Migliorare la generalizzazione cross-centrica per la segmentazione multimodale del meningioma tramite risonanza magnetica tramite l'apprendimento federato pre-allenato con glioma

Sommario

Questo studio indaga l'impatto dell'apprendimento federato pre-preparato al glioma sulla generalizzazione esterna nella segmentazione del meningioma tramite risonanza magnetica multimodale

Abstract

La segmentazione automatica del meningioma nella risonanza magnetica multimodale rimane difficile quando i modelli vengono trasferiti tra istituzioni, perché i protocolli degli scanner, le caratteristiche delle immagini e gli stili di annotazione possono variare tra i centri. L'apprendimento federato (FL) fornisce una strategia che preserva la privacy per lo sviluppo di modelli multicentrici, ma l'aggregazione standard potrebbe non superare completamente lo spostamento di dominio cross-center. Questo studio mirava a quantificare il divario di generalizzazione esterna nella segmentazione del meningioma tramite risonanza magnetica e a valutare se la Formula Femminile pre-addestrata con glioma potesse migliorare la robustezza senza il centralizzazione del pooling dei dati. Un'architettura UMamba 2D fu utilizzata per la segmentazione binaria del meningioma utilizzando la risonanza magnetica T1, T1c e T2 come input del modello. Il protocollo includeva 450 casi BraTS2023-Men come dataset di meningioma nel dominio di origine e 174 casi clinici indipendenti del nostro istituto come coorte di validazione esterna. Tre strategie finali di segmentazione del meningioma sono state valutate quantitativamente sotto lo stesso contesto di validazione esterna: addestramento centralizzato su BraTS2023-Men, FL pre-addestrata per meningioma su tre clienti simulati, e FL pre-addestrata per Glioma inizializzata da un modello sorgente BraTS2023-Gli prima dell'ottimizzazione federata. L'addestramento centralizzato su Glioma è stato utilizzato solo per generare l'inizializzazione pre-allenata con glioma e non è stato riportato come una strategia finale di segmentazione del meningioma valutata indipendentemente. Le prestazioni del modello sono state valutate utilizzando il coefficiente di similarità (DSC) di Dice e l'intersezione sull'unione (IoU). L'addestramento centralizzato su BraTS2023-Men ha mostrato un chiaro calo di generalizzazione esterna, con il DSC che è diminuito da 0,8958 sul test interno BraTS2023-Men impostato a 0,7452 sulla coorte SPHS. La FL pre-addestrata con meningioma ha prodotto prestazioni esterne inferiori (DSC = 0,7122), mentre la FL pre-addestrata con glioma ha raggiunto prestazioni comparabili all'addestramento centralizzato su BraTS2023-Men e migliorata rispetto alla FL pre-addestrata con meningioma (DSC = 0,7503; IoU = 0,6301; Aggiustato per Holm p < 0,001). Questi risultati suggeriscono che l'inizializzazione pre-allenata con glioma fornisce un punto di partenza più solido per la segmentazione federata del meningioma e potrebbe migliorare la generalizzazione esterna preservando al contempo la privacy dei dati istituzionali.

Introduzione

I meningiomi sono la neoplasia intracranica primaria più diffusa negli adulti, rappresentando circa il 38% di tutti i tumori primari del cervello e del sistema nervoso centrale negli Stati^Uniti. Originati da cellule meningoteliali (cappuccio aracnoideo), comprendono i gradi I–III dell'Organizzazione Mondiale della Sanità (OMS), che coprono un ampio spettro clinico: i tumori di grado I (circa l'80%) sono generalmente associati a risultati favorevoli dopo la resezione totale grossola, mentre le lesioni di grado II (atipico) e III (anaplastiche) mostrano tassi di recidiva sostanzialmente più elevati del 20–40% e superano il 70% a dieci anni,^{rispettivamente 2. 3}. Il processo decisionale clinico — inclusi la microresezione chirurgica, la radiochirurgia stereotatattica (SRS), la radioterapia frazionata e la sorveglianza attiva — dipende da una delineazione volumetrica accurata e riproducibile dell'estensione tumorale attraverso studi di imaging longitudinali. Una segmentazione robusta dei meningiomi dall'imaging a risonanza magnetica (MRI) è quindi un prerequisito per una pianificazione del trattamento coerente e una valutazione degli esiti.

