Artigo de investigação

Melhorando a Generalização Cruzada para Segmentação de Meníngiomas por Ressonância Multimodal por Ressonância Magnética via Aprendizagem Federada Pré-treinada com Glioma

55 vistas

⸱

DOI:

10.3791/72164

⸱

24 de julho de 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

Neste artigo

Resumo

Este estudo investiga o impacto da aprendizagem federada pré-treinada com glioma na generalização externa na segmentação multimodal de meningiomas por ressonância magnética

Resumo

A segmentação automatizada de meningiomas em ressonância magnética multimodal continua sendo desafiadora quando modelos são transferidos entre instituições, pois protocolos de scanner, características de imagem e estilos de anotação podem diferir entre os centros. O aprendizado federado (FL) oferece uma estratégia que preserva a privacidade para o desenvolvimento de modelos multicentro, mas a agregação padrão pode não superar totalmente a mudança de domínio entre centros. Este estudo teve como objetivo quantificar a lacuna de generalização externa na segmentação do meningioma por ressonância magnética e avaliar se a L pré-treinada com glioma poderia melhorar a robustez sem o agrupamento centralizado de dados. Uma arquitetura 2D UMamba foi usada para segmentação binária de meningiomas usando ressonância magnética T1, T1c e T2 como entradas de modelo. O protocolo incluiu 450 casos BraTS2023-Men como conjunto de dados de meningiomas no domínio de origem e 174 casos clínicos independentes do nosso instituto como coorte externa de validação. Três estratégias finais de segmentação de meningioma foram avaliadas quantitativamente sob o mesmo contexto de validação externa: treinamento centralizado em BraTS2023-Men, FL pré-treinada com meningioma em três clientes simulados, e FL pré-treinada em Glioma inicializada a partir de um modelo fonte BraTS2023-Gli antes da otimização federada. O treinamento centralizado no Glioma foi usado apenas para gerar a inicialização pré-treinada pelo glioma e não foi relatado como uma estratégia de segmentação final do meningioma avaliada de forma independente. O desempenho do modelo foi avaliado usando o coeficiente de similaridade (DSC) de Dice e o Intersection over Union (IoU). O treinamento centralizado no BraTS2023-Men mostrou uma clara queda na generalização externa, com o DSC diminuindo de 0,8958 no teste interno do BraTS2023-Men definido para 0,7452 na coorte SPHS. A FL pré-treinada com meningioma apresentou desempenho externo menor (DSC = 0,7122), enquanto a FL pré-treinada com Glioma alcançou desempenho comparável ao treinamento centralizado em BraTS2023-Men e melhorou em relação à FL pré-treinada com meningioma (DSC = 0,7503; IoU = 0,6301; Ajustado por Holm, p < 0,001). Esses resultados sugerem que a inicialização pré-treinada com glioma fornece um ponto de partida mais robusto para a segmentação federada do meningioma e pode melhorar a generalização externa, preservando a privacidade institucional dos dados.

Introdução

Meníngiomas são a neoplasia intracraniana primária mais prevalente em adultos, representando aproximadamente 38% de todos os tumores primários do cérebro e do sistema nervoso central nosEstados Unidos. Originando-se de células meningoteliais (capucha aracnoide), eles abrangem os graus I a III da Organização Mundial da Saúde (OMS), abrangendo um amplo espectro clínico: tumores de grau I (aproximadamente 80%) geralmente estão associados a resultados favoráveis após resseção total macroscópica, enquanto lesões de grau II (atípicas) e grau III (anaplásicas) apresentam taxas de recidiva substancialmente maiores de 20–40% e superiores a 70% aos dez anos, respectivamente2. 3. A tomada de decisão clínica — incluindo resseção microcirúrgica, radiocirurgia estereotáxica (SRS), radioterapia fracionada e vigilância ativa — depende da delimitação volumétrica precisa e reprodutível da extensão tumoral em estudos longitudinais de imagem. Segmentação robusta de meningiomas a partir de ressonância magnética (RM) é, portanto, um pré-requisito para o planejamento consistente do tratamento e avaliação de resultados.

