Artykuł badawczy

Poprawa ogólnej generalizacji między centrami dla wielomodalnej segmentacji miąższu mózgu przy użyciu uczenia federacyjnego przetrenowanego na gliomach

54 wyświetleń

⸱

DOI:

10.3791/72164

⸱

24 lipca 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

W tym artykule

Podsumowanie

To badanie bada wpływ uczenia się z federacją pretrenowanego na Gliomie na zewnętrzną generalizację w wielomodalnym segmentowaniu opon mózgowych MRI

Streszczenie

Automatyczna segmentacja miażdżyc w wielomodalnym rezonansie magnetycznym pozostaje wyzwaniem, gdy modele są przenoszone między instytucjami, ponieważ protokoły skanowania, cechy obrazu i style adnotacji mogą się różnić między centrami. Uczenie się zdecentralizowane (FL) zapewnia prywatność i strategię rozwoju modelu wieloośrodkowego, ale standardowa agregacja może nie w pełni przezwyciężyć różnic między centrami. Celem niniejszego badania było określenie zewnętrznej luki generalizacji w segmentacji MRI miażdżyc oraz ocena, czy przetrenowanie FL na gliomach może poprawić wyniki bez centralnego zbioru danych. Do segmentacji binarnej miażdżyc za pomocą rezonansu magnetycznego T1, T1c i T2 zastosowano architekturę UMamba 2D. Protokół obejmował 450 przypadków BraTS2023-Men jako źródłowego zestawu danych dotyczącego miażdżyc oraz 174 niezależne przypadki kliniczne z naszego instytutu jako zewnętrzną kohorta walidacyjną. Trzy ostateczne strategie segmentacji miażdżyc zostały ilościowo ocenione w tym samym zewnętrznym ustawieniu walidacyjnym: centralne szkolenie na BraTS2023-Men, FL przetrenowany na miażdżycach w trzech symulowanych klientach oraz FL przetrenowany na gliomach z inicjalizacją z modelu źródłowego BraTS2023-Gli przed optymalizacją zdecentralizowaną. Centralne szkolenie na gliomach zostało wykorzystane tylko do wygenerowania inicjalizacji przetrenowanej na gliomach i nie było zgłaszane jako niezależnie oceniana ostateczna strategia segmentacji miażdżyc. Wynik modelu został oceniony za pomocą współczynnika podobieństwa Dice (DSC) i wskaźnika Intersect over Union (IoU). Centralne szkolenie na BraTS2023-Men wykazało wyraźny spadek generalizacji zewnętrznej, przy czym DSC spadł z 0,8958 na wewnętrznym zbiorze testowym BraTS2023-Men do 0,7452 na kohorcie SPHS. FL przetrenowany na miażdżycach przyniosło niższe zewnętrzne wyniki (DSC = 0,7122), podczas gdy FL przetrenowany na gliomach osiągnął porównywalne wyniki z centralnym szkoleniem na BraTS2023-Men i poprawił się w porównaniu z FL przetrenowanym na miażdżycach (DSC = 0,7503; IoU = 0,6301; Holm-adjusted p < 0,001). Wyniki te sugerują, że inicjalizacja przetrenowania na gliomach zapewnia bardziej odporny punkt wyjściowy dla zdecentralizowanej segmentacji miażdżyc i może poprawić generalizację zewnętrzną, zachowując prywatność danych instytucjonalnych.

Wprowadzenie

Meningiomaty są najczęstszym pierwotnym guzem wewnątczasteczkowym u dorosłych, stanowiąc około 38% wszystkich pierwotnych guzów mózgu i otoczenia nerwowego w Stanach Zjednoczonych1. Powstają z komórek meningotelialnych (komórek warstwki pajęczej), obejmując stopnie WHO I–III, co oznacza szerokie spektrum kliniczne: guzy stopnia I (około 80%) są ogólnie związane z korzystnymi wynikami po całkowitej resekcji, podczas gdy guzy stopnia II (atypowe) i stopnia III (anoplastyczne) wykazują znacznie wyższe wskaźniki nawrotu odpowiednio 20–40% i przekraczające 70% po dziesięciu latach2,3. Podejmowanie decyzji klinicznych—w tym mikrousunięcie chirurgiczne, stereotaktyczna radiochirurgia (SRS), frakcjonowana radioterapia i aktywne obserwowanie—zależy od dokładnego i powtarzalnego dookreślenia rozmiarów guza na podstawie przekrojowych badań obrazowych. Dlatego też solidna segmentacja meningiomatów z obrazowania metodą rezonansu magnetycznego (MRI) jest warunkiem koniecznym dla spójnego planowania leczenia i oceny efektów leczenia.