La risonanza magnetica multi-sequenza costituisce la base della caratterizzazione del meningioma nella pratica clinica di routine, con ogni sequenza che codifica aspetti complementari della biologia tumorale e della risposta dei tessuti circostanti. L'imaging ponderato T1 (T1c) con contrasto evidenziato le aree di alterazione della barriera emato-encefalica attraverso l'accorciamento del rilassamento T₁ indotto dal gadolinio, permettendo una chiara visualizzazione del parenchima tumorale potenziante e la definizione del confine primario della lesione. L'imaging ponderato T1 non a contrasto (T1) fornisce un contesto strutturale per valutare l'interfaccia aracnoide, l'attacco durale e il coinvolgimento osseo adiacente. L'imaging ponderato T2 (T2) cattura l'eterogeneità intra-tumorale e l'edema peritumorale, entrambi essenziali per comprendere l'effetto di massa e per delineare i volumi di trattamento nella pianificazione^{radiochirurgica 3,4}. Il contouring manuale rimane l'approccio standard per la delineazione del meningioma. Durante questo processo, i clinici considerano tipicamente le informazioni complementari di contrasto tra più sequenze di risonanza magnetica per definire l'estensione tumorale. Tuttavia, questa procedura richiede tempo ed è associata a una notevole variabilità tra osservatori, in particolare in regioni anatomicamente ambigue come la coda durale, dove le metriche di accordo riportate scendono sotto 0,80 ^5,6. Queste limitazioni motivano lo sviluppo di approcci di segmentazione automatizzati che garantiscono prestazioni costanti e scalabili.

Il deep learning ha fatto avanzare sostanzialmente la segmentazione delle immagini mediche, supportata da dataset benchmark come BraTS⁷ e dall'emergere di molteplici paradigmi architettonici, inclusi modelli convoluzionali come U-Net⁸ e nnU-Net⁹, modelli basati su Transformer come UNETR e Swin-UNETR^10,11, e approcci basati su modelli di spazio di stato (SSM) come UMamba¹². Lavori recenti hanno ulteriormente esplorato le reti Swin Transformer guidate dall'attenzione spiegabili e i design global-locali dei Transformer della Visione/spazi di stati assiali per la segmentazione 3D di tumori^{cerebrali 13,14}, evidenziando lo sviluppo continuo di pipeline di segmentazione basate su trasformatori e spazi di stati. Nonostante una forte performance di riferimento, gli studi specifici sul meningioma sono stati storicamente limitati da dimensioni relativamente piccole delle coorti (tipicamente 50–200 casi^)15,16. La pubblicazione del dataset¹⁷ di meningioma BraTS 2023, con oltre 1.000 casi, allevia parzialmente questa limitazione; tuttavia, la maggior parte dei modelli viene ancora addestrata e valutata all'interno di dataset curati e le loro prestazioni spesso peggiorano quando applicate a dati clinici^{indipendenti 18}. Questo evidenzia una questione fondamentale: raggiungere una generalizzazione robusta tra i centri richiede l'esposizione a dati multicentrici diversi.

