Article de recherche

Amélioration de la généralisation inter-centre pour la segmentation multimodale des méningiomes par IRM via l’apprentissage fédéré pré-entraîné au gliome

56 vues

⸱

DOI :

10.3791/72164

⸱

24 juillet 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

Dans cet article

Résumé

Cette étude étudie l’impact de l’apprentissage fédéré préentraîné au gliome sur la généralisation externe dans la segmentation du méningiome par IRM multimodale

Résumé

La segmentation automatisée du méningiome lors de l’IRM multimodale reste difficile lorsque les modèles sont transférés entre institutions, car les protocoles du scanner, les caractéristiques d’image et les styles d’annotation peuvent différer d’un centre à l’autre. L’apprentissage fédéré (FL) offre une stratégie préservant la confidentialité pour le développement de modèles multicentraux, mais l’agrégation standard peut ne pas totalement surmonter le changement de domaine intercentre. Cette étude visait à quantifier l’écart de généralisation externe dans la segmentation du méningiome par IRM et à évaluer si la FL pré-entraînée par le gliome pouvait améliorer la robustesse sans mise en commun centralisée des données. Une architecture 2D UMamba a été utilisée pour la segmentation binaire du méningiome en utilisant l’IRM T1, T1c et T2 comme entrées de modèle. Le protocole comprenait 450 cas BraTS2023-Men comme ensemble de données de méningiome dans le domaine source et 174 cas cliniques indépendants de notre institut comme cohorte externe de validation. Trois dernières stratégies de segmentation du méningiome ont été évaluées quantitativement sous le même cadre de validation externe : entraînement centralisé sur BraTS2023-Men, formation FL pré-entraînée au méningiome sur trois clients simulés, et PL pré-entraînée au gliome initialisée à partir d’un modèle source BraTS2023-Gli avant optimisation fédérée. L’entraînement centralisé sur le gliome n’a été utilisé que pour générer l’initialisation pré-entraînée par le gliome et n’a pas été rapporté comme une stratégie finale de segmentation du méningiome évaluée de manière indépendante. La performance du modèle a été évaluée à l’aide du coefficient de similarité de Dice (DSC) et de l’Intersection sur Union (IoU). La formation centralisée sur BraTS2023-Men a montré une nette baisse de généralisation externe, avec une baisse de DSC de 0,8958 sur le test interne BraTS2023-Men réglé à 0,7452 sur la cohorte SPHS. La FL préentraînée par méningiome a donné des performances externes plus faibles (DSC = 0,7122), tandis que la FL préentraînée par le gliome a atteint des performances comparables à l’entraînement centralisé sur BraTS2023-Men et s’est améliorée par rapport à la FL préentraînée par méningiome (DSC = 0,7503 ; IoU = 0,6301 ; Ajusté par Holm p < 0,001). Ces résultats suggèrent que l’initialisation pré-entraînée au gliome constitue un point de départ plus robuste pour la segmentation fédérée du méningiome et pourrait améliorer la généralisation externe tout en préservant la confidentialité des données institutionnelles.

Introduction

Les méningiomes sont la néoplasie intracrânienne primaire la plus fréquente chez l’adulte, représentant environ 38 % de toutes les tumeurs primaires du cerveau et du système nerveux central auxÉtats-Unis 1. Originaires de cellules méningothéliales (calotte arachnoïdienne), elles englobent les grades I à III de l’Organisation mondiale de la santé (OMS), couvrant un large spectre clinique : les tumeurs de grade I (environ 80 %) sont généralement associées à des résultats favorables après une résection totale globale, tandis que les lésions de grade II (atypique) et III (anaplasique) présentent des taux de récidive nettement plus élevés de 20 à 40 % et dépassant 70 % à dix ans, respectivement2. 3. La prise de décision clinique — y compris la micro-résection chirurgicale, la radiochirurgie stéréotaxique (SRS), la radiothérapie fractionnée et la surveillance active — dépend d’une délimitation volumétrique précise et reproductible de l’étendue tumorale à travers les études d’imagerie longitudinales. Une segmentation robuste des méningiomes à partir de l’imagerie par résonance magnétique (IRM) est donc une condition préalable à une planification du traitement cohérente et à une évaluation des résultats.

