Artículo de investigación

Mejorando la generalización intercentral para la segmentación multimodal de meningiomas por resonancia magnética mediante aprendizaje federado preentrenado por glioma

55 vistas

⸱

DOI:

10.3791/72164

⸱

24 de julio de 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

En este artículo

Resumen

Este estudio investiga el impacto del aprendizaje federado preentrenado con glioma en la generalización externa en la segmentación de meningiomas por resonancia magnética multimodal

Resumen

La segmentación automática de meningiomas en la resonancia magnética multimodal sigue siendo un reto cuando los modelos se transfieren entre instituciones, porque los protocolos del escáner, las características de imagen y los estilos de anotación pueden diferir entre centros. El aprendizaje federado (FL) proporciona una estrategia que preserva la privacidad para el desarrollo de modelos multicéntricos, pero la agregación estándar puede no superar completamente el desplazamiento de dominio entre centros. Este estudio tuvo como objetivo cuantificar la brecha de generalización externa en la segmentación del meningioma por resonancia magnética y evaluar si la FL preentrenada con glioma podría mejorar la robustez sin una agrupación centralizada de datos. Se utilizó una arquitectura 2D UMamba para la segmentación binaria de meningiomas utilizando la resonancia magnética T1, T1c y T2 como entradas de modelo. El protocolo incluyó 450 casos BraTS2023-Men como conjunto de datos de meningiomas en el dominio fuente y 174 casos clínicos independientes de nuestro instituto como cohorte externa de validación. Se evaluaron cuantitativamente tres estrategias finales de segmentación de meningiomas bajo el mismo entorno de validación externa: entrenamiento centralizado en BraTS2023-Men, FL preentrenada con meningioma en tres clientes simulados, y FL preentrenada con glioma inicializada desde un modelo fuente BraTS2023-Gli antes de la optimización federada. El entrenamiento centralizado en Glioma se utilizó únicamente para generar la inicialización preentrenada por glioma y no se informó como una estrategia de segmentación final del meningioma evaluada de forma independiente. El rendimiento del modelo se evaluó utilizando el coeficiente de similitud (DSC) de Dice y la Intersección sobre Unión (IoU). La formación centralizada en BraTS2023-Men mostró una clara caída de generalización externa, con la disminución del DSC desde 0,8958 en la prueba interna BraTS2023-Men establecida a 0,7452 en la cohorte SPHS. La FL preentrenada con meningioma ofreció un rendimiento externo menor (DSC = 0,7122), mientras que la FL preentrenada con glioma logró un rendimiento comparable al entrenamiento centralizado en BraTS2023-Men y mejoró respecto a la FL preentrenada con meningioma (DSC = 0,7503; IoU = 0,6301; Ajustado por Holm, p < 0,001). Estos resultados sugieren que la inicialización preentrenada con glioma proporciona un punto de partida más sólido para la segmentación federada de meningiomas y puede mejorar la generalización externa mientras preserva la privacidad institucional de los datos.

Introducción

Los meningiomas son la neoplasia intracraneal primaria más prevalente en adultos, representando aproximadamente el 38% de todos los tumores primarios del cerebro y del sistema nervioso central en EstadosUnidos. Procedentes de células meningoteliales (capucha aracnoidea), abarcan los grados I a III de la Organización Mundial de la Salud (OMS), abarcando un amplio espectro clínico: los tumores de grado I (aproximadamente el 80%) suelen asociarse con resultados favorables tras la resección total macroscópica, mientras que las lesiones de grado II (atípicas) y III (anaplásicas) presentan tasas de recurrencia sustancialmente mayores del 20–40% y superan el 70% a los diez años, respectivamente2. 3. La toma de decisiones clínicas —incluyendo la resección microquirúrgica, la radiocirugía estereotáctica (SRS), la radioterapia fraccionada y la vigilancia activa— depende de una delimitación volumétrica precisa y reproducible de la extensión tumoral a través de estudios longitudinales de imagen. Por tanto, una segmentación robusta de meningiomas a partir de la resonancia magnética (RM) es un requisito previo para una planificación coherente del tratamiento y la evaluación de resultados.

