Onderzoeksartikel

Verbetering van cross-center generalisatie voor multimodale MRI meningeoomsegmentatie via glioma-voorgetraind gefedereerd leren

56 weergaven

⸱

DOI:

10.3791/72164

⸱

24 juli 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

In dit artikel

Samenvatting

Deze studie onderzoekt de impact van door glioom getraind gefedereerd leren op externe generalisatie bij multimodale MRI-meningeoomsegmentatie

Samenvatting

Geautomatiseerde meningioomsegmentatie op multimodale MRI blijft uitdagend wanneer modellen tussen instellingen worden overgedragen, omdat scannerprotocollen, beeldkenmerken en annotatiestijlen per centrum kunnen verschillen. Gefedereerd leren (FL) biedt een privacybehoudende strategie voor de ontwikkeling van multi-center modellen, maar standaardaggregatie zal mogelijk niet volledig de verschuiving tussen het centrum overbruggen. Deze studie had als doel de externe generalisatiekloof in MRI-meningeoomsegmentatie te kwantificeren en te evalueren of Glioma-pretrained FL de robuustheid kon verbeteren zonder gecentraliseerde datapooling. Een UMamba 2D-architectuur werd gebruikt voor binaire meningeoomsegmentatie met T1-, T1c- en T2-MRI als modelinvoer. Het protocol omvatte 450 BraTS2023-Men-gevallen als de brondomein meningioomdataset en 174 onafhankelijke klinische gevallen van ons instituut als externe validatiecohort. Drie laatste meningioomsegmentatiestrategieën werden kwantitatief geëvalueerd onder dezelfde externe validatieomgeving: gecentraliseerde training op BraTS2023-Men, meningeoma-pretrained FL over drie gesimuleerde cliënten, en Glioma-pretrained FL geïnitieerd vanuit een BraTS2023-Gli-bronmodel vóór gefedereerde optimalisatie. Gecentraliseerde training op glioom werd alleen gebruikt om de glioma-voorgetrainde initialisatie te genereren en werd niet gerapporteerd als een onafhankelijk geëvalueerde definitieve meningeomasegmentatiestrategie. De modelprestaties werden beoordeeld met behulp van de Dice similarity coefficient (DSC) en Intersection over Union (IoU). Gecentraliseerde training op BraTS2023-Men liet een duidelijke externe generalisatiedaling zien, waarbij DSC daalde van 0,8958 op de interne BraTS2023-Men test ingesteld naar 0,7452 op de SPHS-cohort. Meningeoma-pretrainde FL leverde een lagere externe prestatie op (DSC = 0,7122), terwijl Glioma-pretrained FL vergelijkbare prestaties behaalde als gecentraliseerde training op BraTS2023-Men en verbeterde ten opzichte van meningeoma-pretrained FL (DSC = 0,7503; IoU = 0,6301; Holm-gecorrigeerde p < 0,001). Deze resultaten suggereren dat glioma-voorgetrainde initialisatie een robuuster startpunt biedt voor gefedereerde meningeoomsegmentatie en de externe generalisatie kan verbeteren terwijl institutionele gegevensprivacy behouden blijft.

Inleiding

Meningeomen zijn de meest voorkomende primaire intracraniële neoplasma bij volwassenen en zijn goed voor ongeveer 38% van alle primaire tumoren in de hersenen en het centrale zenuwstelsel in de Verenigde Staten1. Afkomstig uit meningotheliale (arachnoïdale kap) cellen, omvatten ze de grade I–III van de Wereldgezondheidsorganisatie (WHO), die een breed klinisch spectrum beslaan: graad I tumoren (ongeveer 80%) zijn over het algemeen geassocieerd met gunstige uitkomsten na een totale resectie, terwijl graad II (atypische) en graad III (anaplastische) laesies aanzienlijk hogere recidiefpercentages vertonen van 20–40% en meer dan 70% na tien jaar, respectievelijk2, 3. Klinische besluitvorming—waaronder microchirurgische resectie, stereotactische radiochirurgie (SRS), gefractioneerde radiotherapie en actieve surveillance—is afhankelijk van nauwkeurige en reproduceerbare volumetrische afbakening van tumoromvang over longitudinale beeldvormingsstudies. Robuuste segmentatie van meningiomen uit magnetische resonantiebeeldvorming (MRI) is daarom een vereiste voor consistente behandelplanning en uitkomstbeoordeling.