L’IRM multi-séquence constitue la base de la caractérisation du méningiome en pratique clinique courante, chaque séquence codant des aspects complémentaires de la biologie tumorale et de la réponse des tissus environnants. L’imagerie pondérée T1 (T1c) renforcée par contraste met en lumière les régions de perturbation de la barrière hémato-encéphalique grâce au raccourcissement de la relaxation T₁ induite par le gadolinium, permettant une visualisation claire du parenchyme tumoral renforcé et la définition de la frontière primaire de la lésion. L’imagerie pondérée T1 sans contraste (T1) fournit un contexte structurel pour évaluer l’interface arachnoïde, l’attache durale et l’atteinte osseuse adjacente. L’imagerie pondérée T2 (T2) capture l’hétérogénéité intra-tumorale et l’œdème péritumoral, deux éléments essentiels pour comprendre l’effet de masse et pour délimiter les volumes de traitement dans la planificationradiochirurgicale 3,4. Le remodelage manuel reste l’approche standard pour la délimitation du méningiome. Au cours de ce processus, les cliniciens prennent généralement en compte les informations complémentaires de contraste sur plusieurs séquences IRM pour définir l’étendue de la tumeur. Cependant, cette procédure prend du temps et est associée à une variabilité importante entre les observateurs, en particulier dans des régions anatomiquement ambiguës comme la queue durale, où les métriques d’accord rapportées tombent en dessous de 0,80 5,6. Ces limitations motivent le développement d’approches automatisées de segmentation qui offrent des performances cohérentes et évolutives.

L’apprentissage profond a considérablement progressé la segmentation d’images médicales, soutenue par des ensembles de données de référence tels que BraTS7 et par l’émergence de multiples paradigmes architecturaux, notamment des modèles convolutionnels commeU-Net 8 et nnU-Net9, des modèles basés sur des Transformers comme UNETR et Swin-UNETR10,11, ainsi que des approches basées sur des modèles d’espace d’état (SSM) comme UMamba12. Des travaux récents ont également exploré les réseaux Swin Transformer guidées par l’attention explicables ainsi que les conceptions globales locales de Transformateurs de Vision/espace d’états axiaux pour la segmentation 3D de tumeurscérébrales 13,14, mettant en lumière le développement continu de pipelines de segmentation basés sur les transformateurs et les espaces d’états. Malgré de solides performances de référence, les études spécifiques au méningiome ont historiquement été limitées par des tailles de cohortes relativement petites (typiquement 50 à 200 cas)15,16. La publication du jeu de données17 sur le méningiome BraTS 2023, avec plus de 1 000 cas, atténue partiellement cette limitation ; Cependant, la plupart des modèles sont encore entraînés et évalués au sein de jeux de données sélectionnés, et leurs performances se dégradent souvent lorsqu’elles sont appliquées à des données cliniquesindépendantes 18. Cela met en lumière un problème central : atteindre une généralisation inter-centre robuste nécessite une exposition à des données multicentriques diverses.