La resonancia magnética multisecuencia constituye la base de la caracterización de meningiomas en la práctica clínica rutinaria, con cada secuencia codificando aspectos complementarios de la biología tumoral y la respuesta tisular circundante. La imagen ponderada T1 (T1c) con contraste destaca regiones de alteración de la barrera hematoencefálica mediante el acortamiento de la relajación T₁ inducida por gadolinio, permitiendo una visualización clara del parénquima tumoral que mejora y la definición del límite primario de la lesión. La imagen ponderada T1 (T1) sin contraste proporciona contexto estructural para evaluar la interfaz aracnoidea, la inserción dural y la afectación ósea adyacente. La imagen ponderada en T2 (T2) captura la heterogeneidad intratumoral y el edema peritumoral, ambos esenciales para comprender el efecto de masa y para delimitar los volúmenes de tratamiento en la planificaciónradioquirúrgica 3,4. El contorneado manual sigue siendo el enfoque estándar para la delimitación de meningiomas. Durante este proceso, los clínicos suelen considerar información complementaria de contraste entre múltiples secuencias de resonancia magnética para definir la extensión tumoral. Sin embargo, este procedimiento es laborioso y está asociado a una variabilidad significativa entre observadores, especialmente en regiones anatómicamente ambiguas como la cola dural, donde las métricas de concordancia reportadas caen por debajo de 0,80 5,6. Estas limitaciones motivan el desarrollo de enfoques automatizados de segmentación que ofrecen un rendimiento consistente y escalable.

El aprendizaje profundo ha avanzado sustancialmente la segmentación de imágenes médicas, apoyada por conjuntos de datos de referencia como BraTS7 y por la aparición de múltiples paradigmas arquitectónicos, incluyendo modelos convolucionales comoU-Net 8 y nnU-Net9, modelos basados en transformadores como UNETR y Swin-UNETR10,11, y enfoques basados en modelos de espacio de estados (SSM) como UMamba12. Trabajos recientes han explorado además redes Swin Transformer guiadas por la atención explicables y diseños global-locales de Transformers de Visión/espacio de estados axiales para segmentación 3D de tumorescerebrales 13,14, destacando el desarrollo continuo de pipelines de segmentación basadas en espacios de transformadores y estados. A pesar de un buen desempeño en los benchmarks, los estudios específicos sobre meningiomas han estado históricamente limitados por tamaños de cohorte relativamente pequeños (típicamente 50–200 casos)15,16. La publicación del conjunto de datos de meningiomas BraTS2023 17, con más de 1.000 casos, alivia parcialmente esta limitación; sin embargo, la mayoría de los modelos siguen entrenados y evaluados dentro de conjuntos de datos curados, y su rendimiento suele degradarse cuando se aplican a datos clínicosindependientes 18. Esto pone de manifiesto un problema fundamental: lograr una generalización robusta entre centros requiere exposición a datos diversos y multicéntricos.