Wielowastorowość MRI stanowi podstawę charakteryzacji meningiomatów w rutynowej praktyce klinicznej, przy czym każda sekwencja koduje uzupełniające aspekty biologii guza i reakcji otaczających tkanek. Kontrastowe obrazowanie T1-zależne (T1c) wyodrębnia obszary zaburzeń bariery krew-mózg poprzez skrócenie relaksacji T₁ indukowanej gadolinią, co umożliwia jasne uwidocznienie wybarwiającego się miąższu guza i zdefiniowanie pierwotnego ogniska. Niekontrastowe obrazowanie T1-zależne (T1) zapewnia kontekst strukturalny do oceny interfejsu pajęczej opony, przyczepu trzewnego i przyległego zmiany kostne. Obrazowanie T2-zależne (T2) uchwytuje niejednorodność wewnątrz guzów i obrzęk okołoguzowy, które są niezbędne do zrozumienia efektu masowego i do dookreślenia objętości leczenia w planowaniu radiochirurgicznym3,4. Manualne konturowanie pozostaje standardowym podejściem do wyznaczania granic meningiomatów. W trakcie tego procesu lekarze zwykle rozważają uzupełniające informacje kontrastowe z wielu sekwencji MRI, aby zdefiniować rozmiar guza. Jednakże ta procedura jest czasochłonna i wiąże się ze znaczną zmiennością między obserwatorami, szczególnie w anatomicznie niejasnych obszarach takich jak ogon oponowy, gdzie współczynniki zgodności spadają poniżej 0,805,6. Te ograniczenia motywują rozwój zautomatyzowanych podejść do segmentacji, które zapewniają spójną, skalowalną wydajność.

Głębokie uczenie się znacząco poszerzyło dziedzinę segmentacji obrazów medycznych, wspierane przez zestawy danych referencyjnych takie jak BraTS7 oraz pojawienie się wielu paradygmatów architektonicznych, w tym modeli konwolucyjnych takich jak U-Net8 i nnU-Net9, modeli opartych na transformatorach takich jak UNETR i Swin-UNETR10,11, i podejść opartych na modelach przestrzeni stanów (SSM) takich jak UMamba12. Ostatnie prace dodatkowo eksplorowały wyjaśnialne sieci transformatorowe kierowanych uwagą oraz globalno-lokalne projekty transformatorów wizji/osiowych przestrzeni stanów dla 3D segmentacji guzów mózgu13,14, podkreślając ciągły rozwój potoków segmentacji opartych na transformatorach i przestrzeni stanów. Mimo silnej wydajności benchmarkowej, badania nad meningiomami były historycznie ograniczone przez stosunkowo niewielkie rozmiary kohorty (zazwyczaj 50–200 przypadków)15,16. Publikacja zestawu danych meningiomatów BraTS 202317, z ponad 1000 przypadkami, częściowo łagodzi tę niekorzystną sytuację; jednak większość modeli jest nadal trenowanych i ewaluowana na kurowanych zbiorach danych, a ich wydajność często spada przy zastosowaniu do niezależnych danych klinicznych18. Podkreśla to istotny problem: osiągnięcie solidnej generalizacji między centrami wymaga ekspozycji na zróżnicowane dane wielocentryczne.

W praktyce, agregowanie dużych, wielocentrycznych zestawów danych jest ograniczone regulacjami dotyczącymi prywatności danych i politykami instytucjonalnymi, co sprawia, że scentralizowane szkolenie jest trudne lub niewykonalne. Uczenie się zdecentralizowane (FL) rozwiązuje ten problem, umożliwiając współpracę przy treningu modeli bez udostępniania danych surowych, gdzie każda instytucja trenuje lokalnie i współpracuje w globalnym modelu poprzez agregację, jak w przypadku Zbiorczej Średniej (FedAvg)19. Powiązana praca również rozszerzyła ochronę prywatności FL na modelowanie intencji ludzkich w dziecięcej porażeniu mózgowym za pomocą rozszerzonej rzeczywistości20, a lekka sieć głębokiego uczenia się z wizualizacja wirtualnej rzeczywistości została zaproponowana dla offline segmentacji guzów w środowiskach wiejski

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

Niniejsze badanie było retrospektywnym badaniem klinicznym. Protokół badania został przeanalizowany i zatwierdzony przez Komitet Etyki Drugiego Szpitala Ludowego w Shenzhen w zakresie gromadzenia i wykorzystywania klinicznego zbioru danych SPHS, pod numerem zatwierdzenia 20190910. Od wszystkich pacjentów włączonych do kohorty SPHS przed przystąpieniem do badania uzyskano pisemną świadomą zgodę.

