研究記事

膠腫前学習型連邦学習による多モーダルMRI髄膜腫分割のための中心横断一般化の改善

55 閲覧数

⸱

DOI：

10.3791/72164

⸱

2026年7月24日

 ,  ,  ,  ,  ,  ,  ,  ,  , 
1Medical Physics Graduate Program, Duke Kunshan University, 2Radiotherapy Business Unit, Shanghai United Imaging Healthcare Co., Ltd., 3Wuhan University, 4Shenzhen University, 5ENT Institute and Department of Otorhinolaryngology, Eye & ENT Hospital, Fudan University, 6Department of Radiology, The First Affiliated Hospital of Shenzhen University, Health Science Center, Shenzhen Second People's Hospital

この記事について

サマリー

本研究は、神経膠腫前学習された連邦学習が多モーダルMRI髄膜腫断片における外部一般化に与える影響を調査します

要約

マルチモーダルMRIでの自動髄膜腫の分割は、スキャナープロトコル、画像特性、注釈スタイルがセンター間で異なる可能性があるため、機関間でモデルが移転される際に依然として困難を伴います。フェデレーテッドラーニング(FL)は、マルチセンターモデル開発におけるプライバシー保護戦略を提供しますが、標準的な集約ではセンター横断ドメインシフトを完全に克服できない場合があります。本研究は、MRI髄膜腫の断片における外部一般化ギャップを定量化し、グリオーマ事前学習されたFLが中央集権的なデータプーリングなしに堅牢性を向上できるかどうかを評価することを目的としました。T1、T1c、T2 MRIをモデル入力として二元髄膜腫の断片化にはUMambaの2Dアーキテクチャが用いられました。プロトコルには、450件のBraTS2023-Men症例をソースドメインの髄膜腫データセットとして、当研究所の174件の独立した臨床症例を外部検証コホートとして含みました。3つの最終的な髄膜腫分割戦略が、同じ外部検証環境の下で定量的に評価されました。すなわち、BraTS2023-Menでの集中訓練、3つのシミュレートクライアントにわたる髄膜腫事前学習FL、そしてBraTS2023-Gliソースモデルから初期化された膠腫前学習FLで、その後の連邦最適化が行われました。膠腫の集中訓練は、膠腫事前学習初期化の生成にのみ用いられ、独立評価された最終的な髄膜腫分割戦略として報告されていません。モデルの性能は、ダイス類似係数(DSC)と交差点(IoU)を用いて評価されました。BraTS2023-Menでの集中トレーニングでは、外部一般化が明確に低下し、DSCは内部BraTS2023-Menテストの0.8958からSPHSコホートでは0.7452に減少しました。髄膜腫前訓練FLは外部性能が低く(DSC = 0.7122)、一方で膠腫前訓練FLはBraTS2023-Menの中央集権訓練と同等の性能を示し、髄膜腫前訓練FLよりも改善(DSC = 0.7503;IoU = 0.6301;ホルム調整後p < 0.001)。これらの結果は、膠質腫の事前学習初期化が連邦髄膜腫の分割により堅牢な出発点を提供し、外部一般化を改善しつつ機関のデータプライバシーを守ることを示唆しています。

概要

髄膜腫は成人における最も多い原発性頭蓋内腫瘍であり、アメリカ合衆国における原発性脳腫瘍および中枢神経系腫瘍の約38%を占めています。髄膜(くも膜キャップ)細胞に由来し、世界保健機関(WHO)のグレードIからIIIに分類され、臨床的には幅広いスペクトルを含みます。グレードI腫瘍(約80%)は、一般的に全切除後の良好な予帰と関連しているのに対し、グレードII(非典型)およびグレードIII(無形成)病変はそれぞれ20〜40%、10年後には70%を超える大幅に高い再発率を示します。3。顕微外科切除、立体定位放射線手術(SRS)、分割放射線治療、能動監視を含む臨床的意思決定は、縦断画像診断研究における腫瘍範囲の正確かつ再現可能な体積的区分に依存しています。したがって、MRIからの髄膜腫の堅牢なセグメンテーションは、一貫した治療計画とアウトカム評価の前提条件です。