En la práctica, agregar conjuntos de datos multicéntricos a gran escala está limitado por regulaciones de privacidad de datos y políticas institucionales, lo que dificulta o inviable la formación centralizada. El aprendizaje federado (FL) aborda esta limitación permitiendo el entrenamiento colaborativo de modelos sin compartir datos en bruto, donde cada institución entrena localmente y contribuye con actualizaciones de modelos a un modelo global mediante agregación, como en el Promediado Federado (FedAvg)19. Trabajos relacionados también han extendido la preservación de la privacidad de FL al modelado de la intención humana en parálisis cerebral pediátrica utilizando realidadextendida 20, y se ha propuesto aprendizaje profundo ligero con visualización de realidad virtual para la segmentación de tumores offline en entornosrurales 21, reflejando la necesidad más amplia de flujos de trabajo médicos de IA desplegables y respetuosos de la privacidad. Aunque FL proporciona un marco práctico para el aprendizaje multicéntrico, introduce un nuevo desafío: cada sitio participante suele tener un conjunto de datos local limitado, y un entrenamiento local independiente antes de la agregación puede conducir a actualizaciones locales subóptimas y a un rendimiento global degradado, especialmente cuando las distribuciones locales de datos divergen, un problema conocido como deriva del cliente22. Una estrategia complementaria natural es inicializar el modelo utilizando el conocimiento adquirido de un conjunto de datos fuenterelacionado 23. En la imagen de tumores cerebrales, el glioma representa una tarea fuente estrechamente relacionada con características de imagen parcialmente compartidas y características tumor-contexto, lo que lo convierte en un dominio fuente práctico para el preentrenamiento. Aunque los meningiomas y gliomas difieren en características biológicas y apariencia de imagen, comparten modalidades de imagen comunes y contexto anatómico, lo que permite aprender representaciones transferibles de nivel bajo ymedio 3. Trabajos previos han demostrado que este tipo de preentrenamiento cruzado puede mejorar el rendimiento en entornos con datoslimitados 23. A pesar de estos avances, sigue sin estar claro cómo se comporta FL para la segmentación del meningioma bajo condiciones realistas multicéntricas, ni si el preentrenamiento de glioma puede mejorar el entrenamiento federado cuando cada sitio tiene datos limitados. Los beneficios relativos de la FL sola frente a la FL preentrenada con glioma no han sido evaluados bajo validación clínica externa.

Para abordar esta carencia, este estudio realiza una comparación controlada utilizando una cohorte externa independiente de SPHS. Específicamente, investigamos tres preguntas: (i) la magnitud de la brecha de generalización entre los modelos entrenados con datos de referencia y datos clínicos externos; (ii) si FL puede reducir esta brecha bajo condiciones locales limitadas de datos; y (iii) si la LA preentrenada con glioma (glioma -> meningioma) proporciona mejoras adicionales en el rendimiento respecto tanto al entrenamiento centralizado como al enfoque federado estándar.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Protocolo

Este estudio fue un estudio clínico retrospectivo. El protocolo del estudio fue revisado y aprobado por el Comité de Ética del Segundo Hospital Popular de Shenzhen para la recopilación y uso del conjunto de datos clínicos SPHS, con el número de aprobación 20190910. Se obtuvo el consentimiento informado por escrito de todos los pacientes incluidos en la cohorte SPHS antes de la inscripción en este estudio.

Datos de pacientes

Este estudio utilizó tres conjuntos de datos: BraTS2023-Men, BraTS2023-Gli, y una cohorte clínica externa de SPHS (SPHS-Men). Sus características se resumen a continuación.

BraTS2023-Hombres

BraTS2023-Men es la pista de meningiomas del índice de referencia BraTS2023 24,25. Para este estudio, se utilizaron 450 casos de BraTS2023-Men como cohorte fuente para el desarrollo del modelo y la evaluación interna. Todas las imágenes se preprocesaron de forma uniforme, incluyendo el desnudo del cráneo, el co-registro entre modalidades y el remuestreo isotrópico a 1×1×1 mm3. Cada caso contiene cuatro secuencias de resonancia magnética (T1, T1c, T2, FLAIR) con anotaciones voxel en tres categorías: núcleo tumoral no realzante (etiqueta 1), edema peritumoral (etiqueta 2) y tumor realzante (etiqueta 3). Para coherencia con la definición clínica de tumor utilizada en este estudio, las etiquetas 1 y 3 se fusionaron en una sola clase tumoral, y se excluyó la etiqueta 2 (edema), resultando en un objetivo de segmentación binaria.

BraTS2023-Gli

BraTS2023-Gli es la pista de gliomas del benchmark BraTS y hereda las convenciones y el marco de anotación multimodal establecido de BraTS 7,24,26,27. En este estudio, se realizó un entrenamiento centralizado en el glioma utilizando 450 casos de BraTS2023-Gli para proporcionar un modelo fuente para la lengua fl preentrenada por glioma, utilizando la misma formulación binaria tumor-versus-fondo que se usó posteriormente para la tarea del meningioma. El objetivo de incluir esta cohorte no era aumentar el tamaño de la muestra en relación con BraTS2023-Men, sino probar si un dominio fuente de tumor cerebral relacionado con la tarea podía proporcionar una inicialización más transferible para la adaptación federada posterior.