Dane pacjenta

W badaniu wykorzystano trzy zbiory danych: BraTS2023-Men, BraTS2023-Gli oraz zewnętrzną kohortę kliniczną z SPHS (SPHS-Men). Ich charakterystyka została podsumowana poniżej.

BraTS2023-Men

BraTS2023-Men to ścieżka dotycząca oponiaków w ramach benchmarku BraTS 202324,25. W niniejszym badaniu 450 przypadków BraTS2023-Men posłużyło jako kohorta źródłowa do opracowania modelu i ewaluacji wewnętrznej. Wszystkie obrazy poddano jednolitemu przetwarzaniu wstępnemu, obejmującemu usunięcie czaszki (skull stripping), koregistrację między modalnościami oraz izotropowe próbkowanie do rozdzielczości 1×1×1 mm3. Każdy przypadek zawiera cztery sekwencje MRI (T1, T1c, T2, FLAIR) z adnotacjami na poziomie wokseli w trzech kategoriach: rdzeń guza bez wzmocnienia kontrastowego (etykieta 1), obrzęk okołoguzowy (etykieta 2) oraz guz ze wzmocnieniem kontrastowym (etykieta 3). Aby zapewnić spójność z definicją kliniczną guza stosowaną w tym badaniu, etykiety 1 i 3 połączono w jedną klasę guza, a etykietę 2 (obrzęk) wykluczono, co pozwoliło uzyskać binarny cel segmentacji.

BraTS2023-Gli

BraTS2023-Gli to ścieżka dla glejaków w ramach benchmarku BraTS, która przejmuje ugruntowane konwencje wielomodalnego MRI oraz ramy adnotacji BraTS7,24,26,27. W niniejszym badaniu przeprowadzono scentralizowane trenowanie modelu dla glejaków z wykorzystaniem 450 przypadków BraTS2023-Gli, aby stworzyć model źródłowy dla FL wstępnie wytrenowanego na glejakach, stosując ten sam binarny podział na guz i tło, który został później wykorzystany w zadaniu dotyczącym oponiaków. Celem włączenia tej kohorty nie było zwiększenie wielkości próby w stosunku do BraTS2023-Men, lecz sprawdzenie, czy powiązana z zadaniem domena źródłowa guzów mózgu może zapewnić bardziej transferowalną inicjalizację dla późniejszej adaptacji federacyjnej.

SPHS-Men

SPHS-Men to zewnętrzny zestaw danych klinicznych zebrany w Second People’s Hospital of Shenzhen za zgodą instytucjonalnej komisji etycznej. Do zewnętrznej ewaluacji włączono łącznie 174 przypadki. W przeciwieństwie do BraTS, dane pozyskano przy użyciu rutynowych protokołów klinicznych bez standaryzowanego przetwarzania wstępnego, co doprowadziło do zmienności w odstępach między wokselami, grubości warstw, polu widzenia oraz parametrach rekonstrukcji zależnych od skanera. Adnotacje zostały pierwotnie dostarczone z dwiema etykietami: masa guza oraz obrzęk/zmiany okołoguzowe. Aby dostosować je do definicji guza pochodzącej z BraTS, stosowanej w niniejszym badaniu, zachowano jedynie masę guza, a obrzęk wykluczono. Wszystkie przypadki SPHS zostały następnie przetworzone za pomocą potoku zorientowanego na harmonizację przed ewaluacją zewnętrzną, zgodnie z opisem w sekcji pozyskiwanie i przetwarzanie wstępne MRI. Po przetwarzaniu wstępnym każdy woksel o współrzędnych przestrzennych r jest reprezentowany przez trzykanałowy sygnał wejściowy składający się z intensywności T1c, T1n oraz T2,
Reprezentacja macierzowa w równaniu stanu stacjonarnego; wzór wektora X(r) dla analizy systemu.

zadanie segmentacji zdefiniowano jako klasyfikację binarną Y(r) ∈ 0,1, określającą guz w stosunku do tła. Reprezentatywne przykłady i różnice jakościowe między zestawami danych przedstawiono na Rysunku 1.

