연구 논문

교모종 사전 학습 연합학습을 통한 다중 모달 MRI 수막종 분절을 위한 교차 센터 일반화 개선

55 조회수

⸱

DOI:

10.3791/72164

⸱

2026년 7월 24일

 ,  ,  ,  ,  ,  ,  ,  ,  , 
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

이 논문에서

요약

본 연구는 교모종 사전 학습 연합 학습이 다중 모달 MRI 수막종 분절에서 외부 일반화에 미치는 영향을 조사합니다

초록

다중 모달 MRI에서의 자동 수막종 분할은 기관 간 전환 시 여전히 어렵습니다. 스캐너 프로토콜, 영상 특성, 주석 스타일이 센터마다 다를 수 있기 때문입니다. 연합학습(FL)은 다중 중심 모델 개발을 위한 프라이버시 보호 전략을 제공하지만, 표준 집계가 교차 중심 도메인 이동을 완전히 극복하지는 못할 수 있습니다. 본 연구는 MRI 수막종 분절에서 외부 일반화 격차를 정량화하고, 교모세포종 사전 학습 플래티가 중앙집중식 데이터 풀링 없이도 강인성을 향상시킬 수 있는지 평가하는 것을 목표로 했습니다. T1, T1c, T2 MRI를 모델 입력으로 사용하여 이진 수막종 분할에는 UMamba 2D 아키텍처가 사용되었습니다. 프로토콜에는 450건의 BraTS2023-Men 사례를 원원 도메인 수막종 데이터셋으로, 외부 검증 코호트로 우리 연구소의 독립 임상 사례 174명을 포함했습니다. 세 가지 최종 수막종 분할 전략이 동일한 외부 검증 환경에서 정량적으로 평가되었습니다: BraTS2023-Men에 대한 중앙집중식 훈련, 세 명의 시뮬레이션 클라이언트에 걸친 수막종 사전 학습 FL, 그리고 연합 최적화 전 BraTS2023-Gli 소스 모델에서 초기화된 교모종 사전 학습 FL. 교모종에 대한 중앙집중식 훈련은 교모종 사전 학습 초기화 생성에만 사용되었으며, 독립적으로 평가된 최종 수막종 분할 전략으로는 보고되지 않았습니다. 모델 성능은 주사위 유사도 계수(DSC)와 합집합 교차(IoU)를 사용하여 평가되었습니다. BraTS2023-Men에서의 중앙집중 훈련에서는 외부 일반화 감소가 뚜렷하게 나타나, DSC는 내부 BraTS2023-Men 테스트에서 0.8958에서 SPHS 코호트의 0.7452로 감소했습니다. 수막종 사전 훈련 FL은 외부 성능이 낮았다(DSC = 0.7122), 교모종 사전 훈련 FL은 BraTS2023-Men의 중앙 집중식 훈련과 비슷한 성능을 보였고, 수막종 사전 훈련된 FL보다 개선되었다(DSC = 0.7503; IoU = 0.6301; 홀름 조정 p < 0.001). 이 결과는 교모종 사전 학습 초기화가 연합 수막종 분절의 보다 견고한 출발점을 제공하며, 기관 데이터 프라이버시를 유지하면서 외부 일반화를 개선할 수 있음을 시사합니다.

서론

수막종은 성인에서 가장 흔한 원발성 두개내 신생물로, 미국 내 모든 원발성 뇌종양 및 중추신경계 종양의 약 38%를 차지합니다1. 수막상피(두미막) 세포에서 유래하며, 세계보건기구(WHO) 등급 I–III를 포함하며 광범위한 임상 스펙트럼을 아우릅니다: 1등급 종양(약 80%)은 대략적인 전절제 후 일반적으로 긍정적인 결과를 보인 반면, II등급(비정형) 및 III등급(변형) 병변은 각각 20–40%로 재발률이 훨씬 높고 10년 후 70%를 초과합니다. 3. 임상 의사결정—미세수술 절제, 정체 방사선수술(SRS), 분획 방사선 치료, 능동적 감시 등—은 종단 영상 연구를 통한 종양 범위의 정확하고 재현 가능한 체적 구분에 의존합니다. 따라서 자기공명영상(MRI)을 통한 수막종의 강력한 분할은 일관된 치료 계획과 결과 평가를 위한 전제 조건입니다.