SPHS-Men

SPHS-Men es un conjunto de datos clínico externo recopilado del Segundo Hospital Popular de Shenzhen bajo la aprobación del comité de revisión institucional. Se incluyeron un total de 174 casos para evaluación externa. A diferencia de BraTS, los datos se adquirieron utilizando protocolos clínicos rutinarios sin preprocesamiento estandarizado, lo que llevó a variabilidad en el espaciado vóxel, el grosor de la corte, el campo de visión y los parámetros de reconstrucción dependientes del escáner. Las anotaciones se proporcionaban originalmente con dos etiquetas: masa tumoral y edema/cambio peritumoral. Para alinearse con la definición de tumor derivado de BraTS utilizada en este estudio, solo se retuvo la masa tumoral y se excluyó el edema. Todos los casos de SPHS se procesaron posteriormente utilizando una tubería orientada a la armonización antes de la evaluación externa, como se describe en la adquisición y preprocesamiento de la resonancia magnética. Tras el preprocesamiento, cada vóxel en la coordenada espacial r se representa mediante una entrada de tres canales que consiste en las intensidades T1c, T1n y T2,
figure-protocol-1

y la tarea de segmentación se define como clasificación binaria Y(r) ∈ 0,1 que indica tumor frente a fondo. En la Figura 1 se muestran ejemplos representativos y diferencias cualitativas entre conjuntos de datos.

figure-protocol-2
Figura 1. Comparación representativa entre conjuntos de datos. Fila superior: SPHS-Hombres; centro: BraTS2023-Hombres; abajo: BraTS2023-Gli. Las columnas muestran la máscara tumoral, T1, T1c y T2. Las diferencias cualitativas en el tamaño de la lesión, el patrón de realce y la definición de límites reflejan los desplazamientos compuestos de imagen y anotación encontrados en este estudio. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Adquisición y preprocesamiento de la resonancia magnética

Todos los datos de BraTS se distribuyeron con preprocesamiento estandarizado ya aplicado, incluyendo desmontaje del cráneo, co-registro y remuestreo isotrópico. Para la cohorte SPHS, las imágenes DICOM en bruto se convirtieron primero al formatoNIfTI 28. Las imágenes multimodales se registraron rígidamente en el espacio nativo T1 usando el alineamiento basado en informaciónmutua 29. Dado que el desmontaje del cráneo es un paso previo necesario para la segmentación de la resonancia magnética cerebral, la extracción cerebral se realizó explícitamente antes del entrenamiento del modelo. Específicamente, DeepBet se aplicó a la imagen ponderada en T1 para generar una máscara cerebral30, y la máscara resultante se propagó a los volúmenes T1c y T2 co-registrados para eliminar tejido no cerebral de forma consistente en todas las modalidades. Las imágenes despojadas del cráneo fueron posteriormente remuestreadas a una resolución isotrópica de 1 x 1 x 1 mm3. Finalmente, las máscaras tumorales binarias se refinaron mediante operaciones morfológicas de cierre y apertura para suprimir artefactos de interpolación introducidos durante el remuestreo. Estos pasos de armonización se utilizaron para mejorar la consistencia de entrada entre conjuntos de datos para pruebas externas, pero no tenían la intención de eliminar las diferencias subyacentes a nivel de escáner, protocolo o anotación intrínsecas a la cohorte SPHS.

