מאמר מחקר

שיפור הכללה בין-מרכזית לסגמנטציה של מנינגיומה ב-MRI רב-מודלי באמצעות למידה מאומנת מראש בגליומה

55 צפיות

⸱

DOI:

10.3791/72164

⸱

24 ביולי 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

במאמר זה

סיכום

מחקר זה בוחן את השפעת הלמידה הפדרטיבית שהוכשרה מראש בגליומה על הכללה חיצונית בסגמנטציה של מנינגיומה ב-MRI רב-מודלי

תקציר

סגמנטציה אוטומטית של מנינגיומה ב-MRI רב-מודלי נותרת מאתגרת כאשר מודלים מועברים בין מוסדות, משום שפרוטוקולי סורק, מאפייני תמונה וסגנונות הערות עשויים להשתנות בין מרכזים. למידה פדרטיבית (FL) מספקת אסטרטגיה לשמירה על פרטיות לפיתוח מודלים מרובי מרכזיים, אך אגרגציה סטנדרטית עשויה שלא להתגבר לחלוטין על שינוי בין תחום חוצה מרכזים. מחקר זה נועד לכמת את פער ההכללה החיצונית בסגמנטציה של מנינגיומה MRI ולהעריך האם FL מאומן מראש בגליומה יכול לשפר עמידות ללא איסוף נתונים מרכזי. ארכיטקטורת UMamba דו-ממדית שימשה לסגמנטציה בינארית של מנינגיומה תוך שימוש ב-MRI T1, T1c ו-T2 כקלטי מודל. הפרוטוקול כלל 450 מקרים של BraTS2023-Men כמאגר הנתונים של מנינגיומה בתחום המקור ו-174 מקרים קליניים עצמאיים מהמכון שלנו כקבוצת האימות החיצונית. שלוש אסטרטגיות סגמנטציה סופיות של מנינגיומה הוערכו כמותית תחת אותה הגדרת אימות חיצונית: הדרכה מרכזית על BraTS2023-Men, דמות FL מאומנת מראש על ידי מנינגיומה בשלושה לקוחות מדומים, ו-FL מאולפת מראש בגליומה שמאותחלת ממודל מקור BraTS2023-Gli לפני אופטימיזציה מאוחדת. אימון מרכזי על גליומה שימש רק ליצירת אתחול מאומן מראש בגליומה ולא דווח כאסטרטגיית סגמנטציה סופית מוערכת באופן עצמאי. ביצועי המודל הוערכו באמצעות מקדם הדמיון של Dice (DSC) ו-Intersection over Union (IoU). ההכשרה המרכזית ב-BraTS2023-Men הראתה ירידה ברורה בהכללה חיצונית, כאשר ה-DSC ירד מ-0.8958 במבחן הפנימי של BraTS2023-Men שנקבע ל-0.7452 בקבוצה של SPHS. FL מאומן מראש למנינגיומה הניב ביצועים חיצוניים נמוכים יותר (DSC = 0.7122), בעוד FL מאומן מראש בגליומה השיג ביצועים דומים לאימון מרכזי ב-BraTS2023-Men והשתפר לעומת FL מאומן מראש למנינגיומה (DSC = 0.7503; IoU = 0.6301; p מותאם על ידי הולם < 0.001). תוצאות אלו מצביעות על כך שאתחול מאומן מראש בגליומה מספק נקודת התחלה איתנה יותר לסגמנטציה פדרטיבית של מנינגיומה ועשוי לשפר הכללה חיצונית תוך שמירה על פרטיות הנתונים המוסדית.

מבוא

מנינגיומות הן הניאופלזמה התוך-גולגולתית הראשונית הנפוצה ביותר במבוגרים, ומהוות כ-38% מכלל הגידולים הראשוניים במוח ובמערכת העצבים המרכזיתבארצות הברית. הם מקורם בתאי מנינגותליאליים (כובע ארכנואיד), והם כוללים את דרגות I–III של ארגון הבריאות העולמי (WHO), המשתרעים על פני ספקטרום קליני רחב: גידולים מדרגה I (כ-80%) בדרך כלל קשורים לתוצאות חיוביות לאחר כריתה כוללת גולמית, בעוד שנגעים בדרגה II (לא טיפוסי) ודרגה III (אנפלסטית) מציגים שיעורי הישנות גבוהים משמעותית של 20–40% ועולים על 70% בעשר שנים, בהתאמה2, 3. קבלת החלטות קליניות—כולל כריתה מיקרוכירורגית, רדיוניתורגיה סטריאוטקטית (SRS), הקרנותרפיה מפוצלת ומעקב פעיל—תלויה בהגדרה נפחית מדויקת וניתנת לשחזור של היקף הגידול במחקרי דימות אורך. לכן, סגמנטציה חזקה של מנינגיומות מדימות תהודה מגנטית (MRI) היא תנאי מוקדם לתכנון טיפול עקבי והערכת תוצאות.