Multisequentie-MRI vormt de basis van de karakterisering van meningioom in de routinematige klinische praktijk, waarbij elke sequentie complementaire aspecten van tumorbiologie en de omliggende weefselrespons codeert. Contrastversterkte T1-gewogen beeldvorming (T1c) benadrukt gebieden van verstoring van de bloed-hersenbarrière door gadolinium-geïnduceerde T₁-relaxatieverkorting, waardoor een duidelijke visualisatie van versterkte tumorparenchym en de definitie van de primaire laesiegrens mogelijk is. Niet-contrast T1-gewogen beeldvorming (T1) biedt structurele context voor het evalueren van de arachnoïdale interface, durale aanhechting en aangrenzende botenbetrekking. T2-gewogen beeldvorming (T2) legt intratumorale heterogeniteit en peritumoraal oedeem vast, die beide essentieel zijn voor het begrijpen van mass effect en het afbakenen van behandelvolumes in radiochirurgische planning 3,4. Handmatige contouring blijft de standaardmethode voor meningeoom-afbakening. Tijdens dit proces overwegen clinici doorgaans complementaire contrastinformatie over meerdere MRI-sequenties om de tumoromvang te bepalen. Deze procedure kost echter veel tijd en gaat gepaard met aanzienlijke variabiliteit tussen waarnemers, vooral in anatomisch ambiguïteitige gebieden zoals de durale staart, waar gerapporteerde overeenkomstmetingen onder 0,80 5,6 liggen. Deze beperkingen stimuleren de ontwikkeling van geautomatiseerde segmentatiebenaderingen die consistente, schaalbare prestaties leveren.

Deep learning heeft medische beeldsegmentatie aanzienlijk verbeterd, ondersteund door benchmarkdatasets zoals BraTS7 en door het ontstaan van meerdere architecturale paradigma's, waaronder convolutionele modellen zoals U-Net8 en nnU-Net9, transformer-gebaseerde modellen zoals UNETR en Swin-UNETR10,11, en op state space model (SSM)-gebaseerde benaderingen zoals UMamba12. Recent werk heeft verder verklaarbare, aandachtsgestuurde Swin Transformer-netwerken en globaal-lokale Vision Transformer/axiale toestandsruimteontwerpen voor 3D-hersentumorsegmentatie13,14 onderzocht, waarmee de voortdurende ontwikkeling van transformator- en toestandsruimte-gebaseerde segmentatiepijplijnen wordt benadrukt. Ondanks sterke benchmarkprestaties zijn meningoom-specifieke studies historisch beperkt door relatief kleine cohortgroottes (meestal 50–200 gevallen)15,16. De publicatie van de BraTS 2023 meningioomdataset17, met meer dan 1.000 gevallen, verlicht deze beperking gedeeltelijk; de meeste modellen worden echter nog steeds getraind en geëvalueerd binnen gecureerde datasets, en hun prestaties verslechteren vaak wanneer ze worden toegepast op onafhankelijke klinische data18. Dit benadrukt een kernprobleem: het bereiken van robuuste generalisatie tussen centra vereist blootstelling aan diverse multi-center data.