Diseño del estudio

Arquitectura del modelo

Como se muestra en la Figura 2, la arquitectura 2D de UMamba integra módulos de redes neuronales convolucionales residuales con los bloques12,31 del modelo de espacio de estados selectivo (SSM) Mamba. Este diseño híbrido permite la extracción simultánea de características de texturas locales mediante convoluciones y el contexto estructural global a largo alcance mediante SSMs, con un coste computacional lineal respecto al número de posiciones espaciales.

figure-protocol-3
Figura 2. La arquitectura 2D de UMamba. El codificador integra bloques convolucionales residuales para la extracción local de texturas y rasgos de frontera con módulos selectivos SSM Mamba para modelado de contexto a largo plazo. Estos componentes se conectan mediante conexiones de salto a un decodificador de convolución transpuesta. La entrada de red consiste en una resonancia magnética multimodal de tres canales que comprende las modalidades T1, T1c y T2. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Codificador

Las rebanadas de resonancia magnética multimodales con canales de entrada C = 3 son procesadas por un codificador jerárquico. En cada etapa s ∈ 1,..., S, el mapa de características de entrada es procesado primero por un bloque convolucional residual para extraer patrones espaciales localizados. El mapa de características se aplana entonces en una secuencia unidimensional y es procesado por un módulo selectivo de SSM para capturar dependencias contextuales a largo plazo. El muestreo espacial se realiza mediante convoluciones de paso 2, generando progresivamente representaciones jerárquicas de características F_s ∈ R^C_s × H/2^s × W/2^s con dimensiones crecientes del canal C_s ∈ 32, 64, 128, 256, 512.

MSM selectivo Mamba

La SSM selectiva opera sobre una secuencia unidimensional x ∈ R^L × d. Dado que la adyacencia espacial se ve interrumpida durante el aplanamiento estándar unidimensional de mapas de características bidimensionales, se utiliza una estrategia de escaneo multidireccional: los mapas de características se escanean en cuatro direcciones (fila hacia adelante, fila hacia atrás, columna hacia adelante y columna hacia atrás) para preservar el contexto espacial tanto en las direcciones de fila como de columna. El SSM en tiempo continuo se define como:
figure-protocol-4    

figure-protocol-5

donde A ∈ R^N × N denota la matriz de transición de estados aprendible inicializada mediante el marco HiPPO (Operador de Proyección de PolinomiosOcultos) 31. Las matrices de proyección B(t) y C(t) dependen de la entrada, estableciendo un mecanismo selectivo que permite al modelo filtrar dinámicamente tokens irrelevantes y conservar información contextual importante. El sistema continuo se discretiza usando un paso de tiempo Δ mediante una transformación de retención de orden cero (ZOH):

figure-protocol-6

figure-protocol-7

figure-protocol-8

figure-protocol-9

En cada paso discreto k, los parámetros B, C y Δ se calculan como proyecciones lineales del token de entrada xk, lo que permite la propagación de características dependientes de la entrada. La inicialización HiPPO asegura que los valores propios cumplan |λj(barA)| < 1, que mantiene las representaciones de estados ocultos ‖hk‖ acotadas a lo largo de secuencias espaciales arbitrariamente largas.

Decodificador y conexiones de salto

El decodificador reconstruye la resolución espacial original a partir de las representaciones codificadas. En cada etapa, las convoluciones transpuestas aumentan el muestreo de los mapas de características de menor resolución. Las conexiones de salto concatenan las características del codificador multiescala F_s con las correspondientes características del decodificador upmuestreado, preservando la información de límite de alta frecuencia esencial para una delineación tumoral precisa a nivel de vóxel.

Pérdida de entrenamiento

La optimización del modelo está guiada por una función de pérdida compuesta:
figure-protocol-10

donde p_θ(r) ∈ [0,1] es la probabilidad predicha de tumor en el vóxel r, Y(r) es la etiqueta binaria de verdad fundamental correspondiente, y λ = 1,0 equilibra ambos términos. La pérdida de dados optimiza directamente la métrica de evaluación del objetivo y aborda el desequilibrio extremo entre primer plano y fondo inherente a la segmentación del meningioma, donde los vóxeles tumorales suelen constituir menos del 0,5% del volumen intracraneal total. El término de entropía cruzada binaria (BCE) proporciona supervisión por vóxel, estabilizando el entrenamiento en este entorno desequilibrado.