In pratica, l'aggregazione di dataset multicentrici su larga scala è vincolata dalle normative sulla privacy dei dati e dalle politiche istituzionali, rendendo difficile o impossibile la formazione centralizzata. L'apprendimento federato (FL) affronta questo vincolo abilitando l'addestramento collaborativo dei modelli senza condividere dati grezzi, dove ogni istituzione si allena localmente e contribuisce con aggiornamenti del modello globale tramite aggregazione, come in Federated Averaging (FedAvg)¹⁹. Lavori correlati hanno inoltre esteso la Florida che preserva la privacy alla modellazione dell'intenzione umana nella paralisi cerebrale pediatrica utilizzando la realtà^{estesa 20}, e è stato proposto un deep learning leggero con visualizzazione in realtà virtuale per la segmentazione offline dei tumori in^{ambienti rurali 21}, riflettendo la più ampia necessità di flussi di lavoro medici AI deployabili e consapevoli della privacy. Sebbene la FL fornisca un quadro pratico per l'apprendimento multicentro, introduce una nuova sfida: ogni sito partecipante tipicamente dispone di un dataset locale limitato e di un addestramento locale indipendente prima dell'aggregazione può portare ad aggiornamenti locali subottimali e a un degrado delle prestazioni globali, soprattutto quando le distribuzioni dei dati locali si dividono — il problema noto come client^{drift 22}. Una strategia complementare naturale è inizializzare il modello utilizzando conoscenze apprese da un dataset sorgente^{correlato 23}. Nell'imaging dei tumori cerebrali, il glioma rappresenta un compito sorgente strettamente correlato con caratteristiche di imaging parzialmente condivise e caratteristiche del contesto tumorale, rendendolo un dominio pratico per la preaddestrazione. Sebbene meningiomi e gliomi differiscano per caratteristiche biologiche e aspetto per l'imaging, condividono modalità di imaging comuni e un contesto anatomico, permettendo di apprendere rappresentazioni trasferibili a basso e medio^{livello 3}. Studi precedenti hanno dimostrato che tale preaddestramento inter-tumorale può migliorare le prestazioni in contesti con dati^{limitati 23}. Nonostante questi sviluppi, rimane incerto come FL si comporti per la segmentazione del meningioma in condizioni realistiche multicentriche, e se il preaddestramento del glioma possa migliorare l'addestramento federato quando ogni sito dispone di dati limitati. I benefici relativi della sola FL rispetto alla FL pre-addestrata con glioma non sono stati valutati sotto validazione clinica esterna.

Per colmare questa lacuna, questo studio conduce un confronto controllato utilizzando una coorte esterna indipendente di SPHS. In particolare, indagiamo tre domande: (i) l'entità del divario di generalizzazione trasversale tra modelli addestrati su dati di riferimento e dati clinici esterni; (ii) se FL può ridurre questo divario in condizioni di dati locali limitate; e (iii) se la Glioma pre-addestrata FL (glioma -> meningioma) offra ulteriori guadagni di prestazione rispetto sia all'addestramento centralizzato sia agli approcci federati standard.

Protocollo

Questo studio era uno studio clinico retrospettivo. Il protocollo dello studio è stato esaminato e approvato dal Comitato Etico del Second People's Hospital di Shenzhen per la raccolta e l'utilizzo del dataset clinico SPHS, con il numero di approvazione 20190910. Il consenso informato scritto è stato ottenuto da tutti i pazienti inclusi nella coorte SPHS prima dell'iscrizione a questo studio.

Dati dei pazienti

Questo studio ha utilizzato tre dataset: BraTS2023-Men, BraTS2023-Gli, e una coorte clinica esterna di SPHS (SPHS-Men). Le loro caratteristiche sono riassunte di seguito.

BraTS2023-Uomini

BraTS2023-Men è il tracciato meningioma del benchmark BraTS^{2023 24,25}. Per questo studio, 450 casi BraTS2023-Men sono stati utilizzati come coorte di riferimento per lo sviluppo del modello e la valutazione interna. Tutte le immagini sono state pre-elaborate in modo uniforme, inclusi lo scrampiamento cranico, la co-registrazione tra le modalità e il ricampionamento isotropo fino a 1×1×1 mm³. Ogni caso contiene quattro sequenze di risonanza magnetica (T1, T1c, T2, FLAIR) con annotazioni voxel in tre categorie: nucleo tumorale non potenziante (etichetta 1), edema peritumorale (etichetta 2) e tumore potenziante (etichetta 3). Per coerenza con la definizione clinica di tumori utilizzata in questo studio, le etichette 1 e 3 sono state unite in un'unica classe tumorale e l'etichetta 2 (edema) è stata esclusa, risultando in un bersaglio binario di segmentazione.