多シーケンスMRIは、臨床における髄膜腫の特徴付けの基礎を形成しており、各シーケンスは腫瘍生物学および周囲の組織応答の補完的な側面を符号化しています。造影強化T1加重画像診断(T1c)は、ガドリニウム誘発性のT₁弛緩短縮による血脳関門の破壊領域を強調し、腫瘍実質の明瞭な可視化と原発病変境界の定義を可能にします。非造影T1加重画像診断(T1)は、くも膜界面、硬膜付着、隣接骨の関与を評価するための構造的文脈を提供します。T2加重画像診断(T2)は、腫瘍内の異質性や腫瘍周囲浮腫を捉え、これらは質量効果の理解や放射線外科計画における治療量の特定に不可欠です3,4。手による輪郭形成は髄膜腫の境界化において標準的なアプローチとして使われています。この過程で、臨床医は通常、複数のMRIシーケンスにわたる補完的な造影剤情報を考慮し、腫瘍の範囲を定義します。しかし、この手順は時間がかかり、特に硬膜尾部のような解剖学的に曖昧な領域では、報告された一致指標が0.80 5,6を下回るなど、観測者間で大きな変動が生じます。これらの制約が、一貫性のあるスケーラブルなパフォーマンスを提供する自動セグメンテーション手法の開発を促しています。

ディープラーニングは、BraTS7のようなベンチマークデータセットや、U-Net8やnnU-Net9のような畳み込みモデル、UNETRやSwin-UNETR10,11のようなトランスフォーマーベースのモデル、UMamba12のような状態空間モデル(SSM)ベースのアプローチなど、複数のアーキテクチャパラダイムの登場によって支えられ、医療画像セグメンテーションを大幅に進化させています.最近の研究では、説明可能な注意誘導型Swinトランスフォーマーネットワークや、3D脳腫瘍セグメンテーション13,14におけるグローバル・ローカルビジョントランスフォーマー/軸方向状態空間設計をさらに探求し、トランスおよび状態空間ベースのセグメンテーションパイプラインの継続的な発展を強調しています。優れたベンチマーク成績にもかかわらず、髄膜腫特有の研究は歴史的に比較的小さなコホートサイズ(通常50〜200例)に制限されてきました15,16。BraTS 2023髄膜腫データセット17(1,000件以上の症例を含む)が公開され、この制約は部分的に緩和されました。しかし、ほとんどのモデルは依然としてキュレーションされたデータセット内で訓練・評価されており、独立した臨床データに適用すると性能が低下することが多い18。これは核心的な問題を浮き彫りにしています。強固なセンター横断的な一般化を実現するには、多様な多センターデータへの曝露が必要であるということです。

実際には、大規模な多施設データセットの集約はデータプライバシー規制や機関方針によって制約されており、中央集権的なトレーニングは困難または現実的ではありません。フェデレーテッドラーニング(FL)は、生データを共有しずに協働モデルトレーニングを可能にすることでこの制約を解消します。これは、各機関がローカルでトレーニングし、集約を通じてグローバルモデルにモデル更新を貢献する形態です。これはFederated Averaging(FedAvg)19のようにです。関連研究では、プライバシー保護型のFLを拡張現実を用いた小児脳性麻痺の人間意図モデリングへ拡張し、仮想現実可視化を用いた軽量ディープラーニングが農村環境のオフライン腫瘍セグメンテーションに提案されています。21は、展開可能でプライバシー認識型医療AIワークフローの広範なニーズを反映しています。FLはマルチセンター学習のための実用的な枠組みを提供しますが、新たな課題ももたらします。参加サイトは通常限られたローカルデータセットしか持っておらず、集約前の独立したローカルトレーニングを行うと、特にローカルデータ分布が分岐した場合、最適でないローカル更新やグローバルパフォーマンスの低下、いわゆるクライアントドリフト22の問題が起こります。自然な補完戦略として、関連するソースデータセットから得られた知識を用いてモデルを初期化する23。脳腫瘍画像診断において、グリオーマは部分的に共通する画像特性や腫瘍文脈の特徴を持つ密接に関連するソースタスクであり、事前訓練の実用的なソースドメインとなっています。髄膜腫と神経膠腫は生物学的特徴や画像の外観に異なっていますが、共通の画像手法と解剖学的文脈を共有しているため、低レベルおよび中間レベルの表象を学習可能です3。過去の研究では、このような腫瘍交差前訓練がデータ制限の環境でのパフォーマンスを向上させることが示されています23。これらの進展にもかかわらず、現実的な多中心条件下でFLが髄膜腫の分割にどのように機能するか、また各部位のデータが限られている場合に膠膜の前訓練が連邦訓練を改善するかどうかは依然として不明です。FL単独と膠腫前訓練FLの相対的な利点は、外部の臨床検証の下で評価されていません。