Configuración de entrenamiento

Todos los modelos de segmentación se optimizaron usando AdamW con una tasa de aprendizaje inicial de η₀ = 3 × 10⁻4, un calendario de recocido coseno y una disminución de peso de 5 × 10⁻4. Los modelos de línea base centralizados se entrenaron durante 200 épocas en las cohortes BraTS2023 de 450 casos con un tamaño de lote de 16. Para evitar ambigüedades en el entorno federado, utilizamos la siguiente terminología a lo largo de este manuscrito: una ronda de comunicación denota un ciclo FL completo que consiste en difusión de servidores, optimización local de clientes y agregación de servidores; Una iteración en mini-lote indica una actualización de un parámetro en un mini-lote; y la optimización local realizada por cada cliente en una ronda consistía en 250 iteraciones mini-batch. En otras palabras, cada cliente realizaba una etapa de entrenamiento local por ronda, y esa etapa local contenía 250 iteraciones de actualización de parámetros. Así, el término 'ronda' (r = 3) en este estudio se refiere únicamente a la comunicación FL, no a una época que abarca todo el conjunto de datos centralizado. Se aplicó una canalización de aumento de datos en línea de forma uniforme en todas las configuraciones de entrenamiento, incluyendo inversiones aleatorias horizontales y verticales (p=0,5 por eje), rotación aleatoria en el plano (±15^circ), escalado aleatorio de intensidad (factor muestreado uniformemente a partir de [0,85, 1,15]) y ruido gaussiano aditivo (sigma ∼ U[0, 0,05]) calculado por corte bidimensional. Toda la mejora fue deshabilitada durante la inferencia y validación. El marco se implementó en PyTorch 2.0.1 con MONAI 1.3 para la carga de datos, y todos los cálculos se realizaban en unidades gráficas de procesamiento gráfico NVIDIA GeForce RTX 3090 (24 GB GDDR6X) (GPUs). La reproducibilidad se aseguró fijando todas las semillas aleatorias en PyTorch, NumPy y el módulo aleatorio de Python a valores idénticos para todas las estrategias.

Estrategias experimentales

Se compararon tres estrategias principales de entrenamiento para evaluar la generalización entre centros (Figura 3). Las etiquetas FL preentrenada con meningioma y FL preentrenada con glioma son nombres descriptivos introducidos en este manuscrito para distinguir la fuente del modelo global inicial antes de la adaptación federada.

figure-protocol-11
Figura 3. Visión general del diseño experimental. (A) Formación centralizada utilizando casos de 450 BraTS2023-Men seguida de una evaluación externa en SPHS. (B) Mujer FL preentrenada con meningioma en tres clientes simulados. (C) FL preentrenada con glioma inicializada a partir de un modelo centralizado de glioma antes de la adaptación federada. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Estrategia 1 (Formación centralizada)

Se entrenó un único modelo 2D de UMamba en los 450 casos BraTS2023-Men. Esta estrategia representa el límite superior del rendimiento dentro del dominio y sirve como base para evaluar la degradación cruzada.

Estrategia 2 (FL con inicialización de dominio MEN)

Los 450 casos de BraTS2023-Men se asignaron aleatoriamente a tres clientes (|Di| = 150) para la partición igual. Por tanto, los tres clientes BraTS2023-Men fueron simulados a partir de la misma cohorte pública en lugar de construirse usando metadatos específicos de la institución o etiquetas de origen de escáner. Para iniciar el entrenamiento federado en el dominio meningioma, el modelo global inicial se entrenó primero en una división fija de cliente BraTS2023-Men (cliente 1 en esta implementación) y luego se utilizó para iniciar el procedimiento federado. Este cliente semilla se mantuvo constante a través de los experimentos para la reproducibilidad y debe interpretarse como un inicio caliente dentro del dominio en lugar de un cliente fuente optimizado o privilegiado. Como los tres clientes se simularon particionando la misma cohorte BraTS2023-Men, esta elección de inicialización refleja un punto de partida a nivel de implementación en lugar de un prior institucional biológicamente distinto. El propósito de este diseño no era replicar estrictamente un proceso real de lanzamiento multiinstitucional, sino proporcionar una comparación controlada entre la formación centralizada en todos los datos MEN disponibles y la colaboración federada partiendo de una FL parcialmente preentrenada con meningioma. El objetivo global de optimización federada se define como:
figure-protocol-12