BraTS2023-Gli

BraTS2023-Gli è il percorso glioma del benchmark BraTS e eredita le convenzioni consolidate di risonanza magnetica multimodale BraTS e il framework^{di annotazione} 7,24,26,27. In questo studio, è stato effettuato un addestramento centralizzato sul Glioma utilizzando 450 casi BraTS2023-Gli per fornire un modello sorgente per la Florida pre-addestrata al Glioma, utilizzando la stessa formulazione binaria tumore-versus-fondo successivamente usata per il compito meningioma. L'obiettivo di includere questa coorte non era aumentare la dimensione del campione rispetto a BraTS2023-Men, ma testare se un dominio sorgente di tumori cerebrali legato al compito potesse fornire un'inizializzazione più trasferibile per un successivo adattamento federato.

SPHS-Men

SPHS-Men è un dataset clinico esterno raccolto dal Second People's Hospital di Shenzhen, sotto l'approvazione del comitato di revisione istituzionale. Sono stati inclusi in totale 174 casi per la valutazione esterna. A differenza di BraTS, i dati sono stati acquisiti utilizzando protocolli clinici di routine senza preprocessing standardizzato, portando a variabilità nella spaziatura voxel, nello spessore della taglia, nel campo visivo e nei parametri di ricostruzione dipendenti dallo scanner. Le annotazioni erano originariamente fornite con due etichette: massa tumorale ed edema/cambiamento peritumorale. Per allinearsi con la definizione di tumore derivato da BraTS utilizzata in questo studio, è stata trattenuta solo la massa tumorale ed è stato escluso l'edema. Tutti i casi SPHS sono stati successivamente processati utilizzando una pipeline orientata all'armonizzazione prima della valutazione esterna, come descritto nell'acquisizione e pre-elaborazione della risonanza magnetica. Dopo la pre-elaborazione, ogni voxel alla coordinata spaziale r è rappresentato da un ingresso a tre canali composto dalle intensità T1c, T1n e T2,

e il compito di segmentazione è definito come classificazione binaria Y(r) ∈ 0,1 che indica tumori rispetto a background. Esempi rappresentativi e differenze qualitative tra i dataset sono mostrati nella Figura 1.

Figura 1. Confronto rappresentativo tra dataset. Nella fila superiore: SPHS-Men; centro: BraTS2023-Uomini; In fondo: BraTS2023-Gli. Le colonne mostrano maschera tumorale, T1, T1c e T2. Le differenze qualitative nella dimensione della lesione, nel modello di miglioramento e nella definizione dei confini riflettono gli spostamenti di imaging e annotazione composti riscontrati in questo studio. Clicca qui per visualizzare una versione più grande di questa figura.

Acquisizione e preprocessing della risonanza magnetica

Tutti i dati BraTS sono stati distribuiti con preprocessatura standardizzata già applicata, inclusi skulpping cranico, co-registrazione e ricampionamento isotropo. Per la coorte SPHS, le immagini DICOM grezze sono state prima convertite nel formato^{NIfTI 28}. Le immagini multimodali sono state quindi rigidamente registrate nello spazio T1 nativo usando l'allineamento basato su informazioni^{reciproche 29}. Poiché lo scrampiamento del cranio è un passaggio necessario di pre-elaborazione per la segmentazione della risonanza magnetica cerebrale, l'estrazione cerebrale è stata eseguita esplicitamente prima dell'addestramento del modello. In particolare, DeepBet è stato applicato all'immagine ponderata T1 per generare una maschera^{cerebrale 30}, e la maschera risultante è stata propagata ai volumi T1c e T2 co-registrati per rimuovere in modo coerente tessuto non cerebrale in tutte le modalità. Le immagini scavate dal cranio sono state successivamente ricampionate a una risoluzione isotropa di 1 x 1 x 1 mm³. Le maschere tumorali binarie sono state infine affinate utilizzando operazioni morfologiche di chiusura e apertura per sopprimere artefatti di interpolazione introdotti durante il ricampionamento. Questi passaggi di armonizzazione sono stati utilizzati per migliorare la coerenza degli input tra dataset per i test esterni, ma non erano destinati a eliminare le differenze a livello di scanner, protocollo o annotazione intrinsece alla coorte SPHS.