Analiza MRI mózgu; schematy przedstawiające maski segmentacji guza i sekwencje MRI t1, t1c, t2.
Rysunek 1. Reprezentatywne porównanie międzyzbiorowe. Górny rząd: SPHS-Men; środkowy: BraTS2023-Men; dolny: BraTS2023-Gli. Kolumny przedstawiają maskę guza oraz sekwencje T1, T1c i T2. Jakościowe różnice w wielkości zmiany, wzorcu wzmocnienia i zdefiniowaniu granic odzwierciedlają skumulowane przesunięcia w obrazowaniu i adnotacjach napotkane w niniejszym badaniu. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Akwizycja i przetwarzanie wstępne obrazów MRI

Wszystkie dane BraTS zostały udostępnione z już zastosowanym standaryzowanym przetwarzaniem wstępnym, obejmującym usuwanie czaszki (skull stripping), korejestrację oraz izotropowe próbkowanie. W przypadku kohorty SPHS surowe obrazy DICOM zostały najpierw przekonwertowane do formatu NIfTI28. Następnie obrazy multimodalne poddano sztywnej rejestracji do natywnej przestrzeni T1, stosując wyrównanie oparte na wzajemnej informacji (mutual information)29. Ponieważ usuwanie czaszki jest niezbędnym etapem przetwarzania wstępnego w segmentacji obrazów MRI mózgu, ekstrakcję mózgu wykonano jawnie przed trenowaniem modelu. Konkretnie, do obrazu T1-zależnego zastosowano narzędzie DeepBet w celu wygenerowania maski mózgu30, a otrzymaną maskę przeniesiono na korejestrowane wolumeny T1c i T2, aby w spójny sposób usunąć tkanki pozamózgowe we wszystkich modalnościach. Obrazy po usunięciu czaszki zostały następnie poddane reprobikowaniu do izotropowej rozdzielczości 1 x 1 x 1 mm3. Binarne maski guzów zostały finalnie dopracowane za pomocą morfologicznych operacji domykania i otwierania, aby zredukować artefakty interpolacji powstałe podczas reprobikowania. Kroki harmonizacji te zostały zastosowane w celu poprawy spójności danych wejściowych między zbiorami dla testów zewnętrznych, jednak nie miały one na celu wyeliminowania podstawowych różnic na poziomie skanera, protokołu lub adnotacji, które są immanentne dla kohorty SPHS.

Projekt badania

Architektura modelu

Jak pokazano na Rysunku 2, architektura UMamba 2D integruje moduły rezdualnych konwolucyjnych sieci neuronowych z blokami selektywnego modelu przestrzeni stanów (SSM) Mamba12,31. Ta hybrydowa konstrukcja umożliwia jednoczesną ekstrakcję lokalnych cech tekstury za pomocą konwolucji oraz globalnego kontekstu strukturalnego o dużym zasięgu za pomocą SSM, przy liniowym koszcie obliczeniowym w stosunku do liczby pozycji przestrzennych.

Schemat architektury sieci neuronowej; U-Mamba, bloki rezydualne, metodologia połączeń pomijających.
Rycina 2. Architektura UMamba 2D. Koder integruje rezydualne bloki konwolucyjne do ekstrakcji lokalnych tekstur i cech krawędzi z modułami selektywnych SSM Mamba do modelowania kontekstu dalekiego zasięgu. Komponenty te są połączone za pomocą połączeń pomijających (skip connections) z dekoderem konwolucji transponowanej. Wejście sieci stanowi trójkanałowy multimodalny przekrój MRI obejmujący modalności T1, T1c i T2. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Koder

Przekroje wielomodalnego MRI z C = 3 kanałami wejściowymi są przetwarzane przez enkoder hierarchiczny. Na każdym etapie s ∈ 1,…, S, mapa cech wejściowych jest najpierw przetwarzana przez rezdualny blok splotowy w celu wyodrębnienia lokalnych wzorców przestrzennych. Następnie mapa cech jest spłaszczana do sekwencji jednowymiarowej i przetwarzana przez selektywny moduł SSM, aby uchwycić długozasięgowe zależności kontekstowe. Downsampling przestrzenny jest wykonywany przy użyciu splotów z krokiem (stride) 2, co pozwala na progresywne generowanie hierarchicznych reprezentacji cech F_s ∈ R^C_s × H/2^s × W/2^s z rosnącą liczbą kanałów C_s ∈ 32, 64, 128, 256, 512.