En pratique, l’agrégation de jeux de données multicentriques à grande échelle est contrainte par la réglementation sur la confidentialité des données et les politiques institutionnelles, rendant la formation centralisée difficile ou irréalisable. L’apprentissage fédéré (FL) répond à cette contrainte en permettant l’entraînement collaboratif des modèles sans partager de données brutes, où chaque établissement s’entraîne localement et contribue à des mises à jour de modèle mondial via agrégation, comme dans la moyenne fédérée (FedAvg)19. Des travaux connexes ont également étendu la fléchette préservant la vie privée à la modélisation de l’intention humaine dans la paralysie cérébrale pédiatrique utilisantla réalité étendue 20, et un apprentissage profond léger avec visualisation en réalité virtuelle a été proposé pour la segmentation des tumeurs hors ligne dans les environnementsruraux 21, reflétant le besoin plus large de flux de travail médicaux IA déployables et respectueux de la vie privée. Bien que FL offre un cadre pratique pour l’apprentissage multicentre, il introduit un nouveau défi : chaque site participant dispose généralement d’un jeu de données local limité, et un entraînement local indépendant avant l’agrégation peut conduire à des mises à jour locales sous-optimales et à une dégradation des performances globales, en particulier lorsque la distribution locale des données diverge — un problème connu sous le nom de dérive client22. Une stratégie complémentaire naturelle consiste à initialiser le modèle en utilisant les connaissances acquises à partir d’un ensemble de données sourceconnexe 23. En imagerie tumorale cérébrale, le gliome représente une tâche source étroitement liée avec des caractéristiques d’imagerie partiellement partagées et des caractéristiques contextuelles tumorales, ce qui en fait un domaine source pratique pour la pré-entraînement. Bien que les méningiomes et les gliomes diffèrent par leurs caractéristiques biologiques et leur apparence d’imagerie, ils partagent des modalités d’imagerie communes et un contexte anatomique, permettant d’apprendre des représentations transférables de bas et moyenniveau 3. Des travaux antérieurs ont montré que ce type de préentraînement inter-tuméraux peut améliorer les performances dans des contextes limitéspar les données 23. Malgré ces évolutions, il reste incertain comment la FL se comporte pour la segmentation du méningiome dans des conditions multicentriques réalistes, et si la pré-formation du gliome peut améliorer la formation fédérée lorsque chaque site dispose de données limitées. Les bénéfices relatifs de la seule LE par rapport à la FL préentraînée au gliome n’ont pas été évalués sous validation clinique externe.

Pour combler cet écart, cette étude réalise une comparaison contrôlée à l’aide d’une cohorte externe indépendante issue de la SPHS. Plus précisément, nous étudions trois questions : (i) l’ampleur de l’écart de généralisation intercentre entre les modèles entraînés sur des données de référence et les données cliniques externes ; (ii) si FL peut réduire cet écart dans des conditions locales limitées ; et (iii) si la formation pré-entraînée au gliome (gliome -> méningiome) offre des gains de performance supplémentaires par rapport à la formation centralisée et aux approches fédérées standard.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Protocole

Cette étude était une étude clinique rétrospective. Le protocole de l’étude a été examiné et approuvé par le Comité d’éthique du Second Hôpital Populaire de Shenzhen pour la collecte et l’utilisation du jeu de données clinique SPHS, avec le numéro d’approbation 20190910. Un consentement éclairé écrit a été obtenu de tous les patients inclus dans la cohorte SPHS avant l’inscription à cette étude.

Données des patients

Cette étude a utilisé trois ensembles de données : BraTS2023-Men, BraTS2023-Gli, et une cohorte clinique externe de SPHS (SPHS-Men). Leurs caractéristiques sont résumées ci-dessous.

BraTS2023-Hommes

BraTS2023-Men est la piste méningiome du benchmark BraTS2023 24,25. Pour cette étude, 450 cas de BraTS2023-Men ont été utilisés comme cohorte source pour le développement du modèle et l’évaluation interne. Toutes les images ont été prétraitées uniformément, incluant le dénudage du crâne, la co-enregistrement entre modalités, et le rééchantillonnage isotrope à 1×1×1 mm3. Chaque cas contient quatre séquences IRM (T1, T1c, T2, FLAIR) avec des annotations voxel par voxel dans trois catégories : noyau tumoral non amplificateur (étiquette 1), œdème péritumoral (étiquette 2) et tumeur d’amélioration (étiquette 3). Pour assurer la cohérence avec la définition clinique de la tumeur utilisée dans cette étude, les étiquettes 1 et 3 ont été fusionnées en une seule classe de tumeurs, et l’étiquette 2 (œdème) a été exclue, aboutissant à une cible binaire de segmentation.