MRI רב-רצפי מהווה את הבסיס לאפיון מנינגיומה בפרקטיקה קלינית שגרתית, כאשר כל רצף מקודד היבטים משלימים של ביולוגיית הגידול ותגובת הרקמות הסובבת. הדמיה משוקללת T1 משופרת בניגוד מדגישה אזורים של הפרעת מחסום דם-מוח באמצעות קיצור הרפיית T₁ המושרה על ידי הגדוליניום, ומאפשרת ויזואליזציה ברורה של חיזוק הפרנכימת הגידול והגדרת גבול הנגע הראשוני. הדמיה משוקללת T1 ללא ניגוד מספקת הקשר מבני להערכת ממשק הארכנואיד, החיבור הדורלי והמעורבות הגרבית הסמוכה. הדמיה משוקללת T2 (T2) לוכדת הטרוגניות תוך-גידולית ובצקת סביבית, שתיהן חיוניות להבנת Mass Effect ולהגדרת נפחי הטיפול בתכנון רדיו-כירורגי 3,4. קונטורינג ידני נותר הגישה הסטנדרטית להגדרת מנינגיומה. במהלך תהליך זה, קלינאים בדרך כלל בוחנים מידע ניגודי משלים בין רצפי MRI מרובים כדי להגדיר את היקף הגידול. עם זאת, הליך זה גוזל זמן ומקושר לשונות משמעותית בין צופים, במיוחד באזורים אנטומיים עמומים כמו זנב הדורל, שבהם מדדי ההתאמה המדווחים יורדים מתחת ל-0.80 5,6. מגבלות אלו מניעות פיתוח גישות אוטומטיות לסגמנטציה שמספקות ביצועים עקביים וניתנים להרחבה.

למידה עמוקה התקדמה משמעותית בסגמנטציה של תמונות רפואיות, הנתמכת על ידי מערכי נתונים מדורגים כמו BraTS7 ועל ידי הופעתן של פרדיגמות ארכיטקטוניות רבות, כולל מודלים קונבולוציוניים כמו U-Net8 ו-nnU-Net9, מודלים מבוססי טרנספורמר כמו UNETR ו-Swin-UNETR10,11, וגישות מבוססות מודל מרחב מצבים (SSM) כמו UMamba12. עבודות עדכניות חקרו עוד רשתות Swin Transformer מונחות קשב ניתנות להסבר ועיצובים גלובליים-מקומיים של Vision Transformer/מרחב-מצב-ציר לחלוקת גידולי מוח תלת-ממדיים13,14, תוך הדגשת המשך הפיתוח של צינורות סגמנטציה מבוססי טרנספורמרים ומרחב-מצבים. למרות ביצועים חזקים במדדים, מחקרים ספציפיים למנינגיומה היו היסטורית מוגבלים על ידי גודל קבוצה קטן יחסית (בדרך כלל 50–200 מקרים)15,16. שחרור מערך הנתונים BraTS 2023 למנינגיומה17, עם מעל 1,000 מקרים, מפחית חלקית את המגבלה הזו; עם זאת, רוב המודלים עדיין מאומנים ומוערכים במסגרת מאגרי נתונים נבחרים, והביצועים שלהם לעיתים קרובות מתדרדרים כאשר הם מיושמים על נתונים קלינייםעצמאיים 18. זה מדגיש סוגיה מרכזית: השגת הכללה חזקה בין מרכזים דורשת חשיפה לנתונים מרובי מרכזיים מגוונים.