다중 시퀀스 MRI는 일상적인 임상 실무에서 수막종 특성화의 기초를 이루며, 각 시퀀스는 종양 생물학과 주변 조직 반응의 상호 보완적 측면을 암호화합니다. 조영제 강화 T1 가중 영상(T1c)은 가돌리늄 유도 T₁ 이완 단축을 통해 혈액-뇌 장벽 파괴 부위를 강조하여, 강화된 종양 실질과 원발 병변 경계의 명확한 시각화를 가능하게 합니다. 비조영제(Non-contrast) T1 가중 영상(T1)은 거미막 경계면, 경막 부착 및 인접 골 침범 평가에 구조적 맥락을 제공합니다. T2 가중 영상(T2)은 종양 내 이질성과 종양 주위 부종을 포착하는데, 이는 질량 효과를 이해하고 방사선 수술 계획에서 치료 부피를 구분하는 데 필수적이다 3,4. 수막종 선출에는 수작업 윤곽 성형이 여전히 표준 접근법입니다. 이 과정에서 임상의들은 여러 MRI 시퀀스에 걸쳐 보완적인 조영구 정보를 고려하여 종양 범위를 정의합니다. 하지만 이 절차는 시간이 많이 소요되며, 특히 경막 꼬리와 같이 해부학적으로 모호한 부위에서 관찰자 간 변동성이 크게 발생하며, 보고된 일치 지표가 0.80 5,6 이하로 떨어집니다. 이러한 한계는 일관되고 확장 가능한 성능을 제공하는 자동화된 세분화 접근법 개발을 촉진합니다.

딥러닝은 BraTS7과 같은 벤치마크 데이터셋과 U-Net8, nnU-Net9와 같은 합성곱 모델, UNETR 및 Swin-UNETR10,11과 같은 트랜스포머 기반 모델, UMamba12와 같은 상태 공간 모델(SSM) 기반 접근법 등 다양한 아키텍처 패러다임의 등장으로 의료 영상 분할을 크게 발전시켰습니다. 최근 연구에서는 설명 가능한 주의 유도 스윈 트랜스포머 네트워크와 3D 뇌종양 분할을 위한 전역-국소 시각 변환/축 상태 공간 설계를 추가로 탐구하며, 트랜스포머 및 상태 공간 기반 분할 파이프라인의 지속적인 발전을 강조하고 있습니다. 강력한 벤치마크 성과에도 불구하고, 수막종 특이적 연구는 역사적으로 비교적 소규모 코호트 규모(보통 50–200건)에 의해 제한되어 왔습니다15,16. BraTS 2023 수막종 데이터셋17(1,000건 이상)의 공개는 이 한계를 부분적으로 완화합니다; 그러나 대부분의 모델은 여전히 선별된 데이터셋 내에서 학습 및 평가되며, 독립적인 임상 데이터에 적용할 때 성능이 저하되는 경우가 많습니다18. 이는 핵심 문제를 부각시킨다: 견고한 교차 센터 일반화를 달성하려면 다양한 다센터 데이터에 노출되어야 한다.

실제로 대규모 다센터 데이터셋을 집계하는 것은 데이터 프라이버시 규정과 기관 정책에 의해 제약을 받아 중앙 집중식 교육이 어렵거나 불가능해집니다. 연합학습(FL)은 원시 데이터를 공유하지 않고 협력적 모델 학습을 가능하게 하여 이 제약을 해결하며, 각 기관이 지역에서 훈련하고 연합 평균(FedAvg)19처럼 집계를 통해 모델 업데이트를 전역 모델에 기여합니다. 관련 연구는 확장 현실을 이용한 소아 뇌성마비의 인간 의도 모델링으로 프라이버시 보호 FL을 확장했으며, 농촌 환경의 오프라인 종양 분할에 가상현실 시각화를 위한 가상현실 시각화를 위한 경량 딥러닝이 제안되었습니다21. 이는 배포 가능하고 개인정보 인식이 뛰어난 의료 AI 워크플로우의 광범위한 필요성을 반영합니다. FL은 다센터 학습을 위한 실용적인 틀을 제공하지만, 새로운 도전 과제를 도입합니다: 참여 사이트마다 제한된 로컬 데이터셋을 가지며, 집계 전 독립적인 로컬 학습은 지역 데이터 분포가 분산될 때 최적의 로컬 업데이트와 글로벌 성능 저하로 이어질 수 있습니다. 이는 클라이언트 드리프트22로 알려진 문제입니다. 자연스러운 보완적 전략은 관련 소스 데이터셋에서 학습한 지식을 사용하여 모델을 초기화하는 것입니다23. 뇌종양 영상에서 교모세포종은 부분적으로 공통된 영상 특성과 종양 맥락 특징을 가진 밀접한 관련 소스 과제로, 사전 훈련의 실용적인 소스 도메인입니다. 수막종과 교모세포종은 생물학적 특성과 영상 외관에서 차이가 있지만, 공통의 영상 방식과 해부학적 맥락을 공유하여 저수준 및 중간 수준의 전이 가능한 표상을 학습할 수 있습니다. 이전 연구들은 이러한 교차 종양 전훈련이 데이터 제한 환경에서 성과를 향상시킬 수 있음을 보여주었다23. 이러한 발전에도 불구하고, 현실적인 다기관 조건에서 FL이 수막종 분절에 어떻게 작용하는지, 그리고 각 부위 데이터가 제한된 상황에서 교모세포종 사전 훈련이 연합 훈련을 개선할 수 있는지는 여전히 불분명합니다. FL 단독 투여와 교모종 사전 훈련 FL의 상대적 이점은 외부 임상 검증 하에 평가되지 않았습니다.