BraTS2023-Gli

BraTS2023-Gli est la piste de gliome du benchmark BraTS et hérite des conventions et du cadre d’annotation multimodal établi pour l’IRMmultimodale 7,24,26,27. Dans cette étude, un entraînement centralisé sur le gliome a été réalisé à partir de 450 cas BraTS2023-Gli pour fournir un modèle source pour la fléotique préentraînée par le gliome, en utilisant la même formulation binaire tumeur versus fond utilisée plus tard pour la tâche du méningiome. L’objectif d’inclure cette cohorte n’était pas d’augmenter la taille de l’échantillon par rapport à BraTS2023-Men, mais de tester si un domaine source de tumeur cérébrale liée à une tâche pouvait offrir une initialisation plus transférable pour une adaptation fédérée ultérieure.

SPHS-Men

SPHS-Men est un ensemble de données clinique externe collecté auprès du Second People’s Hospital of Shenzhen, sous approbation du comité d’examen institutionnel. Un total de 174 cas ont été inclus pour évaluation externe. Contrairement à BraTS, les données ont été acquises selon des protocoles cliniques de routine sans prétraitement standardisé, ce qui a entraîné une variabilité de l’espacement des voxels, de l’épaisseur de la tranche, du champ de vision et des paramètres de reconstruction dépendants du scanner. Les annotations étaient initialement fournies avec deux étiquettes : masse tumorale et œdème/changement péritumoral. Pour correspondre à la définition de tumeur dérivée du BraTS utilisée dans cette étude, seule la masse tumorale a été conservée, et l’œdème a été exclu. Tous les cas de SPHS ont ensuite été traités selon un pipeline orienté harmonisation avant évaluation externe, comme décrit dans l’acquisition et le prétraitement IRM. Après prétraitement, chaque voxel à la coordonnée spatiale r est représenté par une entrée à trois canaux composée des intensités T1c, T1n et T2,
figure-protocol-1

et la tâche de segmentation est définie comme une classification binaire Y(r) ∈ 0,1 indiquant tumeur versus fond. Des exemples représentatifs et des différences qualitatives entre les ensembles de données sont présentés à la Figure 1.

figure-protocol-2
Figure 1. Comparaison représentative entre ensembles de données. Rangée du haut : SPHS-Men ; milieu : BraTS2023-Hommes ; En bas : BraTS2023-Gli. Les colonnes montrent le masque tumoral, T1, T1c et T2. Les différences qualitatives de taille de la lésion, de schéma d’amélioration et de définition des limites reflètent les variations d’imagerie et d’annotation accumulées observées dans cette étude. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Acquisition et prétraitement de l’IRM

Toutes les données BraTS ont été distribuées avec un prétraitement standardisé déjà appliqué, incluant le démontage du crâne, la co-enregistrement et le rééchantillonnage isotrope. Pour la cohorte SPHS, les images brutes DICOM ont d’abord été converties au formatNIfTI 28. Les images multimodales étaient alors rigidement enregistrées dans l’espace T1 natif en utilisant l’alignement basé sur l’informationmutuelle 29. Parce que le dénuage du crâne est une étape préalable nécessaire à la segmentation IRM cérébrale, l’extraction cérébrale a été explicitement réalisée avant l’entraînement du modèle. Plus précisément, DeepBet a été appliqué à l’image pondérée en T1 pour générer un masquecérébral 30, et le masque résultant a été propagé aux volumes T1c et T2 co-enregistrés afin d’éliminer systématiquement les tissus non cérébraux sur toutes les modalités. Les images dénudés du crâne ont ensuite été rééchantillonnées à une résolution isotrope de 1 x 1 x 1 mm3. Les masques tumoraux binaires ont finalement été affinés grâce à des opérations morphologiques de fermeture et d’ouverture pour supprimer les artefacts d’interpolation introduits lors du rééchantillonnage. Ces étapes d’harmonisation ont été utilisées pour améliorer la cohérence des entrées inter-ensembles de données pour les tests externes, mais elles n’avaient pas pour but d’éliminer les différences sous-jacentes au niveau du scanner, du protocole ou de l’annotation intrinsèques à la cohorte SPHS.