בפועל, איסוף מאגרי נתונים רב-מרכזיים בקנה מידה גדול מוגבל על ידי תקנות פרטיות נתונים ומדיניות מוסדית, מה שהופך את ההכשרה המרכזית לקשה או בלתי אפשרית. למידה פדרטיבית (FL) מתמודדת עם מגבלה זו על ידי אפשרות אימון מודלים שיתופי ללא שיתוף נתונים גולמיים, כאשר כל מוסד מתאמן מקומית ותורם עדכוני מודלים למודל גלובלי באמצעות אגרגציה, כפי שנעשה ב-Fedrated Averaging (FedAvg)19. עבודות קשורות הרחיבו גם את ה-FL השומר על פרטיות למידול כוונות אנושיות בשיתוק מוחין ילדים באמצעות מציאות מורחבת20, והוצעה למידה עמוקה קלה עם ויזואליזציה במציאות מדומה עבור סגמנטציה של גידולים לא מקוונים בסביבות כפריות21, המשקפת את הצורך הרחב יותר בתהליכי בינה מלאכותית רפואיים ניתנים לפריסה ומודעות לפרטיות. בעוד ש-FL מספקת מסגרת מעשית ללמידה רב-מרכזית, היא מציגה אתגר חדש: לכל אתר משתתף בדרך כלל יש מאגר נתונים מקומי מוגבל, והכשרה מקומית עצמאית לפני האגרגציה עלולה להוביל לעדכונים מקומיים לא מיטביים ולביצועים גלובליים ירודים, במיוחד כאשר התפלגויות הנתונים המקומיות מתפצלות - בעיה הידועה כ-client drift22. אסטרטגיה משלימה טבעית היא לאתחל את המודל באמצעות ידע שנלמד ממאגר מקורקשור 23. בהדמיית גידולי מוח, גליומה מייצגת משימת מקור קרובה עם מאפייני הדמיה משותפים חלקית ותכונות הקשר גידולי, מה שהופך אותה לתחום מקור מעשי לאימון מוקדם. למרות שמנינגיומות וגליומות שונות במאפיינים ביולוגיים ובמראה הדמיה, הן חולקות שיטות דימות והקשר אנטומי משותפים, מה שמאפשר ללמוד ייצוגים ברמה נמוכה ובינונית ניתנים להעברה3. עבודות קודמות הראו כי הכשרה מוקדמת בין גידולים כזו יכולה לשפר ביצועים בסביבות מוגבלות נתונים.23. למרות ההתפתחויות הללו, עדיין לא ברור כיצד פלורידה מתפקדת בסגמנטציה של מנינגיומה בתנאים ריאליים של רב-מרכזיים, והאם קדם-אימון לגליומה יכול לשפר את האימון המאוחד כאשר לכל אתר יש נתונים מוגבלים. היתרונות היחסיים של FL בלבד לעומת FL מאומן מראש בגליומה לא הוערכו תחת אימות קליני חיצוני.

כדי להתמודד עם הפער הזה, מחקר זה מבצע השוואה מבוקרת באמצעות קבוצה חיצונית עצמאית מ-SPHS. באופן ספציפי, אנו חוקרים שלוש שאלות: (i) גודל פער ההכללה החוצה-מרכזית בין מודלים שאומנו על נתוני בנצ'מרק לבין נתונים קליניים חיצוניים; (ii) האם FL יכולה לצמצם פער זה בתנאי נתונים מקומיים מוגבלים; ו-(iii) האם FL מאומן מראש בגליומה (גליומה -> מנינגיומה) מספק שיפורי ביצועים נוספים על פני אימון מרכזי ושיטות פדרטיביות סטנדרטיות.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

פרוטוקול

מחקר זה היה מחקר קליני רטרוספקטיבי. פרוטוקול המחקר נבדק ואושר על ידי ועדת האתיקה של בית החולים העממי השני בשנזן לאיסוף ושימוש במאגר הנתונים הקליני של SPHS, עם מספר האישור 20190910. הסכמה מדעת בכתב התקבלה מכל המטופלים שנכללו בקבוצה של SPHS לפני ההרשמה למחקר זה.

נתוני מטופלים

מחקר זה השתמש בשלושה מערכי נתונים: BraTS2023-Men, BraTS2023-Gli, וקבוצה קלינית חיצונית מ-SPHS (SPHS-Men). מאפייניהם מסוכמים להלן.

BraTS2023-גברים

BraTS2023-Men הוא מסלול המנינגיומה במדד BraTS 202324.25. למחקר זה, 450 מקרים של BraTS2023-Men שימשו כקבוצת המקור לפיתוח מודלים ולהערכה פנימית. כל התמונות עובדו מראש באופן אחיד, כולל הסרת גולגולת, רישום משותף בין מודאליות, ודגימה איזוטרופית ל-1×1×1 מ"מ 3. כל מקרה מכיל ארבעה רצפי MRI (T1, T1c, T2, FLAIR) עם הערות לפי ווקסלים בשלוש קטגוריות: ליבת הגידול הלא מחזקת (תווית 1), בצקת פריגיומלית (תווית 2), וגידול מחמיר (תווית 3). לצורך התאמה להגדרת הגידול הקלינית ששימשה במחקר זה, תוויות 1 ו-3 אוחדו למחלקת גידול אחת, ותווית 2 (בצקת) הוצאה, מה שהוביל למטרה של סגמנטציה בינארית.