이 격차를 해소하기 위해 본 연구는 SPHS의 독립적인 외부 코호트를 이용한 통제 비교를 수행했습니다. 구체적으로, 우리는 세 가지 질문을 조사합니다: (i) 벤치마크 데이터로 학습된 모델과 외부 임상 데이터 간의 교차 센터 일반화 격차의 크기; (ii) 제한된 지역 데이터 조건에서 FL이 이 격차를 줄일 수 있는지 여부; 그리고 (iii) 교모종 사전 훈련된 FL(교모종-> 수막종)이 중앙집중식 훈련과 표준 연합 접근법 모두에 비해 추가적인 성과 향상을 제공하는지 여부.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

프로토콜

이 연구는 후향적 임상 연구였습니다. 연구 프로토콜은 선전 제2인민병원 윤리위원회의 검토 및 승인을 받아 SPHS 임상 데이터셋의 수집 및 사용을 승인했으며, 승인 번호는 20190910. 본 연구 등록 전에 SPHS 코호트에 포함된 모든 환자로부터 서면 동의서를 받았습니다.

환자 데이터

이 연구는 세 가지 데이터셋을 사용했습니다: BraTS2023-Men, BraTS2023-Gli, 그리고 SPHS의 외부 임상 코호트(SPHS-Men). 이들의 특징은 아래에 요약되어 있습니다.

BraTS2023-남성

BraTS2023-Men은 BraTS 2023 벤치마크24,25의 수막종 트랙입니다. 본 연구에서는 450건의 BraTS2023-Men 사례를 모델 개발 및 내부 평가의 원천 코호트로 사용하였습니다. 모든 이미지는 두개골 제거, 모달리티 간 동등등록, 1×1×1 mm3 등방성 재샘플링 등 균일하게 전처리되었습니다. 각 사례는 네 개의 MRI 시퀀스(T1, T1c, T2, FLAIR)와 복셀별 주석을 포함하며, 비증강성 종양 코어(라벨 1), 종양주위 부종(라벨 2), 증강 종양(라벨 3)의 세 가지 범주에 주석이 있습니다. 본 연구에서 사용된 임상 종양 정의의 일관성을 위해 라벨 1과 3은 단일 종양 클래스로 통합되었고, 라벨 2(부종)는 제외되어 이진 분할 표적이 되었습니다.

브라이츠2023-글리

BraTS2023-GLI는 BraTS 벤치마크의 교모세포 트랙으로, 확립된 BraTS 다중 모달 MRI 관습과 주석 프레임워크7, 24, 26, 27을 계승합니다. 본 연구에서는 450건의 BraTS2023-Gli 사례를 사용하여 교모세포종 사전 학습 FL의 소스 모델을 제공하여, 이후 수막종 과제에 사용된 이분법적 종양 대 배경 연구를 사용했습니다. 이 코호트를 포함한 목적은 BraTS2023-Men에 비해 표본 크기를 늘리기 위함이 아니라, 과제 관련 뇌종양 출처 도메인이 이후 연합 적응을 위한 보다 전이 가능한 초기화 역할을 할 수 있는지 시험하는 것이었습니다.