In de praktijk wordt het aggregeren van grootschalige multi-center datasets beperkt door regelgeving voor gegevensprivacy en institutionele beleidsregels, waardoor gecentraliseerde training moeilijk of onhaalbaar wordt. Federated learning (FL) pakt deze beperking aan door collaboratieve modeltraining mogelijk te maken zonder ruwe data te delen, waarbij elke instelling lokaal traint en modelupdates levert aan een globaal model via aggregatie, zoals in Federated Averaging (FedAvg)19. Gerelateerd werk heeft ook privacybehoudende FL uitgebreid naar menselijke intentiemodellering bij pediatrische cerebrale parese met behulp van extended reality20, en lichtgewicht deep learning met virtual-reality-visualisatie is voorgesteld voor offline tumorsegmentatie in landelijke omgevingen21, wat de bredere behoefte weerspiegelt aan inzetbare en privacybewuste medische AI-workflows. Hoewel FL een praktisch kader biedt voor multi-center leren, brengt het een nieuwe uitdaging met zich mee: elke deelnemende locatie heeft doorgaans een beperkte lokale dataset, en onafhankelijke lokale training vóór aggregatie kan leiden tot suboptimale lokale updates en verminderde wereldwijde prestaties, vooral wanneer lokale dataverdelingen divergeren – een probleem dat bekend staat als client drift22. Een natuurlijke aanvullende strategie is het initialiseren van het model met kennis die is opgedaan uit een gerelateerde brondataset23. In hersentumorbeeldvorming vertegenwoordigt glioom een nauw verwante brontaak met gedeeltelijk gedeelde beeldvormingskenmerken en tumorcontextkenmerken, waardoor het een praktisch brondomein is voor pretraining. Hoewel meningiomen en gliomen verschillen in biologische kenmerken en beeldvorming, delen ze gemeenschappelijke beeldvormingsmodaliteiten en anatomische context, waardoor overdraagbare representaties op laag en middenniveau kunnen worden geleerd3. Eerder onderzoek heeft aangetoond dat dergelijke cross-tumor pretraining de prestaties kan verbeteren in databeperkte omgevingen23. Ondanks deze ontwikkelingen blijft het onduidelijk hoe FL presteert voor meningeomasegmentatie onder realistische multicenter-omstandigheden, en of glioma-pretraining de gefedereerde training kan verbeteren wanneer elke locatie beperkte data heeft. De relatieve voordelen van FL alleen versus Glioma-voorgetrainde FL zijn niet geëvalueerd onder externe klinische validatie.

Om deze kloof te dichten, voert deze studie een gecontroleerde vergelijking uit met een onafhankelijke externe cohort van SPHS. Specifiek onderzoeken we drie vragen: (i) de omvang van de generalisatiekloof tussen modellen die getraind zijn op benchmarkdata en externe klinische data; (ii) of FL deze kloof kan verkleinen onder beperkte lokale dataomstandigheden; en (iii) of Glioma-pretrained FL (glioma -> meningeoom) extra prestatieverbeteringen biedt ten opzichte van zowel gecentraliseerde training als standaard gefedereerde benaderingen.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

Deze studie was een retrospectieve klinische studie. Het studieprotocol werd beoordeeld en goedgekeurd door de Ethische Commissie van het Tweede Volksziekenhuis van Shenzhen voor het verzamelen en gebruiken van de SPHS klinische dataset, met het goedkeuringsnummer 20190910. Schriftelijke geïnformeerde toestemming werd verkregen van alle patiënten die in de SPHS-cohort waren opgenomen vóór inschrijving in deze studie.

Patiëntgegevens

Deze studie gebruikte drie datasets: BraTS2023-Men, BraTS2023-Gli en een externe klinische cohort van SPHS (SPHS-Men). Hun kenmerken worden hieronder samengevat.

BraTS2023-Men

BraTS2023-Men is het meningioma-spoor van de BraTS 2023 benchmark24,25. Voor deze studie werden 450 BraTS2023-Men-gevallen gebruikt als broncohort voor modelontwikkeling en interne evaluatie. Alle beelden werden uniform voorbewerkt, inclusief schedelstripping, coregistratie over modaliteiten heen en isotrope herbemonstering tot 1×1×1 mm3. Elke case bevat vier MRI-sequenties (T1, T1c, T2, FLAIR) met voxel-gewijze annotaties in drie categorieën: niet-versterkende tumorkern (label 1), peritumorale oedeem (label 2) en versterkende tumor (label 3). Voor consistentie met de klinische tumordefinitie die in deze studie werd gebruikt, werden labels 1 en 3 samengevoegd tot één tumorklasse, en label 2 (oedeem) werd uitgesloten, wat resulteerde in een binaire segmentatietarget.

BraTS2023-Gli

BraTS2023-Gli is het glioma-spoor van de BraTS-benchmark en erft de gevestigde BraTS multimodale MRI-conventies en het annotatiekader 7,24,26,27. In deze studie werd gecentraliseerde training op glioom uitgevoerd met 450 BraTS2023-Gli-gevallen om een bronmodel te leveren voor Glioma-voorgetrainde VL, met gebruik van dezelfde binaire tumor-tegen-achtergrondformulering die later werd gebruikt voor de meningeomataak. Het doel van deze cohort was niet om de steekproefgrootte te vergroten ten opzichte van BraTS2023-Men, maar om te testen of een taakgerelateerd hersentumorbrondomein een meer overdraagbare initialisatie kon bieden voor latere federatieve adaptatie.