Conception de l’étude

Architecture du modèle

Comme montré à la Figure 2, l’architecture 2D de l’UMamba intègre des modules résiduels de réseaux neuronaux convolutionnels avec les blocs12,31 du modèle sélectif d’états (SSM) Mamba. Cette conception hybride permet l’extraction simultanée de caractéristiques locales de textures via des convolutions et un contexte structurel global à longue portée via des SSM, avec un coût computationnel linéaire par rapport au nombre de positions spatiales.

figure-protocol-3
Figure 2. L’architecture 2D de l’UMamba. L’encodeur intègre des blocs convolutionnels résiduels pour l’extraction locale de textures et de caractéristiques de frontière avec des modules SSM sélectifs Mamba pour la modélisation de contexte à longue portée. Ces composants sont reliés via des connexions de saut à un décodeur à convolution transposée. L’entrée réseau consiste en une tranche IRM multimodale à trois canaux comprenant les modalités T1, T1c et T2. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Encodeur

Les tranches IRM multimodales avec C = 3 canaux d’entrée sont traitées par un encodeur hiérarchique. À chaque étape s ∈ 1,..., S, la carte de caractéristiques d’entrée est d’abord traitée par un bloc convolutionnel résiduel pour extraire des motifs spatiaux localisés. La carte de caractéristiques est ensuite aplatie en une séquence unidimensionnelle et traitée par un module SSM sélectif pour capturer les dépendances contextuelles à longue portée. Le sous-échantillonnage spatial est réalisé à l’aide de convolutions stride-2, générant progressivement des représentations hiérarchiques de caractéristiques F_s ∈ R^C_s × H/2^ × W/2^ avec des dimensions croissantes du canal C_s ∈ 32, 64, 128, 256, 512.

MSM sélectif Mamba

Le SSM sélectif fonctionne sur une suite unidimensionnelle x ∈ R^L × d. Parce que l’adjacence spatiale est perturbée lors de l’aplatissement standard unidimensionnel des cartes de caractéristiques bidimensionnelles, une stratégie de balayage multidirectionnel est utilisée : les cartes de caractéristiques sont balayées dans quatre directions (ligne avant, ligne arrière, colonne en avant et colonne arrière) pour préserver le contexte spatial à travers les directions des lignes et colonnes. Le SSM en temps continu est défini comme suit :
figure-protocol-4    

figure-protocol-5

où A ∈ R^N × N désignent la matrice de transition d’état apprenable initialisée via le cadre HiPPO (Hidden Polynomial ProjectionOperator) 31. Les matrices de projection B(t) et C(t) dépendent de l’entrée, établissant un mécanisme sélectif qui permet au modèle de filtrer dynamiquement les jetons non pertinents et de conserver des informations contextuelles importantes. Le système continu est discrétisé à l’aide d’un pas de temps Δ via une transformation de maintien d’ordre zéro (ZOH) :

figure-protocol-6

figure-protocol-7

figure-protocol-8

figure-protocol-9

À chaque étape discrète k, les paramètres B, C et Δ sont calculés sous forme de projections linéaires du jeton d’entrée xk, permettant une propagation des caractéristiques dépendantes de l’entrée. L’initialisation HiPPO garantit que les valeurs propres satisfont |λj(barA)| < 1, qui maintient les représentations d’états cachés ‖hk‖ délimitées sur des suites spatiales arbitrairement longues.

Décodeur et connexions à saut

Le décodeur reconstruit la résolution spatiale originale à partir des représentations encodées. À chaque étape, les convolutions transposées suréchantillonnent les cartes de caractéristiques à résolution inférieure. Les connexions à saut concaténent les caractéristiques de l’encodeur multi-échelle F_s avec les caractéristiques correspondantes du décodeur suréchantillonné, préservant ainsi les informations de limite à haute fréquence essentielles à une délimitation exacte de la tumeur au niveau des voxels.

Perte à l’entraînement

L’optimisation du modèle est guidée par une fonction de perte composite :
figure-protocol-10

où p_θ(r) ∈ [0,1] est la probabilité de tumeur prédite au voxel r, Y(r) est l’étiquette binaire de la vérité fondamentale correspondante, et λ = 1,0 équilibre les deux termes. La perte de Dice optimise directement la métrique d’évaluation de la cible et corrige le déséquilibre extrême avant-arrière-plan inhérent à la segmentation méningiome, où les voxels tumoraux constituent généralement moins de 0,5 % du volume intracrânien total. Le terme d’entropie binaire croisée (BCE) assure une supervision par voxel, stabilisant l’entraînement dans ce contexte déséquilibré.