SPHS-맨

SPHS-Men은 선전 제2인민병원에서 기관 심사 위원회 승인을 받아 수집된 외부 임상 데이터셋입니다. 총 174건의 사례가 외부 평가를 위해 포함되었습니다. BraTS와 달리, 데이터는 표준화된 전처리 없이 일상적인 임상 프로토콜로 수집되어 복셀 간격, 슬라이스 두께, 시야각, 스캐너 의존적 재구성 매개변수 등에서 변동성이 있었습니다. 주석에는 원래 종양 종양 양과 부종/종양 주변 변화 두 가지 라벨이 함께 제공되었습니다. 본 연구에서 사용된 BraTS 유도 종양 정의에 맞추기 위해, 종양 덩어리만 보존하고 부종은 제외하였다. 모든 SPHS 사례는 이후 MRI 획득 및 전처리에 기술된 조화 지향 파이프라인을 통해 외부 평가 전에 처리되었습니다. 전처리 후, 공간 좌표 r에 있는 각 복셀은 T1c, T1n, T2 강도로 구성된 3채널 입력으로 표현됩니다.
figure-protocol-1

분할 작업은 종양과 배경 문제를 나타내는 이진 분류 Y(r) ∈ 0,1로 정의됩니다. 대표적인 예시와 데이터셋 간 질적 차이는 그림 1에 나와 있습니다.

figure-protocol-2
그림 1. 대표성 교차 데이터셋 비교. 맨 윗줄: SPHS-남성; 중간: BraTS2023-남성; 아래: BraTS2023-Gli. 열에는 종양 마스크, T1, T1c, T2가 표시됩니다. 병변 크기, 증강 패턴, 경계 정의의 질적 차이는 본 연구에서 발견된 복합 영상 및 주석 변화를 반영합니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

MRI 획득 및 전처리

모든 BraTS 데이터는 두개골 제거, 공동 등록, 등방성 재샘플링 등 표준화된 전처리가 이미 적용된 상태로 배포되었습니다. SPHS 코호트에서는 원시 DICOM 이미지가 먼저 NIfTI 포맷28로 변환되었습니다. 멀티모달 이미지는 상호 정보 기반 정렬29를 사용하여 네이티브 T1 공간에 강직하게 등록되었습니다. 두개골 제거는 뇌 MRI 분할을 위한 필수 전처리 단계이기 때문에, 뇌 추출은 모델 훈련 전에 명시적으로 수행되었습니다. 구체적으로, DeepBet을 T1 가중 이미지에 적용하여 뇌 마스크30을 생성했고, 그 결과 마스크는 공동 등록된 T1c와 T2 부피에 전파되어 모든 모달리티에서 비뇌 조직을 일관되게 제거했습니다. 두개골이 벗겨진 이미지는 이후 1 x 1 x 1 mm3의 등방성 해상도로 재샘플링되었습니다. 이진 종양 마스크는 형태학적 폐쇄 및 개방 연산을 사용하여 재샘플링 과정에서 발생한 보간 인위를 억제하여 최종 정제되었습니다. 이러한 조화 단계는 외부 테스트의 데이터셋 간 입력 일관성을 개선하기 위해 사용되었으나, SPHS 코호트에 내재된 스캐너, 프로토콜, 주석 수준의 차이를 없애기 위한 것은 아니었습니다.

연구 설계

모델 아키텍처

그림 2에서 보듯, UMamba 2D 아키텍처는 잔여 합성곱 신경망 모듈과 맘바 선택적 상태 공간 모델(SSM) 블록12,31을 통합합니다. 이 하이브리드 설계는 합성곱을 통한 국소 텍스처 특징과 SSM을 통한 장거리 전역 구조 맥락을 동시에 추출할 수 있게 하며, 공간 위치에 대한 선형 계산 비용이 발생합니다.

figure-protocol-3
그림 2. UMamba 2D 아키텍처. 인코더는 국소 텍스처 및 경계 특징 추출을 위한 잔여 합성곱 블록과 장거리 맥락 모델링을 위한 Mamba 선택적 SSM 모듈을 통합합니다. 이 부품들은 스킵 연결을 통해 전위 컨볼루션 디코더와 연결됩니다. 네트워크 입력은 T1, T1c, T2 모달리티를 포함하는 3채널 다중 모달 MRI 슬라이스로 구성됩니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