Selektywny SSM Mamba

Selektywny model SSM działa na jednowymiarowym ciągu x ∈ R^L × d. Ponieważ podczas standardowego jednowymiarowego spłaszczania dwuwymiarowych map cech dochodzi do zakłócenia sąsiedztwa przestrzennego, zastosowano strategię skanowania wielokierunkowego: mapy cech są skanowane w czterech kierunkach (wiersz w przód, wiersz wstecz, kolumna w przód i kolumna wstecz), aby zachować kontekst przestrzenny zarówno w kierunku wierszy, jak i kolumn. Model SSM w czasie ciągłym definiuje się jako:
Równanie układu liniowego; h(t)=Ah(t)+B(t)x(t); wyrażenie matematyczne; analiza systemów dynamicznych.    

Równanie układu liniowego, y(t)=C(t)h(t), schemat przetwarzania sygnałów lub analizy splotu.

gdzie A ∈ R^N × N oznacza uczelną macierz przejścia stanów, zainicjalizowaną za pomocą frameworka HiPPO (Hidden Polynomial Projection Operator)31. Macierze projekcji B(t) i C(t) są zależne od wejścia, tworząc mechanizm selektywny, który umożliwia modelowi dynamiczne filtrowanie nieistotnych tokenów i zachowywanie ważnych informacji kontekstowych. System ciągły jest dyskretyzowany przy użyciu kroku czasowego Δ poprzez transformację z przytrzymaniem rzędu zerowego (ZOH):

Schemat równania stanu równowagi statycznej; koncepcja ΣFx=0; przedstawia formułę analizy równowagi.

Wzór na równowagę statyczną, B̅=ΔA⁻¹(e^(ΔA)-I)B, wykres równania, analiza matematyczna.

Równanie matematyczne, wzór procesu sterowania, analiza systemu dynamicznego, zawierający h_k=Aḣ_{k-1}+Ḃ(x_k)x_k.

Równanie ilustrujące model przetwarzania sygnałów \(y_k = C(x_k)h_k\).

W każdym dyskretnym kroku k parametry B, C oraz Δ są obliczane jako rzuty liniowe tokenu wejściowego xk, co umożliwia propagację cech zależną od wejścia. Inicjalizacja HiPPO zapewnia, że wartości własne spełniają warunek |λj(barA)| < 1, co pozwala na utrzymanie ograniczonych reprezentacji stanu ukrytego ‖hk‖ w obrębie dowolnie długich sekwencji przestrzennych.

Dekoder i połączenia pomijające

Dekoder rekonstruuje oryginalną rozdzielczość przestrzenną z reprezentacji zakodowanych. Na każdym etapie sploty transponowane zwiększają próbkowanie map cech o niższej rozdzielczości. Połączenia pomijające (skip connections) łączą wieloskalowe cechy kodera F_s z odpowiadającymi im próbkowanymi w górę cechami dekodera, zachowując wysokoczęstotliwościowe informacje o krawędziach, które są niezbędne do precyzyjnego wyznaczania granic guza na poziomie wokseli.

Strata treningowa

Optymalizacja modelu jest sterowana przez złożoną funkcję straty:
Równanie straty entropii w analizie statystycznej; funkcja wiarygodności z członem regularyzacyjnym.

gdzie p_θ(r) ∈ [0,1] jest przewidywanym prawdopodobieństwem wystąpienia guza w wokselu r, Y(r) to odpowiadająca mu binarna etykieta prawdy podstawowej (ground-truth), a λ = 1.0 równoważy oba człony. Strata Dice bezpośrednio optymalizuje docelową metrykę oceny i rozwiązuje problem ekstremalnej dysproporcji między pierwszym a drugim planem, charakterystyczny dla segmentacji oponiaków, gdzie woksele guza zazwyczaj stanowią mniej niż 0,5% całkowitej objętości wewnątrzczaszkowej. Człon binarijnej entropii krzyżowej (BCE) zapewnia nadzór na poziomie pojedynczego woksela, stabilizując proces uczenia w tych niezrównoważonych warunkach.