Progettazione dello studio

Architettura del modello

Come mostrato nella Figura 2, l'architettura 2D di UMamba integra moduli di rete neurale convoluzionale residua con i blocchi^12,31 del modello selettivo di stati (SSM) Mamba. Questo design ibrido consente l'estrazione simultanea di caratteristiche di texture locali tramite convoluzioni e di contesto strutturale globale a lungo raggio tramite SSM, con un costo computazionale lineare rispetto al numero di posizioni spaziali.

Figura 2. L'architettura 2D di UMamba. L'encoder integra blocchi convoluzionali residui per l'estrazione locale di texture e caratteristiche di bordo con moduli SSM selettivi Mamba per la modellazione contestuale a lungo raggio. Questi componenti sono collegati tramite connessioni di salto a un decodificatore a convoluzione trasposta. L'ingresso di rete consiste in una sezione MRI multimodale a tre canali che comprende le modalità T1, T1c e T2. Clicca qui per visualizzare una versione più grande di questa figura.

Codificatore

Le sezioni MRI multimodali con C = 3 canali di ingresso vengono elaborate da un codificatore gerarchico. In ogni stadio s ∈ 1,..., S, la mappa delle caratteristiche di ingresso viene prima elaborata da un blocco convoluzionale residuo per estrarre schemi spaziali localizzati. La feature map viene poi appiattita in una sequenza unidimensionale ed elaborata da un modulo SSM selettivo per catturare dipendenze contestuali a lungo raggio. Il downsampling spaziale viene eseguito utilizzando convoluzioni stride-2, generando progressivamente rappresentazioni gerarchiche F_s ∈ R^C_s × H/2^ × W/2^s con dimensioni crescenti del canale C_s ∈ 32, 64, 128, 256, 512.

SSM selettivo Mamba

La SSM selettiva opera su una sequenza unidimensionale x ∈ R^L × d. Poiché l'adiacenza spaziale viene interrotta durante l'appiattimento standard unidimensionale delle feature map bidimensionali, si utilizza una strategia di scansione multidirezionale: le feature map vengono scansionate lungo quattro direzioni (riga avanti, riga indietro, colonna avanti e colonna indietro) per preservare il contesto spaziale sia nelle righe che nelle colonne. La SSM a tempo continuo è definita come:
    

dove A ∈ R^N × N indica la matrice di transizione di stato apprendibile inizializzata tramite il framework HiPPO (Hidden Polynomial Projection^{Operator) 31}. Le matrici di proiezione B(t) e C(t) dipendono dall'input, stabilendo un meccanismo selettivo che consente al modello di filtrare dinamicamente i token irrilevanti e trattenere informazioni contestuali importanti. Il sistema continuo viene discretizzato usando un passo temporale Δ tramite una trasformazione di mantenimento di ordine zero (ZOH):

Ad ogni passo discreto k, i parametri B, C e Δ vengono calcolati come proiezioni lineari del token di ingresso x_k, consentendo la propagazione delle caratteristiche dipendenti dall'input. L'inizializzazione HiPPO garantisce che gli autovalori soddisfino |λ_j(barA)| < 1, che mantiene le rappresentazioni degli stati nascosti ‖h_k‖ delimitate su sequenze spaziali arbitrariamente lunghe.

Connessioni di decodificatore e skip

Il decodificatore ricostruisce la risoluzione spaziale originale dalle rappresentazioni codificate. Ad ogni stadio, le convoluzioni trasposte campionano le feature map a risoluzione inferiore. Le connessioni di salto concatenano le caratteristiche dell'encoder multiscala F_s con le corrispondenti caratteristiche del decodificatore upcampionate, preservando informazioni di confine ad alta frequenza essenziali per una delineazione precisa del tumore a livello voxel.