このギャップを埋めるために、本研究はSPHSの独立した外部コホートを用いて管理比較を実施しています。具体的には、以下の3つの質問を調査します:(i) ベンチマークデータで訓練されたモデルと外部臨床データとの間のセンター横断一般化ギャップの大きさ;(ii) FLが限られた局所データ条件下でこのギャップを縮小できるかどうか;(iii) 膠腫前訓練されたFL(膠腫->髄膜腫)が、中央集権訓練および標準的な連合療法の両方に対して追加のパフォーマンス向上をもたらすかどうか。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

プロトコル

本研究は後ろ向き臨床研究でした。研究プロトコルは深圳第二人民病院倫理委員会によって審査され、SPHS臨床データセットの収集および利用が認められ、承認番号は20190910。本研究への登録前に、SPHSコホートに含まれる全患者から書面によるインフォームドコンセントが取得されました。

患者データ

本研究では、BraTS2023-Men、BraTS2023-Gli、およびSPHSの外部臨床コホート(SPHS-Men)の3つのデータセットが使用されました。その特徴は以下にまとめられます。

BraTS2023-男性

BraTS2023-MenはBraTS 2023ベンチマーク24.25の髄膜腫トラックです。本研究では、450名のBraTS2023-MEN症例をモデル開発および内部評価のソースコホートとして使用しました。すべての画像は均一に前処理されており、頭蓋骨剥離、モダリティ間の共登録、1×1×1 mm3への等方性再サンプリングが含まれます。各症例には4つのMRIシーケンス(T1、T1c、T2、FLAIR)が含まれ、ボクセルごとに3つのカテゴリーに注釈が付けられています:非増強腫瘍コア(ラベル1)、腫瘍周囲浮腫(ラベル2)、増強腫瘍(ラベル3)。本研究で用いられた臨床腫瘍定義との整合のため、ラベル1と3は単一の腫瘍クラスに統合され、ラベル2(浮腫)は除外され、二重断節標的となりました。

BraTS2023-Gli

BraTS2023-GLIはBraTSベンチマークの膠腫トラックであり、確立されたBraTSマルチモーダルMRI慣例および注釈フレームワーク7、24、26、27を引き継いでいます。本研究では、450例のBraTS2023-Gliを用いて膠腫の集中訓練を行い、後に髄膜腫課題で用いられた腫瘍対背景の二元定式化を用いた膠腫事前学習FLのソースモデルを提供しました。このコホートを含める目的は、BraTS2023-Menと比較してサンプル数を増やすことではなく、タスク関連の脳腫瘍源ドメインが、その後の連邦適応のためのより移転可能な初期化を提供できるかどうかを検証することでした。

SPHS-メン

SPHS-Menは、深圳第二人民病院が機関審査委員会の承認を得て収集した外部臨床データセットです。外部評価のために合計174件の症例が対象となりました。BraTSとは異なり、データは標準化された前処理なしの通常の臨床プロトコルで取得され、ボクセル間隔、スライス厚、視野角、スキャナー依存の再構成パラメータにばらつきが生じました。注釈には当初、腫瘍腫塊と浮腫/腫瘍周囲変化の2つのラベルが付けられていました。本研究で用いられたBraTS由来腫瘍の定義に沿うため、腫瘍腫塊のみを保持し、浮腫は除外しました。すべてのSPHS症例は、MRI取得および前処理で説明されるような調和指向パイプラインで外部評価前に処理されました。前処理後、空間座標rの各ボクセルはT1c、T1n、T2の強度からなる3チャンネル入力で表されます。
figure-protocol-1

分割課題は二値分類Y(r)∈0,1として定義され、腫瘍と背景の区別を示します。代表例とデータセット間の質的差異は 図1に示されています。

figure-protocol-2
図1。代表的なクロスデータセット比較。 上列:SPHS男子;中央:BraTS2023-男子;下:BraTS2023-Gli。列は腫瘍マスク、T1、T1c、T2を示しています。病変の大きさ、増強パターン、境界の定義における質的な違いは、本研究で見られた複合イメージングおよび注釈の変化を反映しています。 この図の拡大版はこちらをクリックしてご覧ください。

MRI取得および前処理

すべてのBraTSデータは、頭蓋骨ストリッピング、共同登録、等方性リサンプリングを含む標準化された前処理が既に適用された状態で配布されました。SPHSのコホートでは、生のDICOM画像が最初にNIfTIフォーマット28に変換されました。マルチモーダル画像は相互情報ベースのアラインメント29を用いてネイティブT1空間に厳格に登録されました。頭蓋骨剥離は脳MRI分割のために必要な前処理ステップであるため、脳摘出はモデルトレーニングの前に明示的に行われました。具体的には、DeepBetをT1加重画像に適用して脳マスク30を生成し、そのマスクを共登録T1cおよびT2体積に伝播させ、すべてのモダリティで非脳組織を一貫して除去しました。その後、頭蓋骨を剥がした画像は1 x 1 x 1 x 1 mm3の等方性分解能で再サンプリングされました。最終的に、形態学的な閉鎖・開放操作を用いて、リサンプリング中に導入された補間アーティファクトを抑制するために、二値腫瘍マスクが改良されました。これらの調和ステップは外部テストのためのデータセット間入力一貫性向上のために用いられましたが、SPHSコホートに固有のスキャナー、プロトコル、注釈レベルの差異を解消することを意図したものではありませんでした。