Configuration d’entraînement

Tous les modèles de segmentation ont été optimisés avec AdamW avec un taux d’apprentissage initial de η₀ = 3 × 10⁻4, un calendrier de recuit cosinus et une décroissance de poids de 5 × 10⁻4. Les modèles de base centralisés ont été entraînés pendant 200 époques sur les cohortes BraTS2023 de 450 cas avec une taille de lot de 16. Pour éviter toute ambiguïté dans le contexte fédéré, nous utilisons la terminologie suivante tout au long de ce manuscrit : une ronde de communication désigne un cycle FL complet composé de diffusion serveur, d’optimisation locale client et d’agrégation de serveurs ; Une itération en mini-batch désigne la mise à jour d’un paramètre sur un mini-batch ; et l’optimisation locale réalisée par chaque client lors d’un tour consistait en 250 itérations mini-batch. En d’autres termes, chaque client réalisait une étape de formation locale par tour, et cette étape locale contenait 250 itérations de mise à jour de paramètres. Ainsi, le terme « round » (r = 3) dans cette étude ne désigne que la communication FL, et non une époque couvrant l’ensemble de l’ensemble des données centralisées. Un pipeline d’augmentation de données en ligne a été appliqué uniformément sur toutes les configurations d’entraînement, incluant le basculement horizontal et vertical aléatoire (p=0,5 par axe), la rotation aléatoire dans le plan (±15^circ), l’échelle d’intensité aléatoire (facteur échantillonné uniformément à partir de [0,85, 1,15]) et le bruit gaussien additif (sigma ∼ U[0, 0,05]) calculé par tranche bidimensionnelle. Toute augmentation a été désactivée lors de l’inférence et de la validation. Le framework était implémenté en PyTorch 2.0.1 avec MONAI 1.3 pour le chargement des données, et tous les calculs étaient effectués sur des unités de traitement graphique NVIDIA GeForce RTX 3090 (24 Go GDDR6X) (GPU). La reproductibilité a été assurée en fixant toutes les graines aléatoires de PyTorch, NumPy et du module aléatoire Python à des valeurs identiques pour toutes les stratégies.

Stratégies expérimentales

Trois stratégies d’entraînement principales ont été comparées pour évaluer la généralisation inter-centre (Figure 3). Les noms FL préentraînés au méningiome et FL préentraînés au gliome sont des noms descriptifs introduits dans ce manuscrit pour distinguer la source du modèle global initial avant l’adaptation fédérée.

figure-protocol-11
Figure 3. Aperçu de la conception expérimentale. (A) Formation centralisée utilisant des cas 450 BraTS2023-Men suivie d’une évaluation externe sur SPHS. (B) Une femme féminine préentraînée au méningiome sur trois clients simulés. (C) FL pré-entraîné au gliome initialisé à partir d’un modèle centralisé de gliome avant l’adaptation fédérée. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Stratégie 1 (Formation centralisée)

Un seul modèle UMamba 2D a été entraîné sur les 450 boîtiers BraTS2023-Men. Cette stratégie représente la borne supérieure de performance dans le domaine et sert de base pour évaluer la dégradation des centres croisés.

Stratégie 2 (FL avec initialisation du domaine MEN)