BraTS2023-Gli

BraTS2023-Gli הוא מסלול הגליומה של מדד BraTS ויורש את הקונבנציות והאנוטציות הרב-מודליות של BraTS 7,24,26,27. במחקר זה, בוצעה אימון מרכזי על גליומה באמצעות 450 מקרים של BraTS2023-Gli כדי לספק מודל מקור ל-FL מאומן מראש בגליומה, תוך שימוש באותה נוסחה בינארית של גידול מול רקע ששימשה מאוחר יותר למשימת מנינגיומה. המטרה של הכללת קבוצה זו לא הייתה להגדיל את גודל המדגם ביחס ל-BraTS2023-Men, אלא לבדוק האם דומיין מקור גידול מוח הקשור למשימה יכול לספק אתחול ניתן להעברה יותר להתאמה פדרלית עתידית.

SPHS-Men

SPHS-Men הוא מאגר נתונים קליני חיצוני שנאסף מבית החולים השני של שנזן תחת אישור ועדת ביקורת מוסדית. בסך הכל נכללו 174 מקרים להערכה חיצונית. בניגוד ל-BraTS, הנתונים נאספו באמצעות פרוטוקולים קליניים שגרתיים ללא עיבוד מוקדם סטנדרטי, מה שגרם לשונות במרווחי הווקסלים, בעובי הפרוסה, בשדה הראייה ובפרמטרי שחזור התלויים בסורק. ההערות סופקו במקור עם שתי תוויות: מסת הגידול ובצקת/שינוי סביבי. כדי להתאים להגדרת הגידול שמקורה ב-BraTS ששימשה במחקר זה, נשמרה רק גוש הגידול, והבצקת הוצאה. כל מקרים של SPHS עובדו לאחר מכן באמצעות צינור מוכוון הרמוניזציה לפני הערכה חיצונית, כפי שמתואר ברכישת MRI ועיבוד מוקדם. לאחר עיבוד מוקדם, כל ווקסל בקואורדינטות המרחבית r מיוצג על ידי קלט תלת-ערוצים המורכב מעוצמות T1c, T1n ו-T2,
figure-protocol-1

ומשימת הסגמנטציה מוגדרת כסיווג בינארי Y(r) ∈ 0,1 המצביע על גידול לעומת רקע. דוגמאות מייצגות והבדלים איכותיים בין מערכי נתונים מוצגים באיור 1.

figure-protocol-2
איור 1. השוואה מייצגת בין מערכי נתונים. שורה עליונה: SPHS-Men; אמצע: BraTS2023-Men; למטה: BraTS2023-Gli. העמודות מציגות את מסכת הגידול, T1, T1c ו-T2. הבדלים איכותניים בגודל הנגע, דפוס ההגברה והגדרת הגבול משקפים את השינויים המורכבים בהדמיה ובהערות שנמצאו במחקר זה. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

רכישת MRI ועיבוד מוקדם

כל נתוני ה-BraTS הופצו עם עיבוד מוקדם סטנדרטי שכבר הוחל, כולל הסרת גולגולת, רישום משותף ודגימה איזוטרופית. עבור קבוצת SPHS, תמונות DICOM גולמיות הוסבו תחילה לפורמט NIfTI28. התמונות הרב-מודליות נרשמו אז באופן נוקשה למרחב T1 המקורי באמצעות יישור מבוסס מידע הדדי29. מכיוון שהסרת גולגולת היא שלב קדם-עיבוד הכרחי לסגמנטציה של MRI מוח, חילוץ המוח בוצע במפורש לפני אימון המודלים. באופן ספציפי, DeepBet הוחל על התמונה המשוקלת T1 ליצירת מסכת מוח30, והמסכה שהתקבלה הועברה לנפחי T1c ו-T2 הרשומים יחד כדי להסיר רקמות שאינן מוח באופן עקבי בכל המודאליות. תמונות הגולגולת שנחשו לאחר מכן עברו דגימה מחדש לרזולוציה איזוטרופית של 1 x 1 x 1 מ"מ3. מסכות גידול בינאריות שוכללו לבסוף באמצעות פעולות סגירה ופתיחה מורפולוגיות לדיכוי ארטיפקטים של אינטרפולציה שהוכנסו במהלך הדגימה המחודשת. צעדי ההתאמה הללו שימשו לשיפור עקביות הקלט בין מערכי הנתונים לבדיקות חיצוניות, אך לא נועדו לבטל את ההבדלים הבסיסיים ברמת הסורק, הפרוטוקול או ההערות הטבועים בקבוצת SPHS.