研究デザイン

モデルアーキテクチャ

図2に示すように、UMambaの2Dアーキテクチャは残差畳み込みニューラルネットワークモジュールとマンバ選択状態空間モデル(SSM)ブロック12,31を統合しています。このハイブリッド設計により、畳み込みによる局所テクスチャ特徴の同時抽出とSSMによる長距離グローバル構造コンテキストの抽出が可能であり、空間位置数に対して線形の計算コストが発生します。

figure-protocol-3
図2。UMambaの2Dアーキテクチャです。 エンコーダは局所テクスチャや境界特徴抽出のための残差畳み込みブロックと、長距離コンテキストモデリングのためのMamba選択的SSMモジュールを統合しています。これらのコンポーネントはスキップ接続を介して転置畳み込みデコーダに接続されています。ネットワーク入力はT1、T1c、T2モダリティからなる3チャンネルのマルチモーダルMRIスライスで構成されています。 この図の拡大版はこちらをクリックしてご覧ください。

エンコーダー

C = 3入力チャネルのマルチモーダルMRIスライスは階層エンコーダで処理されます。各段階 s ∈ 1,..., S で、入力特徴マップはまず残差畳み込みブロックによって処理され、局所的な空間パターンを抽出します。特徴マップは1次元の列に平坦化され、選択的SSMモジュールによって処理されて長距離の文脈依存関係を捕捉します。空間的ダウンサンプリングはストライド2畳み込みを用いて行われ、R^C_s × H/2^s × W/2^s F_s ∈階層的特徴表現を段階的に生成し、チャネル次元は32、64、128、256、512 C_s ∈増加します。

マンバ選択的SSM

選択的SSMは、R^L×d∈1次元列x上で動作します。標準的な一次元平面化では空間的隣接が乱れるため、多方向スキャン戦略が用いられます。特徴マップは4方向(行前方、後方、列前方、列後方)に走査し、行方向と列方向の両方で空間的文脈を保持します。連続時間SSMは次のように定義されます:
figure-protocol-4    

figure-protocol-5

ここで A ∈ R^N × N は、HiPPO(隠れ多項式射影演算子)フレームワーク31によって初期化された学習可能な状態遷移行列を表します。射影行列B(t)とC(t)は入力依存であり、モデルが無関係なトークンを動的にフィルタリングし、重要な文脈情報を保持できる選択的な仕組みを確立しています。連続系は零次保持(ZOH)変換を用いて時間ステップΔを用いて離散化されます。

figure-protocol-6

figure-protocol-7

figure-protocol-8

figure-protocol-9

各離散ステップkで、パラメータB、C、Δは入力トークンxkの線形射影として計算され、入力依存特徴の伝播を可能にします。HiPPO 初期化により、固有值が |λj(barA)| を満たすことが保証されます。< 1は、隠れた状態表現‖hk‖を任意の長い空間列に境界を設けます。

デコーダとスキップ接続

デコーダは符号化された表現から元の空間分解能を再構築します。各段階で、転置畳み込みが低解像度の特徴写像をアップサンプリングします。スキップ接続はマルチスケールエンコーダの特徴と対応するアップサンプリングされたデコーダの特徴をF_s連結し、正確なボクセルレベルの腫瘍区分に不可欠な高周波境界情報を保持します。

訓練喪失

モデル最適化は複合損失関数によって導かれます:
figure-protocol-10

ここでp_θ(r) ∈ [0,1] はボクセル r における予測腫瘍確率、Y(r) は対応する二値のグラウンドトゥルースラベル、λ = 1.0 は両項のバランスを取っています。Dice損失はターゲット評価指標を直接最適化し、腫瘍ボクセルが頭蓋内容積の0.5%未満である髄膜腫断片に固有の極端な前景と背景の不均衡に対応します。バイナリクロスエントロピー(BCE)項は、この不均衡な環境でのトレーニングを安定させるパーボクセル監督を提供します。