인코더

C = 3 입력 채널을 가진 다중 모달 MRI 슬라이스는 계층적 인코더에 의해 처리됩니다. 각 단계에서 s ∈ 1,..., S에서, 입력 특징 맵은 잔류 합성곱 블록에 의해 먼저 처리되어 국소화된 공간 패턴을 추출합니다. 특징 지도는 1차원 시퀀스로 평탄화되어 선택적 SSM 모듈에 의해 처리되어 장거리 맥락적 의존성을 포착합니다. 공간 다운샘플링은 스트라이드 2 컨볼루션을 사용하여 점진적으로 계층적 특징 표현을 생성하며, R^C_s × H/2^s × W/2^s F_s ∈ 채널 차원이 32, 64, 128, 256, 512 C_s ∈ 증가하는 계층적 특징 표현을 생성합니다.

맘바 선택적 SSM

선택적 SSM은 1차원 수열 x ∈ R^L × d에서 동작합니다. 2차원 특징지도의 표준 1차원 평면화에서 공간적 인접성이 깨지기 때문에, 다방향 스캐닝 전략이 사용됩니다: 특징지도는 행 앞으로, 행 방향, 행 앞으로, 열이 앞으로, 열을 뒤로 향해 네 방향(행 방향, 행 앞으로, 열을 뒤로 향)으로 스캔하여 행과 열 방향 모두에서 공간적 맥락을 유지합니다. 연속 시간 SSM은 다음과 같이 정의됩니다:
figure-protocol-4    

figure-protocol-5

여기서 A ∈ R^N × N은 HiPPO(숨겨진 다항식 투영 연산자) 프레임워크를 통해 초기화된 학습 가능한 상태 전이 행렬31을 나타냅니다. 투영 행렬 B(t)와 C(t)는 입력 의존적이며, 모델이 무관한 토큰을 동적으로 필터링하고 중요한 맥락 정보를 유지할 수 있는 선택적 메커니즘을 구축합니다. 연속 시스템은 시간 단계 Δ를 사용하여 0차 유지(ZOH) 변환을 통해 이산화됩니다:

figure-protocol-6

figure-protocol-7

figure-protocol-8

figure-protocol-9

각 이산 단계마다 매개변수 B, C, Δ가 입력 토큰 xk의 선형 투영으로 계산되어 입력 의존적 특징 전파가 가능하다. HiPPO 초기화는 고유값이 |λj(barA)| 를 만족하도록 보장합니다. < 1은 숨겨진 상태 표현‖hk‖을 임의의 긴 공간 시퀀스에 걸쳐 경계 있게 유지합니다.

디코더 및 스킵 연결

디코더는 인코딩된 표현에서 원래의 공간 해상도를 재구성합니다. 각 단계에서 전위 컨볼루션이 저해상도 특징 맵을 업샘플링합니다. 스킵 연결은 다중 스케일 인코더 특징과 해당 업샘플링 디코더 기능을 F_s 연결하여 정밀한 복셀 수준의 종양 경계 정보를 보존합니다.

훈련 손실

모델 최적화는 복합 손실 함수에 의해 안내됩니다:
figure-protocol-10

여기서 p_θ(r) ∈ [0,1]는 복셀 r에서 예측된 종양 확률, Y(r)는 해당 이진 기반 진실 라벨, λ = 1.0은 두 항의 균형을 맞춥니다. Dice 손실은 표적 평가 지표를 직접 최적화하고, 종양 복셀이 전체 두개내부피의 0.5% 미만을 차지하는 수막종 분할에 내재된 극심한 전경-배경 불균형을 해결합니다. 이진 교차엔트로피(BCE) 용어는 복셀별 감독을 제공하여 이 불균형한 환경에서 훈련을 안정화합니다.