עיצוב המחקר

ארכיטקטורת מודלים

כפי שמוצג באיור 2, ארכיטקטורת UMamba דו-ממדית משלבת מודולי רשת עצבית קונבולוציונית שאריתית עם בלוקים12,31 של מודל מצב-מרחב סלקטיבי של ממבה (SSM). עיצוב היברידי זה מאפשר חילוץ סימולטני של תכונות טקסטורה מקומיות באמצעות קונבולוציות והקשר מבני גלובלי לטווח ארוך דרך SSMs, עם עלות חישובית ליניארית ביחס למספר המיקומים המרחביים.

figure-protocol-3
איור 2. ארכיטקטורת UMamba דו-ממדית. המקודד משלב בלוקים קונבולוציונליים שאריתיים ליצירת טקסטורה מקומית ותכונות גבול עם מודולי SSM סלקטיביים של Mamba למידול הקשר לטווח ארוך. רכיבים אלו מחוברים באמצעות חיבורי דילוג למפענח קונבולוציה טרנספוזי. קלט הרשת מורכב מפרוסה מרובת מודלים בשלושה ערוצים הכוללת מודאליות T1, T1c ו-T2. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

מקודד

פרוסות MRI רב-מודליות עם C = 3 ערוצי קלט מעובדות על ידי מקודד היררכי. בכל שלב s ∈ 1,..., S, מפת תכונות הקלט מעובדת תחילה על ידי בלוק קונבולוציוני שאריתי לחילוץ דפוסים מרחביים מקומיים. מפת התכונות מושטחת לרצף חד-ממדי ומעובדת על ידי מודול SSM סלקטיבי כדי ללכוד תלות קונטקסטואלית לטווח ארוך. הקטנת דגימה מרחבית מתבצעת באמצעות קונבולוציות stride-2, המייצרות בהדרגה ייצוגי תכונות היררכיים F_s ∈ R^C_s × H/2^s × W/2^s עם ממדי ערוץ עולים C_s ∈ 32, 64, 128, 256, 512.

SSM סלקטיבי ממבה

ה-SSM הסלקטיבי פועל על רצף חד-ממדי x ∈ R^L × d. מכיוון שהסבכות המרחבית מופרעת במהלך השטחה חד-ממדית סטנדרטית של מפות תכונות דו-ממדיות, נעשה שימוש באסטרטגיית סריקה רב-כיוונית: מפות תכונות נסרקות בארבעה כיוונים (שורה קדימה, שורה אחורה, עמודה קדימה ועמודה אחורה) כדי לשמר הקשר מרחבי בשני כיווני השורה והעמודה. ה-SSM בזמן רציף מוגדר כך:
figure-protocol-4    

figure-protocol-5

כאשר A ∈ R^N × N מציין את מטריצת מעבר המצב הניתנת ללמידה המאותחלת באמצעות מסגרת HiPPO (אופרטור הקרנה פולינומי נסתר)31. מטריצות ההקרנה B(t) ו-C(t) תלויות בקלט, ומקימות מנגנון סלקטיבי שמאפשר למודל לסנן באופן דינמי טוקנים לא רלוונטיים ולשמור על מידע הקשרי חשוב. המערכת הרציפה מבודדת באמצעות שלב זמן Δ באמצעות טרנספורמציית אחיזה מסדר אפס (ZOH):

figure-protocol-6

figure-protocol-7

figure-protocol-8

figure-protocol-9

בכל שלב דיסקרטי k, הפרמטרים B, C ו-Δ מחושבים כהקרנות ליניאריות של הטוקן הקלט xk, המאפשרים התפשטות תכונה תלויה בקלט. אתחול HiPPO מבטיח שהערכים העצמיים מקיימים את |λj(barA)| < 1, ששומר על ייצוגי המצב הנסתרים ‖hk‖ מוגבלים על פני רצפים מרחביים ארוכים באופן שרירותי.

מפענח וחיבורים מדלגים

המפענח משחזר את הרזולוציה המרחבית המקורית מהייצוגים המקודדים. בכל שלב, קונבולוציות טרנספוזיות מעלות את מפות התכונות ברזולוציה נמוכה יותר. חיבורי דילוג משלבים את תכונות המקודד הרב-קנה מידה F_s עם תכונות המפענח המוגדלות המתאימות, ושומרים על מידע גבולות בתדר גבוה החיוני לזיהוי מדויק של גידול ברמת ווקסלים.

אובדן אימון

אופטימיזציה של המודל מונחית על ידי פונקציית הפסד מורכבת:
figure-protocol-10

כאשר p_θ(r) ∈ [0,1] היא ההסתברות החזויה לגידול בווקסל r, Y(r) היא תווית האמת הבינארית המתאימה, ו-λ = 1.0 מאזנת את שני האיברים. אובדן הקוביות מייעל ישירות את מדד ההערכה היעד ומתמודד עם חוסר האיזון הקיצוני של הקדמה-רקע הטמון בסגמנטציה של מנינגיומה, שבו הווקסלים של הגידול מהווים בדרך כלל פחות מ-0.5% מנפח התוך-גולגולתי הכולל. מונח ה-cross-entropy הבינארי (BCE) מספק פיקוח לכל ווקסל, ומייצב את האימון בסביבה לא מאוזנת זו.