訓練構成

すべてのセグメンテーションモデルはAdamWを用いて最適化され、初期学習率はη₀=3 × 10⁻4、コサインアニーリングスケジュール、重量減衰は5 × 10⁻4でした。中央集権ベースラインモデルは、450ケースのBraTS2023コホートで200エポックを学習し、バッチサイズは16でした。フェデレーテッド設定の曖昧さを避けるため、本稿全体で以下の用語を使用しています: 通信ラウンド は、サーバーブロードキャスト、ローカルクライアント最適化、サーバーアグリゲーションからなる1つの完全なFLサイクルを指します。 ミニバッチの反復 は、1つのミニバッチに対する1つのパラメータ更新を示します。各クライアントが1ラウンドで実施したローカル最適化は250回のミニバッチ反復で構成されていました。言い換えれば、各クライアントは1ラウンドに1つのローカルトレーニングステージを実行し、そのローカルステージには250回のパラメータ更新イテレーションが含まれていました。したがって、 本研究における「ラウンド」(r = 3)という用語は、中央集権データセット全体のエポックではなく、FL通信のみを指しています 。オンラインデータ拡張パイプラインは、ランダムな水平・垂直反転(軸ごとにp=0.5)、ランダムな平面内回転(±15^circ)、ランダム強度スケーリング([0.85, 1.15]から均一にサンプリング)、加法ガウスノイズ(シグマ ∼ U[0, 0.05])など、すべての訓練構成に一様に適用されました。推論と検証の際にはすべての拡張が無効化されました。このフレームワークはPyTorch 2.0.1で実装され、データ読み込みはMONAI 1.3で行われ、すべての計算はNVIDIA GeForce RTX 3090(24GB GDDR6X)グラフィックス処理装置(GPU)で行われました。再現性は、PyTorch、NumPy、Pythonのランダムモジュールですべてのランダムシードをすべての戦略で同一の値に固定することで確保されました。

実験的戦略

3つの主要なトレーニング戦略を比較し、センター横断の一般化を評価するために行われました(図3)。髄膜腫前学習型FLおよび膠腫型前学習型FLというラベルは、本稿で導入された記述的な名称であり、連邦適応前の初期グローバルモデルの出所を区別するために導入されました。

figure-protocol-11
図3。実験デザインの概要。(A) 450名のBraTS2023-Men患者を用いた集中訓練と、SPHSによる外部評価。(B)髄膜腫を事前訓練したFLを3つの模擬クライアントにまたがらせる。(C) 中央集権的な膠質腫モデルから初期化された膠腫前学習型FLで、連邦適応の前に開始された。この図の拡大版はこちらをクリックしてご覧ください。

戦略1(中央集権的トレーニング)

UMamba 2Dモデル1台が450台のBraTS2023-Men全機ケースで訓練されました。この戦略はインドメイン性能の上限を示し、クロスセンター劣化の評価の基準となります。

戦略2(FLとMENドメイン初期化)

450件のBraTS2023-Menの症例は、3人のクライアントにランダムに割り当てられました(|Di|= 150)は均等分割の場合です。したがって、3つのBraTS2023-Menクライアントは、機関固有のメタデータやスキャナー起源ラベルを用いて構築されるのではなく、同じ公開コホートからシミュレートされました。髄膜腫領域での連合トレーニングを初期化するため、初期のグローバルモデルはまず固定されたBraTS2023-Menクライアントスプリット(この実装ではクライアント1)で訓練され、その後フェデレーテッド手順を開始しました。このシードクライアントは再現性のために実験間で一定に保たれており、最適化された特権的なソースクライアントではなく、ドメイン内のウォームスタートとして解釈されるべきです。3つのクライアントは同じBraTS2023-Menコホートを分割してシミュレーションされたため、この初期化の選択は生物学的に異なる制度的事前段階ではなく、実装レベルの出発点を反映しています。この設計の目的は、実際の多機関ローンチプロセスを厳密に再現することではなく、利用可能なすべてのMENデータを用いた集中訓練と、部分的な髄膜腫前訓練FLから始まる連邦的協働との制御された比較を提供することでした。グローバルな連邦最適化目的は次のように定義されます:
figure-protocol-12

ここで Di はクライアント i の局所訓練集合を表し、ell は Dice + クロスエントロピー損失を表します。コミュニケーションラウンド1では、集計重みはサンプル数に比例していました(wi(1) = 1/3)。その後のコミュニケーションラウンドでパフォーマンスが低いクライアントをダウンウェイトするために、ラウンド2と3では検証ダイス加重集計が用いられました。
figure-protocol-13
ここでDSCi(r) は、通信ラウンドrでのローカル学習後のクライアントiのローカル検証パーティション上のケース平均DSC、ε = 10⁻6 はゼロ割り除きを防ぐための小さな定数です。