SPHS-Men

SPHS-Men is een externe klinische dataset verzameld van het Tweede Volksziekenhuis van Shenzhen onder goedkeuring van de institutionele beoordelingscommissie. In totaal werden 174 gevallen opgenomen voor externe evaluatie. In tegenstelling tot BraTS werden de gegevens verkregen met behulp van routinematige klinische protocollen zonder gestandaardiseerde voorverwerking, wat leidde tot variabiliteit in voxelafstand, sneeddikte, gezichtsveld en scanner-afhankelijke reconstructieparameters. Annotaties werden oorspronkelijk voorzien van twee labels: tumormassa en oedeem/peritumorale verandering. Om te voldoen aan de door BraTS afgeleide tumordefinitie die in deze studie werd gebruikt, bleef alleen tumormassa behouden en werd oedeem uitgesloten. Alle SPHS-gevallen werden vervolgens verwerkt met een op harmonisatie gerichte pijplijn voordat ze extern werden geëvalueerd, zoals beschreven in MRI-opname en preprocessing. Na preprocessing wordt elke voxel op ruimtelijke coördinaat r weergegeven door een driekanaals input bestaande uit T1c-, T1n- en T2-intensiteiten,
figure-protocol-1

en de segmentatietaak wordt gedefinieerd als binaire classificatie Y(r) ∈ 0,1, wat tumor versus achtergrond aangeeft. Representatieve voorbeelden en kwalitatieve verschillen tussen datasets worden weergegeven in Figuur 1.

figure-protocol-2
Figuur 1. Representatieve cross-datasetvergelijking. Bovenste rij: SPHS-Men; midden: BraTS2023-Heren; onderaan: BraTS2023-Gli. Kolommen tonen tumormasker, T1, T1c en T2. Kwalitatieve verschillen in laesiegrootte, versterkingspatroon en grensdefinitie weerspiegelen de samengestelde verschuivingen in beeldvorming en annotatie die in deze studie zijn tegengekomen. Klik hier om een grotere versie van deze figuur te bekijken.

MRI-acquisitie en preprocessing

Alle BraTS-gegevens werden verspreid met gestandaardiseerde preprocessing die al was toegepast, waaronder schedelstripping, co-registratie en isotrope herbemonstering. Voor de SPHS-groep werden raw DICOM-beelden eerst omgezet naar NIfTI-formaat28. De multimodale beelden werden vervolgens rigide geregistreerd in de native T1-ruimte met behulp van mutual information-based alignment29. Omdat schedelstrippen een noodzakelijke preprocessingstap is voor hersen-MRI-segmentatie, werd hersenextractie expliciet uitgevoerd vóór de modeltraining. Specifiek werd DeepBet toegepast op het T1-gewogen beeld om een hersenmasker30 te genereren, en het resulterende masker werd verspreid naar de co-geregistreerde T1c- en T2-volumes om niet-hersenweefsel consequent te verwijderen in alle modaliteiten. De schedelgestripte beelden werden vervolgens opnieuw bemonsterd tot een isotrope resolutie van 1 x 1 x 1 mm3. Binaire tumormaskers werden uiteindelijk verfijnd met morfologische sluit- en openingsoperaties om interpolatie-artefacten die tijdens het herbemonsteren werden geïntroduceerd te onderdrukken. Deze harmonisatiestappen werden gebruikt om de inputconsistentie tussen datasets voor externe tests te verbeteren, maar ze waren niet bedoeld om de onderliggende verschillen op scanner-, protocol- of annotatieniveau die inherent zijn aan de SPHS-cohort te elimineren.