Konfiguracja treningu

Wszystkie modele segmentacji zostały zoptymalizowane przy użyciu algorytmu AdamW z początkową szybkością uczenia η₀ = 3 × 10⁻4, harmonogramem wygaszania cosinusoidalnego (cosine annealing) oraz współczynnikiem weight decay wynoszącym 5 × 10⁻4. Scentralizowane modele bazowe były trenowane przez 200 epok na kohortach BraTS2023 obejmujących 450 przypadków, przy rozmiarze partii (batch size) równym 16. Aby uniknąć niejednoznaczności w ustawieniach federacyjnych, w całej niniejszej pracy stosujemy następującą terminologię: rundą komunikacyjną określamy jeden pełny cykl FL, składający się z rozgłoszenia serwera, lokalnej optymalizacji klienta i agregacji serwera; iteracją mini-batch} określamy jedną aktualizację parametrów na jednej mini-partii; natomiast lokalna optymalizacja przeprowadzana przez każdego klienta w jednej rundzie składała się z 250 iteracji mini-batch. Innymi słowy, każdy klient przeprowadzał jeden lokalny etap trenowania na rundę, a ten lokalny etap zawierał 250 iteracji aktualizacji parametrów. Zatem termin 'runda' (r = 3) w niniejszym badaniu odnosi się wyłącznie do komunikacji FL, a nie do epoki w całym scentralizowanym zbiorze danych. Potok augmentacji danych online był stosowany jednolicie we wszystkich konfiguracjach treningowych, obejmując losowe odwrócenie poziome i pionowe (p=0.5 na oś), losową rotację w płaszczyźnie (±15^circ), losowe skalowanie intensywności (czynnik próbkowany jednostajnie z przedziału [0.85, 1.15]) oraz addytywny szum gaussowski (sigma ∼ U[0, 0.05]) obliczany dla każdego dwuwymiarowego przekroju. Cała augmentacja została wyłączona podczas wnioskowania i walidacji. Framework został zaimplementowany w PyTorch 2.0.1 z wykorzystaniem MONAI 1.3 do ładowania danych, a wszystkie obliczenia wykonano na jednostkach przetwarzania graficznego (GPU) NVIDIA GeForce RTX 3090 (24 GB GDDR6X). Powtarzalność zapewniono poprzez ustalenie wszystkich ziarn losowych (random seeds) w PyTorch, NumPy oraz module random w języku Python na identyczne wartości dla wszystkich strategii.

Strategie eksperymentalne

Porównano trzy podstawowe strategie treningowe w celu oceny generalizacji między ośrodkami (Rycyna 3). Oznaczenia meningioma-pretrained FL oraz Glioma-pretrained FL są nazwami opisowymi wprowadzonymi w niniejszej pracy, aby odróżnić źródło początkowego modelu globalnego przed adaptacją federacyjną.

Schemat procesu uczenia federacyjnego z lokalnymi aktualizacjami modelu i integracją modelu globalnego.
Rysunek 3. Przegląd projektu eksperymentalnego. (A) Trenowanie scentralizowane z wykorzystaniem 450 przypadków BraTS2023-Men, a następnie ewaluacja zewnętrzna na zbiorze SPHS. (B) FL z wstępnym trenowaniem na oponiakach w ramach trzech symulowanych klientów. (C) FL z wstępnym trenowaniem na glejakach, zainicjowany z scentralizowanego modelu glejaków przed adaptacją federacyjną. Prosimy kliknąć tutaj, aby wyświetlić większą wersję tego rysunku.

Strategia 1 (Trening scentralizowany)

Pojedynczy model UMamba 2D został wytrenowany na wszystkich 450 przypadkach z zestawu BraTS2023-Men. Strategia ta reprezentuje górną granicę wydajności w obrębie danej domeny i służy jako punkt odniesienia do oceny degradacji wyników w badaniach międzyośrodkowych.

Strategia 2 (FL z inicjalizacją domeny MEN)