Perdita durante gli allenamenti

L'ottimizzazione del modello è guidata da una funzione di perdita composita:

dove p_θ(r) ∈ [0,1] è la probabilità prevista di tumore al voxel r, Y(r) è l'etichetta binaria di verità fondamentale corrispondente, e λ = 1,0 bilancia i due termini. La perdita di Dice ottimizza direttamente la metrica di valutazione del bersaglio e affronta lo squilibrio estremo in primo piano-fondo insito nella segmentazione del meningioma, dove i voxel tumorali costituiscono tipicamente meno dello 0,5% del volume intracranico totale. Il termine binario di entropia incrociata (BCE) fornisce supervisione per voxel, stabilizzando l'addestramento in questo contesto squilibrato.

Configurazione di addestramento

Tutti i modelli di segmentazione sono stati ottimizzati utilizzando AdamW con un tasso di apprendimento iniziale di η₀ = 3 × 10⁻⁴, un programma di annealing coseno e un decadimento del peso di 5 × 10⁻⁴. I modelli centralizzati di base sono stati addestrati per 200 epoche sulle coorti BraTS2023 da 450 case con una dimensione di batch di 16. Per evitare ambiguità nell'ambito federato, utilizziamo la seguente terminologia in tutto questo manoscritto: un round di comunicazione indica un ciclo FL completo costituito da trasmissione server, ottimizzazione locale dei client e aggregazione server; Un'iterazione mini-batch indica l'aggiornamento di un parametro su un mini-batch; e l'ottimizzazione locale eseguita da ciascun cliente in un round consisteva in 250 iterazioni mini-batch. In altre parole, ogni client eseguiva una fase di addestramento locale per round, e quella fase locale conteneva 250 iterazioni di aggiornamento parametri. Pertanto, il termine 'round' (r = 3) in questo studio si riferisce solo alla comunicazione FL, non a un'epoca che coinvolge l'intero dataset centralizzato. Una pipeline di aumento dati online è stata applicata uniformemente su tutte le configurazioni di addestramento, inclusi flipping orizzontale e verticale casuali (p=0,5 per asse), rotazione casuale nel piano (±15^circ), scaling casuale dell'intensità (fattore campionato uniformemente da [0,85, 1,15]) e rumore gaussiano additivo (sigma ∼ U[0, 0,05]) calcolato per ogni fetta bidimensionale. Ogni aumento è stato disabilitato durante l'inferenza e la validazione. Il framework era implementato in PyTorch 2.0.1 con MONAI 1.3 per il caricamento dati, e tutti i calcoli venivano effettuati su unità di elaborazione grafica NVIDIA GeForce RTX 3090 (24 GB GDDR6X) (GPU). La riproducibilità è stata garantita fissando tutti i seed casuali su PyTorch, NumPy e il modulo casuale Python a valori identici per tutte le strategie.

Strategie sperimentali

Sono state confrontate tre strategie di addestramento primarie per valutare la generalizzazione trasversale (Figura 3). Le etichette FL pre-addestrata al meningioma e FL pre-addestrata al Glioma sono nomi descrittivi introdotti in questo manoscritto per distinguere la fonte del modello globale iniziale prima dell'adattamento federato.

Figura 3. Panoramica del progetto sperimentale. (A) Formazione centralizzata utilizzando casi 450 BraTS2023-Men seguita da una valutazione esterna su SPHS. (B) Femmina femminile pre-addestrata con meningioma su tre clienti simulati. (C) FL pre-addestrata per glioma inizializzata da un modello di glioma centralizzato prima dell'adattamento federato. Clicca qui per visualizzare una versione più grande di questa figura.

Strategia 1 (Addestramento centralizzato)

Un singolo modello UMamba 2D è stato addestrato su tutti i 450 casi BraTS2023-Men. Questa strategia rappresenta il limite superiore delle prestazioni in-domain e funge da base per valutare il degrado cross-center.