戦略3(膠腫事前学習済みのFL)

課題関連のクロスドメインウォームスタートを得るために、膠質腫の集中訓練は、髄膜腫実験で採用された3つのMRIモダリティ(T1、T1c、T2)と腫瘍対背景の二元定式化を用いた450例のBraTS2023-Gliを用いて初めて実施されました。

具体的には、非増強腫瘍コアと増強腫瘍を単一の前景クラスに統合し、腫瘍周囲浮腫を除外することで膠腫ラベルを調和させ、発生源とターゲットタスクが同じ二値出力定義を共有しました。ソースタスクとターゲットタスクの両方がバイナリセグメンテーションとして定式化されていたため、事前学習された重みは最終レイヤーを破棄・再初期化するのではなく、セグメンテーションヘッドを含むUMamba 2Dモデル全体の初期化に直接転送されました。同じFedAvgプロトコルが適用され、初期のグローバルモデルは膠腫重みの集中訓練(θ⁽°⁾ = θ_Gli^*)によって初期化されました。その後の連邦適応は以下の通りです:
figure-protocol-14

ここでΔθ(r )は、r回の通信ラウンドにわたる累積されたドメイン固有パラメータの更新を表します。この戦略は、神経膠腫の事前学習済みFLソースモデルが髄膜腫クライアントにおける連邦適応のより良い出発点となるかどうかを検証します。

評価指標

すべての戦略はSPHSコホートで症例平均プロトコルを用いて評価されました。DSCとIoUは症例ごとに独立して計算され、その後平均化され、腫瘍体積に関係なく全被験者で統計的重みが等しくなることが保証されました。
figure-protocol-15
 figure-protocol-16

症例平均誤差構成(平均真陽性(TP)、偽陽性(FP)、偽陰性(FN)、真陰性(TN)ボクセル数を含むものも報告されました。この内訳は過剰セグメンテーションと不足セグメンテーションエラーを区別し、方向性障害モードの洞察を提供します。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

結果

中央集権型UMamba 2Dモデル(戦略1)は、BraTS2023-Menの内部テストセットで競争力のあるインドメイン性能を達成し、ケース平均DSCは0.8958、IoUは0.8356、FNは1,902、FPは667、TNは8,902,814、TPは22,616でした。SPHS外部検証コホートで評価した中央集権モデルでは、DSCは0.7452±0.1992、IoUは0.6241±0.1941であり、ΔDSC = 0.1506の中心間一般化ギャップに対応しました(表1、ID 1)。追加の自己設定ベースラインとして、nnUNet-v2は同じSPHS外部検証コホートで、連合学習や膠質腫の事前訓練なしに、DSC±0.7381、0.1931、IoU±0.6142、0.1897を記録しました。

誤差組成(表1、ID 1)は主にアンダーセグメンテーションパターンを示し、平均FN数は1ケースあたり14,873ボクセル、平均FP数は2,644で、中央モデルは粗大腫瘍...

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

ディスカッション

本研究の中心的な発見は、初期化の質が、プライバシーを保つ髄膜腫の分割における中心横断一般化ギャップを埋める決定的な要因であるということです。中央集権型UMamba 2DモデルはBraTS2023-Menコホートで高いドメイン性能を達成しました(DSC = 0.8958)が、独立したSPHS臨床データセットで評価すると大幅な劣化(Δ DSC = 0.1506)を経験しました。この性能低下は、キュレーションされたベンチマークで訓練されたモデルが複合ドメインシフトに対して脆弱であることを浮き彫りにしています。これには、画像レベルの不一致(例:スキャナーハードウェア、ボクセル間隔、再構成プロトコル)や、腫瘍境界や硬膜尾の定義に関する異なる制度的慣習に起因するラベルシフトが含まれます。SPHSコホートにおける中央集権モデルの誤差プロファイルは、分割不足(FN = 14,873 vs. FP = 2,644)に大きく偏っており、BraTS特異的分布に過剰適合し、臨床取得で異なる現れを示す末梢または低造影腫瘍成分を保守的に除外したことが示唆されました。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

開示事項

著者には利益相反を主張するものはありません。

謝辞

この研究は、中国国家自然科学基金(助成金12405382)、深圳科学技術革新委員会(助成金JCYJ20220530143602006)、深圳基礎研究プロジェクト(自然科学基金)(助成金JCYJ20220530150416036)、および内モンゴル科学技術部社会福祉プロジェクト(プロジェクト番号2026YFSH0155)の支援を受けました。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