450 przypadków z zestawu BraTS2023-Men zostało losowo przypisanych do trzech klientów (|Di| = 150) w celu równomiernego podziału. W związku z tym trzech klientów BraTS2023-Men zostało zasymulowanych z tej samej publicznej kohorty, a nie stworzonych w oparciu o metadane specyficzne dla instytucji lub etykiety pochodzenia skanera. Aby zainicjować uczenie federacyjne w dziedzinie oponiaków, początkowy model globalny został najpierw wytrenowany na stałym podziale klientów BraTS2023-Men (klient 1 w tej implementacji), a następnie wykorzystany do uruchomienia procedury federacyjnej. Ten klient inicjujący pozostawał niezmienny we wszystkich eksperymentach w celu zapewnienia reprodukowalności i powinien być interpretowany jako „ciepły start” (warm start) w obrębie dziedziny, a nie jako zoptymalizowany lub uprzywilejowany klient źródłowy. Ponieważ trzech klientów zostało zasymulowanych poprzez podział tej samej kohorty BraTS2023-Men, ten wybór inicjalizacji odzwierciedla punkt startowy na poziomie implementacji, a nie biologicznie odmienne dane instytucjonalne. Celem takiej konstrukcji nie było ścisłe odtworzenie rzeczywistego procesu uruchamiania wieloośrodkowego, lecz zapewnienie kontrolowanego porównania między uczeniem scentralizowanym na wszystkich dostępnych danych MEN a współpracą federacyjną rozpoczynającą się od częściowo wstępnie wytrenowanego modelu FL dla oponiaków. Globalny cel optymalizacji federacyjnej definiuje się jako:
Równanie optymalizacji Σ|Di|/Σ|Dj|E(x,y) dla ważenia modelu uczenia maszynowego.

gdzie Di oznacza lokalny zbiór treningowy klientów i, a ell to strata Dice + entropia krzyżowa. W pierwszej rundzie komunikacyjnej wagi agregacji były proporcjonalne do liczby próbek (wi(1) = 1/3). Aby zmniejszyć wagę klientów o niższej wydajności w kolejnych rundach komunikacyjnych, w rundach 2 i 3 zastosowano agregację ważoną wskaźnikiem Dice na zbiorze walidacyjnym:
Równanie szacowania parametrów; formuła sumowania; metoda statystyczna; analiza matematyczna.
gdzie DSCi(r) to średnia dla przypadków wartość DSC na lokalnej partycji walidacyjnej klienta i po treningu lokalnym w rundzie komunikacyjnej r, a ε = 10⁻6 to mała stała zapobiegająca dzieleniu przez zero.

Strategia 3 (FL z inicjalizacją wstępnie wytrenowaną na glejakach)

Aby uzyskać powiązany z zadaniem międzyobszarowy start ciepły (warm start), w pierwszej kolejności przeprowadzono scentralizowane trenowanie na danych z glejaków, wykorzystując 450 przypadków z BraTS2023-Gli z tymi samymi trzema modalnościami MRI (T1, T1c i T2) oraz taką samą binarną formułą rozróżnienia guza od tła, jaka została przyjęta w eksperymentach dotyczących oponiaków.

W szczególności etykiety glejaków zharmonizowano, łącząc nie wzmacniający się rdzeń guza oraz część wzmacniającą w jedną klasę pierwszego planu, natomiast obrzęk okołoguzowy został wykluczony, aby zadania źródłowe i docelowe miały tę samą binarną definicję wyjścia. Ponieważ zarówno zadanie źródłowe, jak i docelowe sformułowano jako segmentację binarną, wstępnie wytrenowane wagi przeniesiono bezpośrednio w celu zainicjowania pełnego modelu UMamba 2D, w tym głowicy segmentacyjnej, zamiast odrzucać i reinicjować ostatnią warstwę. Następnie zastosowano ten sam protokół FedAvg, w którym początkowy model globalny został zainicjowany wagami z zbieżnego treningu scentralizowanego dla glejaków (θ⁽°⁾ = θ_Gli^*). Następna adaptacja federacyjna jest określona wzorem:
Równanie kątów: θ(TL+FL) = θ*(Gli) + Δθ(r); formuła matematyczna.

gdzie Δθ(r) reprezentuje skumulowane aktualizacje parametrów specyficznych dla domeny w r rundach komunikacji. Strategia ta sprawdza, czy model źródłowy FL wstępnie wytrenowany na glejakach stanowi lepszy punkt wyjściowy dla adaptacji federacyjnej u klientów z oponiakami.

Metryki oceny

Wszystkie strategie zostały ocenione na kohorcie SPHS z zastosowaniem protokołu uśredniania wyników dla każdego przypadku. Współczynniki DSC i IoU obliczano niezależnie dla każdego przypadku, a następnie wyciągnięto z nich średnią, co zapewniło równą wagę statystyczną dla wszystkich badanych osób, niezależnie od objętości guza:
Równanie współczynnika podobieństwa Dice'a, formuła obliczania Σ DSC, zastosowana w analizie statystycznej.
 Formuła Intersection over Union (IoU); równanie matematyczne dla dokładności segmentacji obrazu.