Les 450 cas BraTS2023-Men ont été attribués aléatoirement à trois clients (|Di| = 150) pour une partition égale. Les trois clients BraTS2023-Men ont donc été simulés à partir de la même cohorte publique plutôt que construits à partir de métadonnées spécifiques à chaque institution ou d’étiquettes d’origine de scanner. Pour initialiser l’entraînement fédéré dans le domaine méningiome, le modèle global initial a d’abord été entraîné sur une division client fixe BraTS2023-Men (client 1 dans cette implémentation), puis utilisé pour initier la procédure fédérée. Ce client seed était maintenu constant à travers les expériences pour la reproductibilité et devait être interprété comme un démarrage chaud interne au domaine plutôt que comme un client source optimisé ou privilégié. Parce que les trois clients ont été simulés en partitionnant la même cohorte BraTS2023-Men, ce choix d’initialisation reflète un point de départ au niveau de l’implémentation plutôt qu’un précédent institutionnel biologiquement distinct. Le but de cette conception n’était pas de reproduire strictement un véritable processus de lancement multi-institutions, mais de fournir une comparaison contrôlée entre la formation centralisée sur toutes les données MEN disponibles et la collaboration fédérée à partir d’une formation partielle préentraînée au méningiome. L’objectif mondial d’optimisation fédérée est défini comme suit :
figure-protocol-12

où Di désigne l’ensemble d’entraînement local des clients i, et ell est la perte de dés + entropie croisée. Lors du premier tour de communication, les poids d’agrégation étaient proportionnels au nombre d’échantillons (wi(1) = 1/3). Pour réduire les résultats des clients sous-performants lors des rondes de communication suivantes, les rondes 2 et 3 ont utilisé l’agrégation pondérée par les dés :
figure-protocol-13
où la DSCi(r) est la DSC moyenne au cas sur la partition de validation locale du client i après entraînement local au tour de communication r, et ε = 10⁻6 est une petite constante pour éviter la division par zéro.

Stratégie 3 (FL avec initialisation pré-entraînée au gliome)

Pour obtenir un démarrage à chaud inter-domaines liés à la tâche, un entraînement centralisé sur le gliome a d’abord été réalisé en utilisant 450 cas BraTS2023-Gli avec les mêmes trois modalités IRM (T1, T1c et T2) et la même formulation binaire tumeur contre fond que celle utilisée dans les expériences sur le méningiome.

Plus précisément, les labels de gliome ont été harmonisés en combinant le noyau tumoral non améliorant et en rehaussant la tumeur en une seule classe au premier plan, tandis que l’œdème péritumoral a été exclu, de sorte que les tâches source et cible partageaient la même définition binaire de la sortie. Comme les tâches source et cible étaient formulées en segmentation binaire, les poids pré-entraînés étaient transférés directement pour initialiser le modèle 2D complet d’UMamba, y compris la tête de segmentation, plutôt que de supprimer et réinitialiser la couche finale. Le même protocole FedAvg a ensuite été appliqué, le modèle global initial étant initialisé par l’entraînement centralisé convergent sur les poids de gliome (θ⁽°⁾ = θ_Gli^*). L’adaptation fédérée qui suit est donnée par :
figure-protocol-14

où Δθ(r) représente les mises à jour cumulatives des paramètres spécifiques au domaine au fil des r rondes de communication. Cette stratégie teste si un modèle source FL pré-entraîné au gliome offre un meilleur point de départ pour une adaptation fédérée chez les clients méningiomes.

Indicateurs d’évaluation

Toutes les stratégies ont été évaluées sur la cohorte SPHS à l’aide d’un protocole moyenné par cas. Le DSC et l’IoU ont été calculés indépendamment par cas puis moyennés, garantissant un poids statistique égal pour tous les sujets, quel que soit le volume tumoral :
figure-protocol-15
 figure-protocol-16

Des compositions d’erreur moyennes par cas — comprenant la moyenne des vrais positifs (TP), des faux positifs (FP), des faux négatifs (FN) et des vrais négatifs (TN) par cas — ont également été rapportées. Cette décomposition distingue la sur-segmentation des erreurs de sous-segmentation, fournissant un aperçu des modes de défaillance directionnelle.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Résultats

Le modèle centralisé UMamba 2D (Stratégie 1) a obtenu des performances compétitives dans le domaine sur le jeu de test interne BraTS2023-Men, avec une DSC moyenne de cas de 0,8958, une IoU de 0,8356, un FN de 1 902, un FP de 667, un TN de 8 902 814 et un TP de 22 616. Lors de l’évaluation sur la cohorte de validation externe SPHS, le modèle centralisé a donné un DSC de 0,7452 ± 0,1992 et un IoU de 0,6241 ± 0,1941, correspondant à un écart de généralisation intercentre de ΔDSC = 0,1506 (<...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Discussion