훈련 구성

모든 분할 모델은 AdamW를 사용하여 초기 학습률 η₀ = 3 × 10⁻4, 코사인 어닐링 일정, 무게 감쇠 5 × 10⁻4로 최적화되었습니다. 중앙 집중식 기초 모델은 450사례 BraTS2023 코호트에서 200 에포크를 훈련했으며, 배치 크기는 16명이었다. 연합 환경에서의 모호함을 피하기 위해, 이 원고 전반에 걸쳐 다음과 같은 용어를 사용합니다: 통신 라운드 는 서버 브로드캐스트, 로컬 클라이언트 최적화, 서버 집계로 구성된 하나의 완전한 FL 사이클을 의미합니다; 미니 배치 반복 은 한 미니 배치에서 한 가지 매개변수 업데이트를 의미합니다; 각 클라이언트가 한 라운드에서 수행하는 로컬 최적화는 250회의 미니 배치 반복으로 구성되었습니다. 즉, 각 클라이언트는 라운드당 한 단계씩 로컬 훈련 단계를 수행했고, 그 로컬 단계에는 250회의 매개변수 업데이트 반복이 포함되었습니다. 따라서 본 연구에서 '라운드'(r = 3)라는 용어는 전체 중앙 데이터 세트의 시기를 의미하지 않고 FL 통신만을 의미 한다. 온라인 데이터 증강 파이프라인이 모든 학습 구성에 일관되게 적용되었으며, 여기에는 무작위 수평 및 수직 뒤집기(축당 p=0.5), 무작위 평면 내 회전(±15^circ), 무작위 강도 스케일링([0.85, 1.15]에서 균일하게 샘플링), 그리고 2차원 슬라이스당 계산된 가법 가우시안 잡음(시그마 ∼ U[0, 0.05])이 포함된다. 추론과 검증 과정에서 모든 증강 기능이 비활성화되었습니다. 프레임워크는 MONAI 1.3과 함께 PyTorch 2.0.1에서 구현되어 데이터 로딩을 담당했으며, 모든 연산은 NVIDIA GeForce RTX 3090(24GB GDDR6X) 그래픽 처리 장치(GPU)에서 수행되었습니다. 재현성을 보장하기 위해 PyTorch, NumPy, Python 랜덤 모듈 전반에 걸쳐 모든 무작위 시드를 모든 전략에 대해 동일한 값으로 고정했습니다.

실험적 전략

세 가지 주요 훈련 전략을 비교하여 교차 중심 일반화를 평가하였다(그림 3). 수막종-사전 학습 FL과 교모종-사전 학습 FL이라는 라벨은 연합 적응 이전 초기 글로벌 모델의 출처를 구분하기 위해 이 원고에서 도입된 기술적 명칭입니다.

figure-protocol-11
그림 3. 실험 설계 개요. (A) 450명의 BraTS2023-Men 사례를 이용한 중앙집중식 교육 후 SPHS에 대한 외부 평가. (B) 세 명의 시뮬레이션 클라이언트에 걸친 수막종 사전 훈련 FL. (C) 연합 적응 전 중앙집중식 교모종 모델에서 초기화된 교모종 사전 학습 FL. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

전략 1 (중앙집중식 훈련)

UMamba 2D 모델 하나가 모든 450대의 BraTS2023-Men 케이스에 대해 학습되었습니다. 이 전략은 인도메인 성과의 상한선을 나타내며, 교차 중심 열화 평가의 기준선이 됩니다.

전략 2 (FL with MEN 도메인 초기화)

450건의 BraTS2023-Men 사례는 무작위로 세 명의 내담자에게 배정되었습니다 (|Di| = 150) 같은 분할을 위한 경우입니다. 따라서 세 개의 BraTS2023-Men 클라이언트는 기관별 메타데이터나 스캐너 출처 라벨을 사용해 구성되지 않고 동일한 공개 코호트에서 시뮬레이션되었습니다. 수막종 영역에서 연합 훈련을 초기화하기 위해, 초기 글로벌 모델은 먼저 고정된 BraTS2023-Men 클라이언트 분할(이 구현에서는 클라이언트 1)에서 학습한 후 연합 절차를 시작했습니다. 이 시드 클라이언트는 재현성을 위해 실험 간에 일정하게 유지되었으며, 최적화되거나 특권화된 소스 클라이언트가 아니라 도메인 내 웜 스타트로 해석되어야 합니다. 세 클라이언트가 동일한 BraTS2023-Men 코호트를 분할하여 시뮬레이션되었기 때문에, 이 초기화 선택은 생물학적으로 구별되는 기관적 사전에 대한 것이 아니라 구현 수준의 출발점을 반영합니다. 이 설계의 목적은 실제 다기관 발사 과정을 엄격히 재현하는 것이 아니라, 모든 가용 MEN 데이터에 대한 중앙 집중식 훈련과 부분 수막종 사전 훈련 FL에서 시작된 연합 협력 간의 통제된 비교를 제공하는 것이었습니다. 전역 연합 최적화 목표는 다음과 같이 정의됩니다:
figure-protocol-12