תצורת אימונים

כל מודלי הסגמנטציה אופטימליזציה באמצעות AdamW עם קצב למידה התחלתי של η₀ = 3 × 10⁻4, לוח זמנים לאנילינג קוסינוס, ודעיכת משקל של 5 × 10⁻4. מודלי הבסיס המרכזיים אומנו ל-200 תקופות בקבוצות BraTS2023 עם 450 מארזים עם גודל אצווה של 16. כדי למנוע עמימות בהקשר המאוחד, אנו משתמשים במונחים הבאים לאורך כל כתב היד: סבב תקשורת מציין מחזור FL שלם הכולל שידור שרתים, אופטימיזציה מקומית של הלקוח ואגרגציה של שרתים; איטרציה באצווה קטנה מציינת עדכון פרמטר אחד על אצווה אחת קטנה; והאופטימיזציה המקומית שבוצעה על ידי כל לקוח בסבב אחד כללה 250 איטרציות מיני-אצווה. במילים אחרות, כל לקוח ביצע שלב אימון מקומי אחד בכל סבב, והשלב המקומי כלל 250 איטרציות לעדכון פרמטרים. לכן, המונח 'עגול' (r = 3) במחקר זה מתייחס רק לתקשורת FL, ולא לתקופה לאורך כל מאגר הנתונים המרכזי. צינור הגדלת נתונים מקוון יושם באופן אחיד בכל תצורות האימון, כולל הפיכת אופקית ואנכית אקראית (p=0.5 לכל ציר), סיבוב אקראי במישור (±15^circ), קנה מידה אקראי של עוצמה (דגום אחיד מ-[0.85, 1.15]), ורעש גאוסיאני מצטבר (sigma ∼ U[0, 0.05]) שחושב לכל פרוסה דו-ממדית. כל ההרחבה הושבתה במהלך ההסקה והאישור. המסגרת יושמה ב-PyTorch 2.0.1 עם MONAI 1.3 לטעינת נתונים, וכל החישובים בוצעו על יחידות עיבוד גרפיקה (GPUs) NVIDIA GeForce RTX 3090 (24 GB GDDR6X). שחזוריות הובטחה על ידי תיקון כל הזרעים האקראיים ב-PyTorch, NumPy ומודול Python לאותם ערכים לכל האסטרטגיות.

אסטרטגיות ניסיוניות

שלוש אסטרטגיות אימון עיקריות הושוו להערכת הכללה בין-מרכזית (איור 3). התוויות FL מאומן מראש על ידי מנינגיומה ו-FL מאומן מראש בגליומה הן שמות תיאוריים שהוצגו בכתב יד זה כדי להבחין במקור המודל הגלובלי הראשוני לפני ההתאמה הפדרטיבית.

figure-protocol-11
איור 3. סקירה כללית של עיצוב ניסוי. (א) הכשרה מרוכזת באמצעות 450 מקרים של BraTS2023-Men, ואחריה הערכה חיצונית על SPHS. (B) FL מאומן מראש על ידי מנינגיומה בשלושה לקוחות מדומים. (C) FL מאומן מראש בגליומה שהופעל ממודל גליומה מרכזי לפני התאמה פדרטיבית. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

אסטרטגיה 1 (הכשרה מרכזית)

דגם UMamba 2D אחד אומן על כל 450 מארזי BraTS2023-Men. אסטרטגיה זו מייצגת את הגבול העליון של ביצועים בתוך הדומיין ומשמשת כבסיס להערכת הידרדרות חוצה מרכזים.

אסטרטגיה 2 (FL עם אתחול תחום MEN)