donde Di denota el conjunto de entrenamiento local de los clientes i, y ell es la pérdida de dados + entropía cruzada. En la ronda de comunicación 1, los pesos de agregación fueron proporcionales al recuento de muestras (wi(1) = 1/3). Para bajar el peso de los clientes con bajo rendimiento en rondas de comunicación posteriores, las rondas 2 y 3 utilizaron la agregación ponderada por dados de validación:
figure-protocol-13
donde DSCi(r) es el DSC promediado por caso en la partición de validación local del cliente i tras el entrenamiento local en la ronda de comunicación r, y ε = 10⁻6 es una pequeña constante para evitar la división por cero.

Estrategia 3 (FL con inicialización preentrenada en glioma)

Para obtener un inicio en caliente cruzado de dominio relacionado con la tarea, se realizó primero el entrenamiento centralizado en glioma utilizando 450 casos BraTS2023-Gli con las mismas tres modalidades de resonancia magnética (T1, T1c y T2) y la misma formulación binaria tumor contra fondo adoptada en los experimentos con meningioma.

Específicamente, las etiquetas de glioma se armonizaron combinando el núcleo tumoral no realzador y el tumor realzante en una única clase de primer plano, mientras que se excluyó el edema peritumoral, de modo que las tareas fuente y objetivo compartían la misma definición binaria de salida. Como tanto las tareas de origen como de destino se formularon como segmentación binaria, los pesos preentrenados se transfirieron directamente para inicializar el modelo 2D completo de UMamba, incluyendo la cabeza de segmentación, en lugar de descartar y reinicializar la capa final. Se aplicó entonces el mismo protocolo FedAvg, con el modelo global inicial inicializado mediante el entrenamiento centralizado convergente sobre pesos de glioma (θ⁽°⁾ = θ_Gli^*). La adaptación federada posterior se presenta por:
figure-protocol-14

donde Δθ(r) representa las actualizaciones acumuladas de parámetros específicos de dominio a lo largo de r rondas de comunicación. Esta estrategia prueba si un modelo fuente FL preentrenado con glioma proporciona un mejor punto de partida para la adaptación federada en clientes con meningiomas.

Métricas de evaluación

Todas las estrategias se evaluaron en la cohorte SPHS utilizando un protocolo promediado de casos. El DSC y el IoU se calcularon de forma independiente por caso y luego se promediaron, asegurando un peso estadístico igual en todos los sujetos independientemente del volumen tumoral:
figure-protocol-15
 figure-protocol-16

También se reportaron composiciones de error promediadas por caso —que comprenden la media de conteos de vóxeles verdaderos positivos (TP), falsos positivos (FP), falsos negativos (FN) y verdaderos negativos (TN). Esta ruptura distingue la sobresegmentación de los errores de subsegmentación, proporcionando información sobre los modos de fallo direccional.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Resultados

El modelo centralizado UMamba 2D (Estrategia 1) logró un rendimiento competitivo dentro del dominio en el conjunto de pruebas internas BraTS2023-Men, con un DSC promedio de caso de 0,8958, IoU de 0,8356, FN de 1.902, FP de 667, TN de 8.902.814 y TP de 22.616. Al evaluarse en la cohorte externa de validación SPHS, el modelo centralizado arrojó un DSC de 0,7452 ± 0,1992 y un IoU de 0,6241 ± 0,1941, correspondiente a una brecha de generalización cruzada de ΔDSC = 0,1506 (Tabla 1, ID...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Discusión

El hallazgo central de este estudio es que la calidad de inicialización —más que el propio protocolo de agregación federada— es el factor decisivo para cerrar la brecha de generalización entre centros cruzados para la segmentación de meningiomas que preserva la privacidad. Aunque el modelo centralizado UMamba 2D logró un fuerte rendimiento dentro del dominio en la cohorte BraTS2023-Men (DSC = 0,8958), sufrió una degradación sustancial al evaluarse en el conjunto de datos clínico independ...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Divulgaciones

Los autores no tienen conflictos de interés que declarar.

