2023-Men 数据集ASNR-MICCAI BraTS 挑战赛 / Synapse（Sage Bionetworks）N/A公开的脑膜瘤 MRI 数据集，作为模型开发和内部评估的源队列。本研究中使用了 450 例病例。https://arxiv.org/abs/2305.07642
DeepBetFisch 等人开发的学术软件N/A应用于 T1 加权图像的脑提取工具，用于为 SPHS 队列生成脑掩膜。https://arxiv.org/abs/2308.07003
MONAIProject MONAI版本 1.3用于数据加载和深度学习工作流实现的医学影像人工智能框架。https://docs.nvidia.com/monai/index.html
NVIDIA GeForce RTX 3090 GPUNVIDIAGeForce RTX 3090配备 24 GB GDDR6X 显存的图形处理器，用于模型训练和计算。https://www.nvidia.com/en-me/geforce/graphics-cards/30-series/rtx-3090-3090ti/
PyTorchPyTorch 基金会，Linux 基金会版本 2.0.1用于实现和训练 UMamba 2D 分割模型的深度学习框架。https://pytorch.org/foundation/
PythonPython 软件基金会版本 3.10用于模型训练、预处理、评估和统计分析的编程环境。如知晓确切版本，请替换此处。https://www.python.org/psf-landing/
SPHS-Men 临床队列深圳市第二人民’s 医院N/A用于独立评估的外部临床多模态 MRI 队列。共纳入 174 例病例。
UMamba 2D 模型实现Bowang-lab / U-Mamba 作者U-Mamba 2D 配置基于状态空间模型的分割架构，用于二分类脑膜瘤分割。https://u-mamba.github.io/

参考文献

  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).

访问受限。请登录或开始试用以查看此内容。

重印与许可

申请许可以重复使用本 JoVE 文章的文本或图表

申请许可

标签

233 233 UMamba

相关文章