Studieontwerp

Modelarchitectuur

Zoals weergegeven in Figuur 2, integreert de UMamba 2D-architectuur residuele convolutionele neurale netwerkmodules met Mamba selectieve toestandsruimtemodel (SSM) blokken12,31. Dit hybride ontwerp maakt het mogelijk om lokale textuurkenmerken gelijktijdig te extraheren via convoluties en langeafstands-globale structurele context via SSM's, met een lineaire rekenkosten ten opzichte van het aantal ruimtelijke posities.

figure-protocol-3
Figuur 2. De UMamba 2D-architectuur. De encoder integreert resterende convolutionele blokken voor lokale textuur- en randfeature-extractie met Mamba-selectieve SSM-modules voor langeafstandscontextmodellering. Deze componenten zijn via skipverbindingen verbonden met een getransponeerde convolutiedecoder. De netwerkingang bestaat uit een driekanaals multimodale MRI-slice bestaande uit T1-, T1c- en T2-modaliteiten. Klik hier om een grotere versie van deze figuur te bekijken.

Encoder

Multimodale MRI-sneden met C = 3 ingangskanalen worden verwerkt door een hiërarchische encoder. In elke fase s ∈ 1,..., S wordt de invoerkenmerkkaart eerst verwerkt door een residueel convulutioneel blok om gelokaliseerde ruimtelijke patronen te extraheren. De featuremap wordt vervolgens afgevlakt tot een eendimensionale reeks en verwerkt door een selectieve SSM-module om langeafstandscontextuele afhankelijkheden vast te leggen. Ruimtelijke downsampling wordt uitgevoerd met behulp van stride-2 convoluties, waarbij geleidelijk hiërarchische feature-representaties worden gegenereerd F_s ∈ R^C_s × H/2^s × W/2^s met toenemende kanaaldimensies C_s ∈ 32, 64, 128, 256, 512.

Mamba selectieve SSM

De selectieve SSM werkt op een eendimensionale reeks x x ∈ R^L × d. Omdat ruimtelijke aangrenzing wordt verstoord tijdens standaard eendimensionale afvlakken van tweedimensionale featurekaarten, wordt een multidirectionele scanstrategie gebruikt: featuremaps worden langs vier richtingen gescand (rij vooruit, rij achteruit, kolom vooruit en kolom achteruit) om de ruimtelijke context te behouden over zowel rij- als kolomrichtingen. De continue-tijd SSM wordt gedefinieerd als:
figure-protocol-4    

figure-protocol-5

waarbij A ∈ R^N × N de leerbare toestandsovergangsmatrix aanduidt die via het HiPPO (Hidden Polynomial Projection Operator) framework31 wordt geïnitialiseerd. De projectiematrices B(t) en C(t) zijn input-afhankelijk, wat een selectiemechanisme opstelt waarmee het model irrelevante tokens dynamisch kan filteren en belangrijke contextuele informatie kan behouden. Het continue systeem wordt gediscretiseerd met behulp van een tijdstap Δ via een nul-orde hold (ZOH) transformatie:

figure-protocol-6

figure-protocol-7

figure-protocol-8

figure-protocol-9

Bij elke discrete stap k worden de parameters B, C en Δ berekend als lineaire projecties van het invoertoken xk, waardoor input-afhankelijke featurepropagatie mogelijk is. De HiPPO-initialisatie zorgt ervoor dat de eigenwaarden voldoen aan |λj(barA)| < 1, die de verborgen toestandsrepresentaties ‖hk‖ begrensd houdt over willekeurig lange ruimtelijke reeksen.

Decoder en skipverbindingen

De decoder reconstrueert de oorspronkelijke ruimtelijke resolutie uit de gecodeerde representaties. In elke fase worden getransponeerde convoluties de featuremaps met lagere resolutie opgestoken. Skipverbindingen verbinden de multi-schaal encoderkenmerken F_s met de bijbehorende opgegradeerde decoderkenmerken, waardoor hoogfrequente grensinformatie behouden blijft die essentieel is voor precieze voxelniveau tumorafbakening.

Trainingsverlies

Modeloptimalisatie wordt geleid door een samengestelde verliesfunctie:
figure-protocol-10

waarbij p_θ(r) ∈ [0,1] de voorspelde tumorkans bij voxel r is, Y(r) het bijbehorende binaire grondwaarheidslabel is, en λ = 1,0 de twee termen in balans brengt. Het verlies van dobbelstenen optimaliseert direct de doelmeting en pakt de extreme voorgrond-achtergrond onbalans aan die inherent is aan meningioomsegmentatie, waarbij tumorvoxels doorgaans minder dan 0,5% van het totale intracraniële volume uitmaken. De term binaire kruis-entropie (BCE) biedt per-voxel supervisie, waardoor de training in deze onevenwichtige setting wordt gestabiliseerd.