A ressonância magnética multi-sequência forma a base da caracterização do meningioma na prática clínica rotineira, com cada sequência codificando aspectos complementares da biologia tumoral e da resposta dos tecidos ao redor. A imagem ponderada T1 (T1c) com contraste destaca regiões de ruptura da barreira hematoencefálica por meio do encurtamento do relaxamento T₁ induzido pelo gadolínio, permitindo visualização clara do parênquima tumoral de realce e definição da fronteira primária da lesão. A imagem ponderada T1 sem contraste (T1) fornece contexto estrutural para avaliar a interface aracnoide, a fixação dural e o envolvimento ósseo adjacente. A imagem ponderada em T2 (T2) captura a heterogeneidade intratumoral e o edema peritumoral, ambos essenciais para entender o efeito de massa e para delimitar os volumes de tratamento no planejamento radiocirúrgico 3,4. O contorno manual continua sendo a abordagem padrão para a delimitação do meningioma. Durante esse processo, os clínicos normalmente consideram informações complementares de contraste em múltiplas sequências de ressonância magnética para definir a extensão do tumor. No entanto, esse procedimento é demorado e está associado a uma variabilidade significativa entre observadores, especialmente em regiões anatômicamente ambíguas, como a cauda dural, onde métricas de concordância relatadas caem abaixo de 0,80 5,6. Essas limitações motivam o desenvolvimento de abordagens automatizadas de segmentação que entregam desempenho consistente e escalável.

O aprendizado profundo avançou substancialmente a segmentação de imagens médicas, suportada por conjuntos de dados de referência como o BraTS7 e pelo surgimento de múltiplos paradigmas arquitetônicos, incluindo modelos convolucionais comoU-Net 8 e nnU-Net9, modelos baseados em Transformers como UNETR e Swin-UNETR10,11, e abordagens baseadas em modelos de espaço de estados (SSM) como o UMamba12. Trabalhos recentes exploraram ainda mais redes Swin Transformer guiadas por atenção explicáveis e projetos globais-locais de Transformadores de Visão/espaço de estados axiais para segmentação 3D de tumorescerebrais 13,14, destacando o desenvolvimento contínuo de pipelines de segmentação baseados em espaços de transformadores e estados. Apesar do forte desempenho nos benchmarks, estudos específicos para meningiomas historicamente foram limitados por tamanhos relativamente pequenos de coorte (tipicamente 50–200 casos)15,16. A divulgação do conjunto de dados de meningiomas BraTS 202317, com mais de 1.000 casos, alivia parcialmente essa limitação; No entanto, a maioria dos modelos ainda é treinada e avaliada dentro de conjuntos de dados curados, e seu desempenho frequentemente se deteriora quando aplicado a dados clínicosindependentes 18. Isso destaca uma questão central: alcançar uma generalização robusta entre centros requer exposição a dados diversos e multicentros.

Na prática, agregar conjuntos de dados multicêntricos em grande escala é limitado por regulamentações de privacidade de dados e políticas institucionais, tornando o treinamento centralizado difícil ou inviável. O aprendizado federado (FL) aborda essa restrição ao permitir o treinamento colaborativo de modelos sem compartilhar dados brutos, onde cada instituição treina localmente e contribui com atualizações de modelo para um modelo global por meio de agregação, como no Federated Averaging (FedAvg)19. Trabalhos relacionados também estenderam a FL preservando a privacidade para modelagem da intenção humana em paralisia cerebral pediátrica usando realidadeestendida 20, e deep learning leve com visualização em realidade virtual foi proposta para segmentação tumoral offline em ambientesrurais 21, refletindo a necessidade mais ampla de fluxos de trabalho de IA médica implantáveis e conscientes da privacidade. Embora o FL forneça uma estrutura prática para o aprendizado multicêntrico, ele introduz um novo desafio: cada local participante normalmente possui um conjunto de dados local limitado, e treinamento local independente antes da agregação pode levar a atualizações locais subótimas e desempenho global degradado, especialmente quando as distribuições locais de dados divergem — o problema conhecido como desvio do cliente22. Uma estratégia complementar natural é inicializar o modelo usando conhecimento aprendido a partir de um conjunto de dados de origemrelacionado 23. Na imagem de tumores cerebrais, o glioma representa uma tarefa fonte intimamente relacionada, com características de imagem parcialmente compartilhadas e características do contexto tumoral, tornando-se um domínio prático de origem para pré-treinamento. Embora meníngiomas e gliomas diferam em características biológicas e aparência de imagem, compartilham modalidades de imagem comuns e contexto anatômico, permitindo que representações transferíveis de baixo e médio nível sejamaprendidas 3. Trabalhos anteriores mostraram que esse pré-treinamento cruzado pode melhorar o desempenho em ambientes com dadoslimitados 23. Apesar desses desenvolvimentos, ainda não está claro como o FL se sai para segmentação de meningiomas sob condições realistas multicêntricas, e se o pré-treinamento de glioma pode melhorar o treinamento federado quando cada local possui dados limitados. Os benefícios relativos da FL isolada em relação à FL pré-treinada com glioma não foram avaliados sob validação clínica externa.