Strategia 2 (FL con inizializzazione del dominio MEN)

I casi 450 BraTS2023-Men sono stati assegnati casualmente a tre clienti (|D_i| = 150) per una partizione equa. I tre clienti BraTS2023-Men sono quindi stati simulati dalla stessa coorte pubblica invece di essere costruiti utilizzando metadati specifici per istituzione o etichette di origine scanner. Per inizializzare l'addestramento federato nel dominio meningioma, il modello globale iniziale è stato inizialmente addestrato su uno split client fisso BraTS2023-Men (client 1 in questa implementazione) e poi utilizzato per avviare la procedura federata. Questo client seed è stato mantenuto costante tra esperimenti per la riproducibilità e dovrebbe essere interpretato come un cold start all'interno del dominio piuttosto che come un client sorgente ottimizzato o privilegiato. Poiché i tre client sono stati simulati suddividendo la stessa coorte BraTS2023-Men, questa scelta di inizializzazione riflette un punto di partenza a livello di implementazione piuttosto che un prior istituzionale biologicamente distinto. Lo scopo di questo progetto non era replicare strettamente un vero processo di lancio multi-istituzioni, ma fornire un confronto controllato tra l'addestramento centralizzato su tutti i dati MEN disponibili e la collaborazione federata a partire da una FL parziale pre-addestrata con meningioma. L'obiettivo globale di ottimizzazione federata è definito come:

dove D_i indica l'insieme di addestramento locale dei clienti i, e ell è la perdita di Dado + entropia incrociata. Nel primo round di comunicazione, i pesi di aggregazione erano proporzionali al conteggio del campione (w_i⁽¹⁾ = 1/3). Per ridurre il peso dei clienti sottoperformanti nei round di comunicazione successivi, i round 2 e 3 hanno utilizzato la validazione Aggregazione ponderata a dadi:

dove DSC_i^(r) è la DSC media del caso sulla partizione di validazione locale del client i dopo l'addestramento locale nel round di comunicazione r, e ε = 10⁻⁶ è una piccola costante per evitare divisioni per zero.

Strategia 3 (Inizializzazione FL con inizializzazione pre-allenata al glioma)

Per ottenere un avvio caldo cross-domain legato al compito, l'addestramento centralizzato sul glioma è stato eseguito inizialmente utilizzando casi di 450 BraTS2023-Gli con le stesse tre modalità di risonanza magnetica (T1, T1c e T2) e la stessa formulazione binaria tumore-versus-background adottata negli esperimenti sul meningioma.

In particolare, le etichette del glioma sono state armonizzate combinando il nucleo tumorale non potenziante e il tumore potenziante in un'unica classe in primo piano, mentre l'edema peritumorale è stato escluso, in modo che i compiti sorgente e target condividessero la stessa definizione binaria di output. Poiché sia i compiti sorgente che quelli target erano formulati come segmentazione binaria, i pesi pre-addestrati venivano trasferiti direttamente per inizializzare l'intero modello 2D UMamba, inclusa la testa di segmentazione, invece di scartare e reinizializzare il livello finale. Lo stesso protocollo FedAvg fu poi applicato, con il modello globale iniziale iniziale dall'addestramento centralizzato convergente sui pesi di glioma (θ⁽°⁾ = θ_Gli^*). L'adattamento federato successivo è da:

dove Δθ^(r) rappresenta gli aggiornamenti cumulativi dei parametri specifici per dominio attraverso r round di comunicazione. Questa strategia verifica se un modello di sorgente FL pre-addestrato con glioma fornisce un punto di partenza migliore per l'adattamento federato sui clienti meningioma.

Metriche di valutazione

Tutte le strategie sono state valutate sulla coorte SPHS utilizzando un protocollo mediato dei casi. DSC e IoU sono stati calcolati indipendentemente per caso e poi mediati, garantendo lo stesso peso statistico su tutti i soggetti indipendentemente dal volume tumorale:

 

Sono state inoltre riportate composizioni di errore mediate per caso—comprendenti conteggi medi di veri positivi (TP), falsi positivi (FP), falsi negativi (FN) e veri negativi (TN) per caso. Questa suddivisione distingue la sovrasegmentazione dagli errori di sotto-segmentazione, fornendo informazioni sulle modalità di guasto direzionale.