Trainingsconfiguratie

Alle segmentatiemodellen zijn geoptimaliseerd met AdamW met een initiële leersnelheid van η₀ = 3 × 10⁻4, cosinus-annealingschema en gewichtsafname van 5 × 10⁻4. De gecentraliseerde basismodellen werden getraind voor 200 epochs op de 450-case BraTS2023-cohorten met een batchgrootte van 16. Om ambiguïteit in de gefedereerde setting te voorkomen, gebruiken we de volgende terminologie in dit manuscript: een communicatieronde duidt één volledige FL-cyclus aan bestaande uit serverbroadcast, lokale clientoptimalisatie en serveraggregatie; Een mini-batch iteratie duidt één parameterupdate op één mini-batch aan; en de lokale optimalisatie die elke client in één ronde uitvoerde, bestond uit 250 mini-batch iteraties. Met andere woorden, elke cliënt voerde per ronde één lokale trainingsfase uit, en die lokale fase bevatte 250 parameter-update iteraties. De term 'ronde' (r = 3) verwijst in deze studie dus alleen naar FL-communicatie, niet naar een tijdperk over de gehele gecentraliseerde dataset. Een online data-augmentatiepijplijn werd uniform toegepast over alle trainingsconfiguraties, inclusief willekeurige horizontale en verticale flipping (p=0,5 per as), willekeurige rotatie in het vlak (±15^circ), willekeurige intensiteitsschaal (factor uniform bemonsterd van [0,85, 1,15]) en additieve Gaussische ruis (sigma ∼ U[0, 0,05]) berekend per tweedimensionale slice. Alle augmentatie werd uitgeschakeld tijdens inferentie en validatie. Het framework werd geïmplementeerd in PyTorch 2.0.1 met MONAI 1.3 voor data-laden, en alle berekeningen werden uitgevoerd op NVIDIA GeForce RTX 3090 (24 GB GDDR6X) grafische verwerkingsunits (GPU's). Reproduceerbaarheid werd gegarandeerd door alle willekeurige seeds in PyTorch, NumPy en de Python-randommodule te fixeren op identieke waarden voor alle strategieën.

Experimentele strategieën

Drie primaire trainingsstrategieën werden vergeleken om cross-center generalisatie te evalueren (Figuur 3). De labels meningeoma-voorgetrainde FL en Glioma-voorgetrainde FL zijn beschrijvende namen die in dit manuscript zijn geïntroduceerd om de bron van het initiële globale model vóór de gefedereerde aanpassing te onderscheiden.

figure-protocol-11
Figuur 3. Overzicht van het experimentele ontwerp. (A) Gecentraliseerde training met 450 BraTS2023-Men casussen, gevolgd door externe evaluatie van SPHS. (B) Meningeoma-voorgetrainde VL bij drie gesimuleerde cliënten. (C) Glioma-voorgetrainde FL werd geïnitieerd vanuit een gecentraliseerd glioma-model vóór federatieve aanpassing. Klik hier om een grotere versie van deze figuur te bekijken.

Strategie 1 (Gecentraliseerde training)

Een enkel UMamba 2D-model werd getraind op alle 450 BraTS2023-Men-cases. Deze strategie vormt de bovengrens voor prestaties in het domein en dient als basis voor het beoordelen van cross-center degradatie.