材料

```html
この記事で使用された材料の一覧
名前会社カタログ番号コメント
BraTS2023-Gli datasetASNR-MICCAI BraTS Challenge / Synapse (Sage Bionetworks)N/Aグリオーマの転移前の初期化に使用される公共のグリオーマMRIデータセット。この研究では、腫瘍対背景の2値分類で450症例が使用されました。https://www.synapse.org/Synapse:syn51156910/wiki/622351
BraTS2023-Men datasetASNR-MICCAI BraTS Challenge / Synapse (Sage Bionetworks)N/Aモデル開発と内部評価のソースコーホートとして使用される公共の髄膜腫MRIデータセット。この研究では、450症例が使用されました。https://arxiv.org/abs/2305.07642
DeepBetFischらによる学術ソフトウェアN/ASPHSコホートの脳抽出ツールで、T1加重画像に適用して脳マスクを生成します。https://arxiv.org/abs/2308.07003
MONAIプロジェクトMONAIバージョン1.3データ読み込みとディープラーニングワークフローの実装に使用される医療画像AIフレームワーク。https://docs.nvidia.com/monai/index.html
NVIDIA GeForce RTX 3090 GPUNVIDIAGeForce RTX 3090モデルのトレーニングと計算に使用される24 GB GDDR6Xメモリを備えたグラフィックス処理ユニット。https://www.nvidia.com/en-me/geforce/graphics-cards/30-series/rtx-3090-3090ti/
PyTorchPyTorch Foundation、Linux Foundationバージョン2.0.1UMamba 2D分割モデルを実装し、トレーニングするために使用されるディープラーニングフレームワーク。https://pytorch.org/foundation/
PythonPython Software Foundationバージョン3.10モデルのトレーニング、前処理、評価、統計分析に使用されるプログラミング環境。分かっている場合は、正確なPythonのバージョンに置き換えてください。https://www.python.org/psf-landing/
SPHS-Men臨床コホート深圳第二人民医院N/A独立評価に使用される外部臨床マルチモーダルMRIコホート。合計174症例が含まれています。
UMamba 2Dモデル実装Bowang-lab / U-Mamba著者U-Mamba 2D設定二分法髄膜腫分割に使用される状態空間モデルベースの分割アーキテクチャ。https://u-mamba.github.io/
```