Risultati

Il modello centralizzato UMamba 2D (Strategia 1) ha raggiunto prestazioni competitive in-domain sul set di test interno BraTS2023-Men, con una DSC media di 0,8958, IoU di 0,8356, FN di 1.902, FP di 667, TN di 8.902.814 e TP di 22.616. Valutato sulla coorte di validazione esterna SPHS, il modello centralizzato ha prodotto un DSC di 0,7452 ± 0,1992 e un IoU di 0,6241 ± 0,1941, corrispondente a un gap di generalizzazione incrociato di ΔDSC = 0,1506 (Tabella 1, ID 1). Come u...

Discussione

La conclusione centrale di questo studio è che la qualità dell'inizializzazione—piuttosto che il protocollo di aggregazione federata stesso—è il fattore decisivo per colmare il divario di generalizzazione trasversale per la segmentazione del meningioma che preserva la privacy. Sebbene il modello centralizzato UMamba 2D abbia ottenuto forti prestazioni in-domain sulla coorte BraTS2023-Men (DSC = 0,8958), ha subito un notevole degrado quando valutato sul dataset clinico indipendente SPHS (...

Materiali

Elenco dei materiali utilizzati in questo articolo

Nome	Azienda	Numero di catalogo	Commenti
BraTS2023-Gli dataset	ASNR-MICCAI BraTS Challenge / Synapse (Sage Bionetworks)	N/A	Dataset MRI pubblico di glioma utilizzato per l'inizializzazione preaddestrata per il glioma. In questo studio, sono stati utilizzati 450 casi sotto la formulazione tumore-contro-sfondo binaria. https://www.synapse.org/Synapse:syn51156910/wiki/622351
BraTS2023-Men dataset	ASNR-MICCAI BraTS Challenge / Synapse (Sage Bionetworks)	N/A	Dataset MRI pubblico di meningioma utilizzato come coorte di origine per lo sviluppo del modello e la valutazione interna. In questo studio, sono stati utilizzati 450 casi. https://arxiv.org/abs/2305.07642
DeepBet	Software accademico di Fisch et al.	N/A	Strumento di estrazione cerebrale applicato all'immagine pesata T1 per generare una maschera cerebrale per la coorte SPHS. https://arxiv.org/abs/2308.07003
MONAI	Progetto MONAI	Versione 1.3	Framework AI per l'imaging medico utilizzato per il caricamento dei dati e l'implementazione del flusso di lavoro di apprendimento profondo. https://docs.nvidia.com/monai/index.html
NVIDIA GeForce RTX 3090 GPU	NVIDIA	GeForce RTX 3090	Unità di elaborazione grafica con 24 GB di memoria GDDR6X utilizzata per l'addestramento del modello e il calcolo. https://www.nvidia.com/en-me/geforce/graphics-cards/30-series/rtx-3090-3090ti/
PyTorch	PyTorch Foundation, Linux Foundation	Versione 2.0.1	Framework di apprendimento profondo utilizzato per implementare e addestrare i modelli di segmentazione UMamba 2D. https://pytorch.org/foundation/
Python	Python Software Foundation	Versione 3.10	Ambiente di programmazione utilizzato per l'addestramento del modello, la pre-elaborazione, la valutazione e l'analisi statistica. Sostituire con la versione Python esatta se nota. https://www.python.org/psf-landing/
Coorte clinica SPHS-Men	Second People’s Hospital of Shenzhen	N/A	Coorte MRI multi-modale clinica esterna utilizzata per la valutazione indipendente. Sono stati inclusi un totale di 174 casi.
Implementazione del modello UMamba 2D	Bowang-lab / Autori U-Mamba	Configurazione U-Mamba 2D	Architettura di segmentazione basata su modello dello spazio degli stati utilizzata per la segmentazione binaria di meningioma. https://u-mamba.github.io/