여기서 Di 는 클라이언트 i의 국소 훈련 집합을 나타내고, ell은 주사위 + 교차 엔트로피 손실을 나타냅니다. 커뮤니케이션 1라운드에서는 집계 가중치가 표본 수에 비례했습니다(wi(1) = 1/3). 이후 커뮤니케이션 라운드에서 성과가 낮은 클라이언트를 다운가중치하기 위해 2라운드와 3라운드에서는 검증 주사위 가중 집계를 사용했습니다:
figure-protocol-13
여기서 DSCi(r) 는 통신 라운드 r에서 로컬 훈련을 거친 클라이언트 i의 로컬 검증 파티션에서의 사례 평균화된 DSC, ε = 10⁻6 은 0으로 나누는 것을 방지하기 위한 작은 상수입니다.

전략 3 (교모세포종 사전 학습 초기화 FL)

과제 관련 교차 영역 웜 스타트를 얻기 위해, 교모종에 대한 중앙집중식 훈련은 처음으로 450건의 BraTS2023-Gli 사례를 사용하고, 동일한 세 가지 MRI 기법(T1, T1c, T2)과 수막종 실험에서 채택된 이진 종양 대 배경 공식으로 수행되었습니다.

구체적으로, 교모종 표기는 비증강성 종양 코어와 증강 종양을 하나의 전경 클래스로 결합하여 조화를 이루었고, 종양 주위 부종은 제외하여 원인과 표적 과제가 동일한 이진 출력 정의를 공유하도록 했습니다. 소스 작업과 대상 작업 모두 이진 분할로 공식화되었기 때문에, 사전 학습된 가중치는 최종 계층을 폐기하고 재초기화하는 대신 세그멘테이션 헤드를 포함한 전체 UMamba 2D 모델을 초기화하는 데 직접 전달되었습니다. 이후 동일한 FedAvg 프로토콜이 적용되었으며, 초기 글로벌 모델은 교모세포종 가중치에 대한 중앙집중식 학습(θ⁽°⁾ = θ_Gli^*)으로 초기화되었습니다. 이후 연방 적응은 다음과 같이 제시된다:
figure-protocol-14

여기서 Δθ(r)는 r개의 통신 라운드에 걸쳐 누적된 도메인 특화 매개변수 업데이트를 나타냅니다. 이 전략은 교모종 사전 학습된 FL 소스 모델이 수막종 클라이언트의 연합 적응에 더 나은 출발점을 제공하는지 여부를 검증합니다.

평가 지표

모든 전략은 SPHS 코호트에서 사례 평균화 프로토콜을 사용하여 평가되었습니다. DSC와 IoU는 사례별로 독립적으로 계산된 후 평균화되어 종양 부피와 관계없이 모든 피험자에서 통계적 가중치가 동일하도록 보장되었습니다:
figure-protocol-15
 figure-protocol-16

사례 평균별 오류 구성—평균 진양성(TP), 거짓 양성(FP), 거짓 음성(FN), 진음성(TN) 복셀 카운트—도 보고되었습니다. 이 분해는 과도한 세분화와 부족한 세분화 오류를 구분하여 방향성 고장 모드에 대한 통찰을 제공합니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

결과

중앙집중식 UMamba 2D 모델(전략 1)은 BraTS2023-Men 내부 테스트 세트에서 경쟁력 있는 영역 내 성능을 달성했으며, 사례평균 DSC 0.8958, IoU 0.8356, FN 1,902, FP 667, TN 8,902,814, TP 22,616을 기록했습니다. SPHS 외부 검증 코호트에서 평가했을 때, 중앙 집중 모델은 DSC가 0.7452± 0.1992, IoU가 0.6241± 0.1941로, ΔDSC = 0.1506의 중심 간 일반화 격차에 해당합니다(표 1, ID 1). 추가 자가 구성 기준으로, nnUNet-v2는 연합학습이나 교세포종 사전 훈련 없이 동일한 SPHS 외부 검증 코호트에서 0.7381 ± 0.1931의 DSC와 0.6142 ± 0.1897의 IoU를 달성했습니다.

오류 구성(표 1, ID 1)은 주로 저분절 패턴을 보였...