La conclusion centrale de cette étude est que la qualité de l’initialisation — plutôt que le protocole d’agrégation fédérée lui-même — est le facteur décisif pour combler le fossé de généralisation intercentre pour la segmentation du méningiome préservant la vie privée. Alors que le modèle centralisé UMamba 2D a obtenu de fortes performances dans le domaine sur la cohorte BraTS2023-Men (DSC = 0,8958), il a subi une dégradation substantielle lorsqu’il a été évalué sur le jeu de données cl...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Déclarations de divulgation

Les auteurs n’ont aucun conflit d’intérêts à déclarer.

Remerciements

Ce travail a été soutenu par la Fondation nationale des sciences naturelles de Chine (Grant 12405382), la Commission d’innovation scientifique et technologique de Shenzhen (Grant JCYJ20220530143602006), le projet de recherche fondamentale de Shenzhen (Fondation des sciences naturelles) (subvention JCYJ20220530150416036), et le projet de bien-être social du département des sciences et technologies de la Mongolie intérieure (projet n° 2026YFSH0155).

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
BraTS2023-Gli datasetASNR-MICCAI BraTS Challenge / Synapse (Sage Bionetworks)N/AJeu de données IRM public sur le gliome utilisé pour l'initialisation préentraînée sur le gliome. Dans cette étude, 450 cas ont été utilisés sous la formulation binaire tumeur-versus-fond. https://www.synapse.org/Synapse:syn51156910/wiki/622351
BraTS2023-Men datasetASNR-MICCAI BraTS Challenge / Synapse (Sage Bionetworks)N/AJeu de données IRM public sur les méningiomes utilisé comme cohorte source pour le développement du modèle et l'évaluation interne. Dans cette étude, 450 cas ont été utilisés. https://arxiv.org/abs/2305.07642
DeepBetLogiciel académique de Fisch et al.N/AOutil d'extraction du cerveau appliqué à l'image pondérée en T1 pour générer un masque cérébral pour la cohorte SPHS. https://arxiv.org/abs/2308.07003
MONAIProjet MONAIVersion 1.3Framework d'IA en imagerie médicale utilisé pour le chargement de données et la mise en œuvre du flux de travail d'apprentissage profond. https://docs.nvidia.com/monai/index.html
Carte graphique NVIDIA GeForce RTX 3090NVIDIAGeForce RTX 3090Unité de traitement graphique avec 24 Go de mémoire GDDR6X utilisée pour l'entraînement du modèle et le calcul. https://www.nvidia.com/en-me/geforce/graphics-cards/30-series/rtx-3090-3090ti/
PyTorchPyTorch Foundation, Linux FoundationVersion 2.0.1Framework d'apprentissage profond utilisé pour implémenter et entraîner les modèles de segmentation UMamba 2D. https://pytorch.org/foundation/
PythonPython Software FoundationVersion 3.10Environnement de programmation utilisé pour l'entraînement du modèle, le prétraitement, l'évaluation et l'analyse statistique. Remplacer par la version exacte de Python si connue. https://www.python.org/psf-landing/
Cohorte clinique SPHS-MenDeuxième hôpital du peuple de ShenzhenN/ACohorte IRM multi-modale clinique externe utilisée pour une évaluation indépendante. Un total de 174 cas ont été inclus.
Implémentation du modèle UMamba 2DBowang-lab / Auteurs U-MambaConfiguration U-Mamba 2DArchitecture de segmentation basée sur le modèle d'espace d'état utilisée pour la segmentation binaire des méningiomes. https://u-mamba.github.io/

Références

  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).

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Réimpressions et autorisations

Demander l’autorisation de réutiliser le texte ou les figures de cet article JoVE

Demander une autorisation

Mots-clés

M decineNum ro 233Num ro 233Valeur videNum roUMambaapprentissage par transfertvalidation externemod le d espace d tatsd calage de domaine

Articles connexes