参考文献

  1. Ostrom, Q. T., et al. CBTRUS statistical report: primary brain and other central nervous system tumors diagnosed in the United States in 2014-2018. Neuro Oncol. 23 (Suppl 3), (2021).
  2. Goldbrunner, R., et al. EANO guideline on the diagnosis and management of meningiomas. Neuro Oncol. 23 (11), 1821-1834 (2021).
  3. Huang, R. Y., et al. Imaging and diagnostic advances for intracranial meningiomas. Neuro Oncol. 21 (Suppl 1), (2019).
  4. Combs, S. E., et al. ESTRO ACROP guideline for target volume delineation of skull base tumors. Radiother Oncol. 156, 80-94 (2021).
  5. Growcott, S., et al. Inter-observer variability in target volume delineations of benign and metastatic brain tumours for stereotactic radiosurgery. Clin Oncol (R Coll Radiol). 32 (1), 13-25 (2020).
  6. Kriwanek, F., et al. Impact of SSTR PET on inter-observer variability of target delineation of meningioma. Cancers (Basel). 14 (18), 4435 (2022).
  7. Menze, B. H., et al. The multimodal brain tumor image segmentation benchmark (BRATS). IEEE Trans Med Imaging. 34 (10), 1993-2024 (2015).
  8. Ronneberger, O., Fischer, P., Brox, T. U-Net: convolutional networks for biomedical image segmentation. , (2015).
  9. Isensee, F., et al. nnU-Net: a self-configuring method for deep learning-based biomedical image segmentation. Nat Methods. 18 (2), 203-211 (2021).
  10. Hatamizadeh, A., et al. UNETR: transformers for 3D medical image segmentation. , (2022).
  11. Hatamizadeh, A., et al. Swin UNETR: Swin transformers for semantic segmentation of brain tumors in MRI. , (2021).
  12. Ma, J., Li, F., Wang, B. U-Mamba: enhancing long-range dependency for biomedical image segmentation. arXiv. , (2024).
  13. Ranjbarzadeh, R., Keles, A., Anari, S., Zarbakhsh, P., Bendechache, M., Nagar, A. K., Jat, D. S., Mishra, D. K., Joshi, A. Explainable attention-guided Swin Transformer networks for brain tumor segmentation from 3D MRI. Intelligent Sustainable Systems: Selected Papers of WorldS4 2025. , 110-128 (2026).
  14. Ranjbarzadeh, R., Keles, A., Anari, S., Cunneen, M., Bendechache, M. A global-local 3D brain tumor segmentation model using Vision Transformers and axial statespace modeling. , (2026).
  15. Laukamp, K. R., et al. Fully automated detection and segmentation of meningiomas using deep learning on routine multiparametric MRI. Eur Radiol. 29 (1), 124-132 (2019).
  16. Boaro, A., et al. Deep neural networks allow expert-level brain meningioma segmentation. Sci Rep. 12 (1), 15462 (2022).
  17. LaBella, D., et al. A multi-institutional meningioma MRI dataset for automated multi-sequence image segmentation. Sci Data. 11 (1), 496 (2024).
  18. Zhang, L., et al. Generalizing deep learning for medical image segmentation to unseen domains via deep stacked transformation. IEEE Trans Med Imaging. 39 (7), 2531-2540 (2020).
  19. McMahan, B., Moore, E., Ramage, D., Hampson, S., y Arcas, B. A. Communication-efficient learning of deep networks from decentralized data. , 1273-1282 (2017).
  20. Anari, S., Ranjbarzadeh, R., Cunneen, M., Bendechache, M. Privacy-preserving federated learning for human intention modeling in pediatric cerebral palsy using extended reality. , 1565-1570 (2025).
  21. Ranjbarzadeh, R., Anari, S., Cunneen, M., Bendechache, M. Lightweight deep learning with virtual reality visualization for offline tumor segmentation in rural environments. , 1577-1582 (2025).
  22. Karimireddy, S. P., et al. SCAFFOLD: stochastic controlled averaging for federated learning. , (2020).
  23. Tabassum, M., Di Ieva, A., Liu, S. Meta transfer learning for brain tumor segmentation using nnUNet in meningioma and metastasis cases. Sci Rep. 15 (1), 37599 (2025).
  24. Karargyris, A., et al. Federated benchmarking of medical artificial intelligence with MedPerf. Nat Mach Intell. 5, 799-810 (2023).
  25. LaBella, D., et al. The ASNR-MICCAI Brain Tumor Segmentation (BraTS) Challenge 2023: intracranial meningioma. arXiv. , (2023).
  26. Baid, U., et al. The RSNA-ASNR-MICCAI BraTS 2021 benchmark on brain tumor segmentation and radiogenomic classification. arXiv. , (2021).
  27. Bakas, S., et al. Advancing the cancer genome atlas glioma MRI collections with expert segmentation labels and radiomic features. Sci Data. 4, 170117 (2017).
  28. Li, X., Morgan, P. S., Ashburner, J., Smith, J., Rorden, C. The first step for neuroimaging data analysis: DICOM to NIfTI conversion. J Neurosci Methods. 264, 47-56 (2016).
  29. Klein, S., Staring, M., Murphy, K., Viergever, M. A., Pluim, J. P. W. Elastix: a toolbox for intensity-based medical image registration. IEEE Trans Med Imaging. 29 (1), 196-205 (2010).
  30. Fisch, L., et al. DeepBet: fast brain extraction of T1-weighted MRI using convolutional neural networks. Comput Biol Med. 179, 108845 (2024).
  31. Gu, A., Dao, T. Mamba: linear-time sequence modeling with selective state spaces. arXiv. , (2023).
  32. Sheller, M. J., et al. Federated learning in neuro-oncology for multi-institutional collaborations without sharing patient data. Neuro Oncol. 21 (Suppl 6), (2019).
  33. Karimi, D., Warfield, S. K., Gholipour, A. Transfer learning in medical image segmentation: new insights from analysis of model parameters and learned representations. Artif Intell Med. 116, 102078 (2021).
  34. Bonawitz, K., et al. Practical secure aggregation for privacy-preserving machine learning. , 1175-1191 (2017).
  35. McMahan, H. B., Ramage, D., Talwar, K., Zhang, L. Learning differentially private recurrent language models. arXiv. , (2017).
  36. Zhu, L., Liu, Z., Han, S. Deep leakage from gradients. , (2019).
  37. Li, T., Sahu, A. K., Talwalkar, A., Smith, V. Federated optimization in heterogeneous networks. Proc Mach Learn Syst. 2, 429-450 (2020).

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

再版と許可

このJoVE記事のテキストまたは図の再利用許可をリクエスト

許可をリクエスト

タグ

233233UMamba

関連記事