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

토론

이 연구의 핵심 발견은 연합 집계 프로토콜 자체보다는 초기화 품질이 프라이버시 보존 수막종 분할의 교차 중심 일반화 격차를 해소하는 결정적인 요인이라는 점입니다. 중앙 집중식 UMamba 2D 모델은 BraTS2023-Men 코호트에서 강력한 도메인 내 성능을 달성했으나(DSC = 0.8958), 독립적인 SPHS 임상 데이터셋(Δ DSC = 0.1506)에서 평가할 때는 상당한 성능 저하를 겪었습니다. 이러한 성능 저하는 큐레이션된 벤치마크에서 훈련된 모델들이 복합 도메인 이동에 취약함을 강조하며, 여기에는 영상 수준의 불일치(예: 스캐너 하드웨어, 복셀 간격, 재구성 프로토콜)와 종양 경계 및 경막 꼬리 정의에 있어 발생하는 기관적 관습 차이로 인한 라벨 이동이 포함됩니다. 중앙 집중식 모델의 SPHS 코호트에서 오류 프로필은 저분절 쪽으로 크게 치우쳐 있었으며(FN = 14,873 대 FP = 2,644), 이는 BraTS 특이 분포에 과적합되어 임상 획득에서 다...

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

공개 사항

저자들은 이해 상충을 선언할 필요가 없습니다.

감사의 글

이 연구는 중국 국가자연과학기금(보조금12405382), 선전 과학기술혁신위원회(보조금 JCYJ20220530143602006), 선전 기초연구사업(자연과학재단)(보조금JCYJ20220530150416036), 내몽골과학기술부 사회복지 프로젝트(프로젝트 번호 2026YFSH0155)의 지원을 받았습니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재료

```html
이 논문에 사용된 재료 목록
이름회사카탈로그 번호댓글
BraTS2023-Gli 데이터셋ASNR-MICCAI BraTS Challenge / Synapse (Sage Bionetworks)N/A편질종 pretrained 초기화에 사용된 공개 편질종 MRI 데이터셋. 이 연구에서는 이진 종양 대 배경 형식으로 450건의 사례가 사용되었습니다. https://www.synapse.org/Synapse:syn51156910/wiki/622351
BraTS2023-Men 데이터셋ASNR-MICCAI BraTS Challenge / Synapse (Sage Bionetworks)N/A모델 개발 및 내부 평가를 위한 소스 코호트로 사용된 공개 뇌막종 MRI 데이터셋. 이 연구에서는 450건의 사례가 사용되었습니다. https://arxiv.org/abs/2305.07642
DeepBetFisch 등의 학술 소프트웨어N/ASPHS 코호트에 T1 강조 영상에 적용되어 뇌 마스크를 생성하는 뇌 추출 도구. https://arxiv.org/abs/2308.07003
MONAIMONAI 프로젝트버전 1.3데이터 로드 및 딥러닝 워크플로 구현에 사용되는 의료 영상 AI 프레임워크. https://docs.nvidia.com/monai/index.html
NVIDIA GeForce RTX 3090 GPUNVIDIAGeForce RTX 3090모델 학습 및 계산에 사용되는 24 GB GDDR6X 메모리를 갖춘 그래픽 처리 장치. https://www.nvidia.com/en-me/geforce/graphics-cards/30-series/rtx-3090-3090ti/
PyTorchPyTorch Foundation, Linux Foundation버전 2.0.1UMamba 2D 분할 모델을 구현하고 학습하는 데 사용되는 딥러닝 프레임워크. https://pytorch.org/foundation/
PythonPython Software Foundation버전 3.10모델 학습, 사전 처리, 평가 및 통계 분석에 사용되는 프로그래밍 환경. 알려진 경우 정확한 Python 버전으로 교체하십시오. https://www.python.org/psf-landing/
SPHS-Men 임상 코호트심천 제2인민병원N/A독립적인 평가를 위해 사용된 외부 임상 다중 모달 MRI 코호트. 총 174건의 사례가 포함되었습니다.
UMamba 2D 모델 구현Bowang-lab / U-Mamba 저자U-Mamba 2D 구성이진 뇌막종 분할에 사용되는 상태 공간 모델 기반 분할 아키텍처. https://u-mamba.github.io/
```

참고문헌

  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).

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재인쇄 및 허가

이 JoVE 논문의 텍스트 또는 그림 재사용 허가 요청

허가 요청

태그

233233UMamba

관련 논문