Strategie 2 (FL met MEN-domein initialisatie)

De 450 BraTS2023-Men-zaken werden willekeurig toegewezen aan drie cliënten (|Di| = 150) voor gelijke opdeling. De drie BraTS2023-Men-cliënten werden daarom gesimuleerd uit dezelfde publieke cohort in plaats van geconstrueerd met institution-specifieke metadata of scanner-originlabels. Om gefedereerde training in het meningioomdomein te initialiseren, werd het initiële globale model eerst getraind op een vaste BraTS2023-Men client split (client 1 in deze implementatie) en vervolgens gebruikt om de gefedereerde procedure te starten. Deze seed-client werd constant gehouden over experimenten heen voor reproduceerbaarheid en moet worden geïnterpreteerd als een warmstart binnen het domein in plaats van als een geoptimaliseerde of bevoorrechte bronclient. Omdat de drie clients werden gesimuleerd door dezelfde BraTS2023-Men cohort te partitioneren, weerspiegelt deze initialisatiekeuze een implementatieniveau startpunt in plaats van een biologisch onderscheiden institutionele prior. Het doel van dit ontwerp was niet om strikt een echt multi-institutioneel lanceerproces te repliceren, maar om een gecontroleerde vergelijking te bieden tussen gecentraliseerde training op alle beschikbare MEN-data en gefedereerde samenwerking die begint met een gedeeltelijk meningeoma-voorgetrainde VL. Het globale gefedereerde optimalisatiedoel wordt gedefinieerd als:
figure-protocol-12

waarbij Di de lokale trainingsset van cliënten i aanduidt, en ell de dobbelsteen + kruisentropieverlies. In communicatieronde 1 waren de aggregatiegewichten evenredig aan het aantal monsters (wi(1) = 1/3). Om onderpresterende cliënten in latere communicatierondes te bagatelliseren, gebruikten ronde 2 en 3 validatie Dice-gewogen aggregatie:
figure-protocol-13
waarbij DSCi(r) de case-gemiddelde DSC is op de lokale validatiepartitie van client i na lokale training in communicatieronde r, en ε = 10⁻6 een kleine constante is om deling door nul te voorkomen.

Strategie 3 (FL met glioma-voorgetrainde initialisatie)

Om een taakgerelateerde cross-domain warmstart te verkrijgen, werd eerst gecentraliseerde training op Glioma uitgevoerd met 450 BraTS2023-Gli-gevallen met dezelfde drie MRI-modaliteiten (T1, T1c en T2) en dezelfde binaire tumor-tegen-achtergrondformulering die in de meningioomexperimenten werd toegepast.

Specifiek werden gliomalabels geharmoniseerd door de niet-versterkende tumorkern en de versterkende tumor te combineren tot één voorgrondklasse, terwijl peritumoraal oedeem werd uitgesloten, zodat de bron- en doeltaken dezelfde binaire outputdefinitie deelden. Omdat zowel bron- als doeltaken als binaire segmentatie waren geformuleerd, werden de vooraf getrainde gewichten direct overgedragen om het volledige UMamba 2D-model, inclusief de segmentatiekop, te initialiseren, in plaats van de laatste laag te verwerpen en opnieuw te initialiseren. Hetzelfde FedAvg-protocol werd vervolgens toegepast, waarbij het initiële globale model werd geïnitialiseerd door de geconvergeerde gecentraliseerde training op Glioma-gewichten (θ⁽°⁾ = θ_Gli^*). De daaropvolgende gefedereerde aanpassing wordt gegeven door:
figure-protocol-14

waarbij Δθ(r) de opgehoopte domeinspecifieke parameterupdates over r communicatierondes vertegenwoordigt. Deze strategie test of een Glioma-pretrained FL-bronmodel een beter startpunt biedt voor gefedereerde aanpassing op meningioomcliënten.

Evaluatiemetrieken

Alle strategieën werden geëvalueerd op de SPHS-cohort met behulp van een case-averaged protocol. De DSC en IoU werden per geval onafhankelijk berekend en vervolgens gemiddeld, zodat alle proefpersonen gelijk statistisch gewicht hadden, ongeacht tumorvolume:
figure-protocol-15
 figure-protocol-16

Case-gemiddelde foutsamenstellingen—bestaande uit gemiddelde true positive (TP), false positive (FP), false negative (FN) en true negative (TN) voxeltellingen per case—werden ook gerapporteerd. Deze onderbreking maakt onderscheid tussen oversegmentatie en ondersegmentatiefouten en geeft inzicht in richtingsfalingsmodi.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