450 מקרים של BraTS2023-Men הוקצו באקראי לשלושה לקוחות (|Di| = 150) עבור חלוקה שווה. שלושת לקוחות BraTS2023-Men סומולציה מאותה קבוצה ציבורית ולא נבנו באמצעות מטא-דאטה ספציפית למוסדות או תוויות מקור סורק. כדי לאתחל אימון פדרטיבי בתחום המנינגיומה, המודל הגלובלי הראשוני אומן תחילה על חלוקת לקוח קבועה של BraTS2023-Men (לקוח 1 במימוש זה) ולאחר מכן שימש להפעלת ההליך המאוחד. לקוח זרע זה נשמר קבוע לאורך ניסויים לצורך שחזוריות ויש לפרש אותו כהתחלה חמה בתוך הדומיין ולא כלקוח מקור מותאם או מועדף. מכיוון ששלושת הלקוחות דומו על ידי חלוקת אותה קבוצת BraTS2023-Men, בחירת אתחול זו משקפת נקודת התחלה ברמת יישום ולא קודמת מוסדית ביולוגית מובחנת. מטרת העיצוב לא הייתה לשחזר תהליך שיגור רב-מוסדי אמיתי, אלא לספק השוואה מבוקרת בין הכשרה מרכזית על כל נתוני MEN הזמינים לבין שיתוף פעולה פדרטיבי, החל מ-FL מאומן מראש חלקית למנינגיומה. יעד האופטימיזציה המאוחד הגלובלי מוגדר כך:
figure-protocol-12

כאשר Di מציין את קבוצת האימון המקומית של לקוחות i, ו-ell הוא אובדן ה-Dice + האנטרופיה החוצה. בסבב תקשורת 1, משקלי האגרגציה היו פרופורציונליים למספר המדגם (wi(1) = 1/3). כדי להוריד משקל של לקוחות עם ביצועים חלשים בסבבי תקשורת הבאים, סבבים 2 ו-3 השתמשו באגרגציה משוקללת לפי קוביות אימות (validation dice):
figure-protocol-13
כאשר DSCi(r) הוא ה-DSC הממוצע המקרה על חלוקת האימות המקומית של לקוח i לאחר אימון מקומי בסיבוב תקשורת r, ו-ε = 10⁻6 הוא קבוע קטן למניעת חלוקה באפס.

אסטרטגיה 3 (FL עם אתחול מאומן מראש בגליומה)

כדי להשיג התחלה חמה חוצת תחומים הקשורה למשימה, בוצעה תחילה הכשרה מרכזית על גליומה באמצעות 450 מקרים של BraTS2023-Gli עם אותן שלוש מודאליות MRI (T1, T1c ו-T2) ואותה נוסחה בינארית של גידול מול רקע שאומצה בניסויי המנינגיומה.

בפרט, תוויות גליומה אוחדו על ידי שילוב ליבת הגידול הלא מחזקת והמחזיק למחלקה אחת קדמית, בעוד שהבצקת הפריגיומלית הוצאה, כך שמשימות המקור והמטרה חלקו את אותה הגדרת פלט בינארית. מכיוון שגם משימות המקור וגם המטרה נוסחו כסגמנטציה בינארית, המשקלים המאומנים מראש הועברו ישירות לאתחול המודל הדו-ממדי המלא של UMamba, כולל ראש הסגמנטציה, במקום להשליך ולאתחל מחדש את השכבה הסופית. אותו פרוטוקול FedAvg יושם לאחר מכן, כאשר המודל הגלובלי הראשוני אותחל על ידי האימון המרכזי המתכנס על משקלי גליומה (θ⁽°⁾ = θ_Gli^*). ההתאמה הפדרלית הבאה ניתנת על ידי:
figure-protocol-14

כאשר Δθ(r) מייצג את עדכוני הפרמטרים הספציפיים לתחום שמצטברים לאורך סבבי תקשורת r. אסטרטגיה זו בודקת האם מודל מקור FL מאומן מראש בגליומה מספק נקודת התחלה טובה יותר להתאמה פדרטיבית על מטופלי מנינגיומה.

מדדי הערכה

כל האסטרטגיות הוערכו על קבוצת SPHS באמצעות פרוטוקול ממוצע מקרים. ה-DSC וה-IoU חושבו באופן עצמאי לכל מקרה ואז נמדדו בממוצע, כדי להבטיח משקל סטטיסטי שווה לכל הנבדקים ללא קשר לנפח הגידול:
figure-protocol-15
 figure-protocol-16

דווחו גם הרכבי שגיאות ממוצעות לפי מקרה—כולל ממוצע חיובי אמיתי (TP), חיובי שגוי (FP), שלילי שגוי (FN) וספירת ווקסלים שליליים אמיתיים (TN) למקרה. פירוט זה מבדיל בין סגמנטציה יתר לשגיאות תת-סגמנטציה, ומספק תובנות לגבי מצבי כשל כיווניים.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