Agradecimientos

Este trabajo fue apoyado por la Fundación Nacional de Ciencias Naturales de China (Beca 12405382), la Comisión de Innovación en Ciencia y Tecnología de Shenzhen (Subvención JCYJ20220530143602006), el Proyecto de Investigación Básica de Shenzhen (Fundación de Ciencias Naturales) (Subvención JCYJ20220530150416036) y el Proyecto de Bienestar Social del Departamento de Ciencia y Tecnología de Mongolia Interior (Proyecto Nº 2026YFSH0155).

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Materiales

Lista de materiales utilizados en este artículo
NombreEmpresaNúmero de catálogoComentarios
BraTS2023-Gli datasetASNR-MICCAI BraTS Challenge / Synapse (Sage Bionetworks)N/AConjunto de datos MRI público de glioma utilizado para la inicialización preentrenada en glioma. En este estudio, se utilizaron 450 casos bajo la formulación binaria tumor-versus-fondo. https://www.synapse.org/Synapse:syn51156910/wiki/622351
BraTS2023-Men datasetASNR-MICCAI BraTS Challenge / Synapse (Sage Bionetworks)N/AConjunto de datos MRI público de meningioma utilizado como cohorte fuente para el desarrollo del modelo y la evaluación interna. En este estudio, se utilizaron 450 casos. https://arxiv.org/abs/2305.07642
DeepBetSoftware académico de Fisch et al.N/AHerramienta de extracción cerebral aplicada a la imagen ponderada T1 para generar una máscara cerebral para la cohorte SPHS. https://arxiv.org/abs/2308.07003
MONAIProyecto MONAIVersión 1.3Marco de IA de imágenes médicas utilizado para la carga de datos y la implementación del flujo de trabajo de aprendizaje profundo. https://docs.nvidia.com/monai/index.html
NVIDIA GeForce RTX 3090 GPUNVIDIAGeForce RTX 3090Unidad de procesamiento gráfico con 24 GB de memoria GDDR6X utilizada para el entrenamiento del modelo y la computación. https://www.nvidia.com/en-me/geforce/graphics-cards/30-series/rtx-3090-3090ti/
PyTorchPyTorch Foundation, Linux FoundationVersión 2.0.1Marco de aprendizaje profundo utilizado para implementar y entrenar los modelos de segmentación 2D UMamba. https://pytorch.org/foundation/
PythonPython Software FoundationVersión 3.10Entorno de programación utilizado para el entrenamiento del modelo, preprocesamiento, evaluación y análisis estadístico. Reemplace con la versión exacta de Python si se conoce. https://www.python.org/psf-landing/
Cohorte clínica SPHS-MenSegundo Hospital Popular de ShenzhenN/ACohorte externa de MRI multi-modal clínica utilizada para la evaluación independiente. Se incluyeron un total de 174 casos.
Implementación del modelo UMamba 2DBowang-lab / Autores de U-MambaConfiguración U-Mamba 2DArquitectura de segmentación basada en modelos de espacio de estado utilizada para la segmentación binaria de meningioma. https://u-mamba.github.io/

Referencias

  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).

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Reimpresiones y permisos

Solicitar permiso para reutilizar el texto o las figuras de este artículo de JoVE

Solicitar permiso

Etiquetas

MedicinaN mero 233N mero 233Valor vac oN meroUMambaaprendizaje por transferenciavalidaci n externamodelo de espacio de estadosdesplazamiento de dominio

Artículos relacionados