Het gecentraliseerde UMamba 2D-model (Strategie 1) behaalde concurrerende prestaties in het domein op de interne testset BraTS2023-Men, met een case-gemiddelde DSC van 0,8958, IoU van 0,8356, FN van 1.902, FP van 667, TN van 8.902.814 en TP van 22.616. Wanneer geëvalueerd op de externe validatiecohort van SPHS, leverde het gecentraliseerde model een DSC van 0,7452 ± 0,1992 en een IoU van 0,6241 ± 0,1941, wat overeenkomt met een cross-center generalisatiegap van ΔDSC = 0,1506 (Tab...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

De centrale bevinding van deze studie is dat initialisatiekwaliteit—en niet het gefedereerde aggregatieprotocol zelf—de doorslaggevende factor is bij het dichten van de cross-center generalisatiekloof voor privacybehoudende meningioomsegmentatie. Hoewel het gecentraliseerde UMamba 2D-model sterke in-domein prestaties behaalde op de BraTS2023-Men-cohort (DSC = 0,8958), onderging het een aanzienlijke achteruitgang bij evaluatie op de onafhankelijke SPHS klinische dataset (Δ DSC = 0,1506). ...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

De auteurs hoeven geen belangenconflicten aan te geven.

Dankbetuigingen

Dit werk werd ondersteund door de National Natural Science Foundation of China (Grant 12405382), de Shenzhen Science and Technology Innovation Commission (Grant JCYJ20220530143602006), het Shenzhen Basic Research Project (Natural Science Foundation) (Grant JCYJ20220530150416036), en het Social Welfare Project van het Departement Wetenschap en Technologie van Binnen-Mongolië (Project nr. 2026YFSH0155).

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
BraTS2023-Gli datasetASNR-MICCAI BraTS Challenge / Synapse (Sage Bionetworks)N/APubliek glioma MRI dataset gebruikt voor de vooraf ingeplante initialisatie voor glioom. In deze studie werden 450 gevallen gebruikt onder de binaire tumor-versus-achtergrond formulering. https://www.synapse.org/Synapse:syn51156910/wiki/622351
BraTS2023-Men datasetASNR-MICCAI BraTS Challenge / Synapse (Sage Bionetworks)N/APubliek meningeoom MRI dataset gebruikt als de broncohort voor modelontwikkeling en interne evaluatie. In deze studie werden 450 gevallen gebruikt. https://arxiv.org/abs/2305.07642
DeepBetAcademische software door Fisch et al.N/AHersenextractietool toegepast op de T1-gewogen afbeelding om een hersenmasker voor de SPHS cohort te genereren. https://arxiv.org/abs/2308.07003
MONAIProject MONAIVersie 1.3Medische beeldverwerking AI framework gebruikt voor data laden en implementatie van deep learning workflow. https://docs.nvidia.com/monai/index.html
NVIDIA GeForce RTX 3090 GPUNVIDIAGeForce RTX 3090Grafische verwerkingseenheid met 24 GB GDDR6X geheugen gebruikt voor modeltraining en berekening. https://www.nvidia.com/en-me/geforce/graphics-cards/30-series/rtx-3090-3090ti/
PyTorchPyTorch Foundation, Linux FoundationVersie 2.0.1Deep learning framework gebruikt om de UMamba 2D segmentatie modellen te implementeren en te trainen. https://pytorch.org/foundation/
PythonPython Software FoundationVersie 3.10Programmeeromgeving gebruikt voor modeltraining, preprocessie, evaluatie en statistische analyse. Vervang met de exacte Python versie indien bekend. https://www.python.org/psf-landing/
SPHS-Men klinische cohortTweede Volksziekenhuis van ShenzhenN/AExterne klinische multi-modale MRI cohort gebruikt voor onafhankelijke evaluatie. In totaal werden 174 gevallen opgenomen.
UMamba 2D model implementatieBowang-lab / U-Mamba auteursU-Mamba 2D configuratieState space model-gebaseerde segmentatie architectuur gebruikt voor binaire meningeoom segmentatie. https://u-mamba.github.io/

Referenties

  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).

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Toestemming aanvragen om de tekst of afbeeldingen van dit JoVE-artikel te hergebruiken

Toestemming aanvragen

Trefwoorden

GeneeskundeEditie 233Editie 233Lege WaardeEditieUMambatransfer learningexterne validatiestate space modeldomeinverschuiving

Gerelateerde artikelen