Zgłoszono również skład błędów uśredniony dla przypadków — obejmujący średnią liczbę wokseli prawdziwie dodatnich (TP), fałszywie dodatnich (FP), fałszywie ujemnych (FN) oraz prawdziwie ujemnych (TN) na przypadek. Taki podział pozwala odróżnić błędy nadsegmentacji od błędów niedosegmentacji, co daje wgląd w kierunkowe tryby awarii.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

Zcentralizowany model UMamba 2D (Strategia 1) osiągnął konkurencyjne wyniki wewnątrzdomenie na wewnętrznym zbiorze testowym BraTS2023-Men, z uśrednionym dla przypadków DSC wynoszącym 0,8958, IoU wynoszącym 0,8356, FN wynoszącym 1 902, FP wynoszącym 667, TN wynoszącym 8 902 814 oraz TP wynoszącym 22 616. W ocenie przeprowadzonej na zewnętrznej kohorcie walidacyjnej SPHS model zcentralizowany uzyskał DSC na poziomie 0,7452 ± 0,1992 oraz IoU na poziomie 0,6241 ± 0,1941, co odpowiada lukce generalizacji między ośrodkami ΔDSC...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

Centralnym stwierdzeniem tego badania jest to, że jakość inicjalizacji—zamiast samego protokołu agregacji zfederowanej—jest decydującym czynnikiem w zacieraniu różnic w uogólnieniu między centrami dla ochrony prywatności segmentacji miażdżyc. Podczas gdy scentralizowany model UMamba 2D osiągnął mocną wydajność w dziedzinie na kohorcie BraTS2023-Men (DSC = 0.8958), doznał znacznego spadku, gdy został oceniony na niezależnym zbiorze danych klinicznych SPHS (Δ DSC = 0.1506). Ten spadek wydajności podkreśla podatność modeli ...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

Autorzy nie mają żadnych sporów interesu do zadeklarowania.

Podziękowania

Praca ta została wsparta przez Narodowe Fundusz Nauki Przyrodniczej Chin (Grant 12405382), Komisję ds. Innowacyjnych Technologii w Shenzhen (Grant JCYJ20220530143602006), Projekt Badań Podstawowych w Shenzhen (Fundusz Nauk Przyrodniczych) (Grant JCYJ20220530150416036) oraz Departament Nauki i Technologii Wewnętrznej Mongolii w Projekcie Opieki Społecznej (Numer projektu 2026YFSH0155).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
BraTS2023-Gli datasetASNR-MICCAI BraTS Challenge / Synapse (Sage Bionetworks)N/APublic glioma MRI dataset used for glioma-pretrained initialization. In this study, 450 cases were used under the binary tumor-versus-background formulation. https://www.synapse.org/Synapse:syn51156910/wiki/622351
BraTS2023-Men datasetASNR-MICCAI BraTS Challenge / Synapse (Sage Bionetworks)N/APublic meningioma MRI dataset used as the source cohort for model development and internal evaluation. In this study, 450 cases were used. https://arxiv.org/abs/2305.07642
DeepBetAcademic software by Fisch et al.N/ABrain extraction tool applied to the T1-weighted image to generate a brain mask for the SPHS cohort. https://arxiv.org/abs/2308.07003
MONAIProject MONAIVersion 1.3Medical imaging AI framework used for data loading and deep learning workflow implementation. https://docs.nvidia.com/monai/index.html
NVIDIA GeForce RTX 3090 GPUNVIDIAGeForce RTX 3090Graphics processing unit with 24 GB GDDR6X memory used for model training and computation. https://www.nvidia.com/en-me/geforce/graphics-cards/30-series/rtx-3090-3090ti/
PyTorchPyTorch Foundation, Linux FoundationVersion 2.0.1Deep learning framework used to implement and train the UMamba 2D segmentation models. https://pytorch.org/foundation/
PythonPython Software FoundationVersion 3.10Programming environment used for model training, preprocessing, evaluation, and statistical analysis. Replace with the exact Python version if known. https://www.python.org/psf-landing/
SPHS-Men clinical cohortSecond People’s Hospital of ShenzhenN/AExternal clinical multi-modal MRI cohort used for independent evaluation. A total of 174 cases were included.
UMamba 2D model implementationBowang-lab / U-Mamba authorsU-Mamba 2D configurationState space model-based segmentation architecture used for binary meningioma segmentation. https://u-mamba.github.io/

Bibliografia

  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).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

Medycynanumer 233numer 233Warto pustanumerUMambauczenie transferowewalidacja zewn trznamodel przestrzeni stan wprzesuni cie domenowe

Powiązane artykuły