תוצאות

המודל הדו-ממדי המרכזי של UMamba (אסטרטגיה 1) השיג ביצועים תחרותיים בתוך הדומיין בסט הבדיקות הפנימי BraTS2023-Men, עם DSC ממוצע מקרים של 0.8958, IoU של 0.8356, FN של 1,902, FP של 667, TN של 8,902,814, ו-TP של 22,616. כאשר הוערך על קבוצת האימות החיצונית של SPHS, המודל המרכזי הניב DSC של 0.7452 ±-0.1992 ו-IoU של 0.6241 ± 0.1941, התואם לפער הכללה חוצה-מרכזי של ΔDSC = 0.1506 (טבלה 1, מזהה 1). כבסיס נוסף לקונפיגורציה עצמית, nnUNet-v2 השיג DSC של 0.7381 ± 0.1931 ו-IoU של 0.6142...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

דיון

הממצא המרכזי במחקר זה הוא שאיכות האתחול—ולא פרוטוקול האגרגציה המאוחד עצמו—היא הגורם המכריע בסגירת פער ההכללה החוצה-מרכזית לחלוקת מנינגיומות השומרת על פרטיות. בעוד שמודל UMamba המרכזי הדו-ממדי השיג ביצועים חזקים בתוך הדומיין בקבוצה BraTS2023-MEN (DSC = 0.8958), הוא סבל מירידה משמעותית כאשר הוערך במאגר הנתונים הקליני העצמאי של SPHS (Δ DSC = 0.1506). ירידה זו בביצועים מדגישה את הפגיעות של מודלים שאומנו על מדדים מוכנים לשינויים מורכבים בדומיין, הכוללים הן פערים ברמת ההדמיה (למשל, חומרת סורקי...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

גילויים

למחברים אין ניגודי עניינים להצהיר עליהם.

תודות

עבודה זו נתמכה על ידי הקרן הלאומית למדעי הטבע של סין (מענק 12405382), ועדת החדשנות במדע וטכנולוגיה של שנזן (מענק JCYJ20220530143602006), פרויקט המחקר הבסיסי של שנזן (קרן המדע הטבעי) (מענק JCYJ20220530150416036), ופרויקט הרווחה החברתית של מחלקת המדע והטכנולוגיה של מונגוליה הפנימית (פרויקט מס' 2026YFSH0155).

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
BraTS2023-Gli datasetASNR-MICCAI BraTS Challenge / Synapse (Sage Bionetworks)N/Aמקבץ נתוני MRI של גליומה ציבורי המשמש לאתחול מוקדם של גליומה. במחקר זה, 450 מקרים שימשו תחת ניסוח הגידול-לעומת-הרקע הבינארי. https://www.synapse.org/Synapse:syn51156910/wiki/622351
BraTS2023-Men datasetASNR-MICCAI BraTS Challenge / Synapse (Sage Bionetworks)N/Aמקבץ נתוני MRI של מנינגיומה ציבורי המשמש כקבוצת המקור לפיתוח מודל והערכה פנימית. במחקר זה, 450 מקרים שימשו. https://arxiv.org/abs/2305.07642
DeepBetתוכנה אקדמית מאת Fisch et al.N/Aכלי חילוץ מוח המוחל על תמונת T1-weighted כדי ליצור מסיכת מוח עבור קבוצת SPHS. https://arxiv.org/abs/2308.07003
MONAIפרויקט MONAIגרסה 1.3מסגרת AI לדימות רפואי המשמשת לטעינת נתונים ויישום זרימת העבודה של למידת עמוקה. https://docs.nvidia.com/monai/index.html
כרטיס גרפי NVIDIA GeForce RTX 3090NVIDIAGeForce RTX 3090יחידת עיבוד גרפית עם זיכרון GDDR6X בנפח 24 GB המשמשת לאימון מודל וחישוב. https://www.nvidia.com/en-me/geforce/graphics-cards/30-series/rtx-3090-3090ti/
PyTorchPyTorch Foundation, Linux Foundationגרסה 2.0.1מסגרת למידת עמוקה המשמשת ליישום ולאימון מודלי הפילוח הדו-ממדיים של UMamba. https://pytorch.org/foundation/
PythonPython Software Foundationגרסה 3.10סביבת תכנות המשמשת לאימון מודל, עיבוד מוקדם, הערכה וניתוח סטטיסטי. החלף עם גרסת ה- Python המדויקת אם ידוע. https://www.python.org/psf-landing/
קבוצת המקרים הקליניים SPHS-Menבית החולים השני של שן-ג'ןN/Aקבוצת MRI רב-מודאלית קלינית חיצונית המשמשת להערכה עצמאית. בסך הכל נכללו 174 מקרים.
יישום מודל UMamba 2DBowang-lab / מחברי U-Mambaתצורת U-Mamba 2Dארכיטקטורת פילוח מבוססת מרחב מצב המשמשת לפילוח מנינגיומה בינארי. https://u-mamba.github.io/

מקורות

  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).

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה

בקש הרשאה

תגיות

233233UMamba

מאמרים קשורים