Para suprir essa lacuna, este estudo realiza uma comparação controlada usando uma coorte externa independente do SPHS. Especificamente, investigamos três questões: (i) a magnitude da lacuna de generalização entre modelos treinados com dados de referência e dados clínicos externos; (ii) se a FL pode reduzir essa lacuna sob condições limitadas de dados locais; e (iii) se a L pré-treinada para glioma (glioma -> meningioma) proporciona ganhos adicionais de desempenho em relação tanto ao treinamento centralizado quanto às abordagens federadas padrão.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Protocolo

Este estudo foi um estudo clínico retrospectivo. O protocolo do estudo foi revisado e aprovado pelo Comitê de Ética do Second People's Hospital of Shenzhen para a coleta e uso do conjunto clínico SPHS, com o número de aprovação 20190910. O consentimento informado por escrito foi obtido de todos os pacientes incluídos na coorte da SPHS antes da inscrição neste estudo.

Dados dos pacientes

Este estudo utilizou três conjuntos de dados: BraTS2023-Men, BraTS2023-Gli, e uma coorte clínica externa do SPHS (SPHS-Men). Suas características são resumidas abaixo.

BraTS2023-Homens

BraTS2023-Men é a pista meningioma do benchmark BraTS2023 24,25. Neste estudo, 450 casos de BraTS2023-Men foram usados como coorte fonte para o desenvolvimento do modelo e avaliação interna. Todas as imagens foram pré-processadas uniformemente, incluindo despullamento do crânio, co-registro entre modalidades e reamostragem isotrópica até 1×1×1 mm3. Cada caso contém quatro sequências de ressonância magnética (T1, T1c, T2, FLAIR) com anotações voxel em três categorias: núcleo tumoral não realçante (rótulo 1), edema peritumoral (rótulo 2) e tumor de realce (rótulo 3). Para consistência com a definição clínica de tumor usada neste estudo, os rótulos 1 e 3 foram fundidos em uma única classe tumoral, e o rótulo 2 (edema) foi excluído, resultando em um alvo binário de segmentação.

BraTS2023-Gli

BraTS2023-Gli é a trilha de glioma do benchmark BraTS e herda as convenções e estrutura de anotação multimodal estabelecidas para ressonância magnéticamultimodal do BraTS 7,24,26,27. Neste estudo, o treinamento centralizado em Glioma foi realizado usando 450 casos de BraTS2023-Gli para fornecer um modelo fonte para a Língua Florida pré-treinada para Glioma, utilizando a mesma formulação binária tumor-versus-fundo posteriormente usada para a tarefa do meningioma. O objetivo de incluir essa coorte não era aumentar o tamanho da amostra em relação ao BraTS2023-Men, mas testar se um domínio fonte de tumor cerebral relacionado à tarefa poderia fornecer uma inicialização mais transferível para adaptações federadas subsequentes.

SPHS-Men

SPHS-Men é um conjunto clínico externo coletado do Second People's Hospital of Shenzhen, sob aprovação do conselho de revisão institucional. Um total de 174 casos foram incluídos para avaliação externa. Ao contrário do BraTS, os dados foram adquiridos usando protocolos clínicos rotineiros sem pré-processamento padronizado, levando à variabilidade no espaçamento dos voxeis, espessura do corte, campo de visão e parâmetros de reconstrução dependentes do scanner. As anotações foram originalmente fornecidas com dois rótulos: massa tumoral e edema/alteração peritumoral. Para alinhar com a definição de tumor derivada do BraTS usada neste estudo, apenas a massa tumoral foi mantida e o edema foi excluído. Todos os casos de SPHS foram posteriormente processados usando um pipeline orientado à harmonização antes da avaliação externa, conforme descrito na aquisição e pré-processamento da ressonância magnética. Após o pré-processamento, cada voxel na coordenada espacial r é representado por uma entrada de três canais composta pelas intensidades T1c, T1n e T2,
figure-protocol-1

e a tarefa de segmentação é definida como classificação binária Y(r) ∈ 0,1, indicando tumor versus fundo. Exemplos representativos e diferenças qualitativas entre conjuntos de dados são mostrados na Figura 1.

figure-protocol-2
Figura 1. Comparação representativa entre conjuntos de dados. Fileira superior: SPHS-Men; meio: BraTS2023-Homens; Embaixo: BraTS2023-Gli. Colunas mostram máscara tumoral, T1, T1c e T2. Diferenças qualitativas no tamanho da lesão, padrão de realce e definição de limites refletem os deslocamentos compostos de imagem e anotação encontrados neste estudo. Por favor, clique aqui para ver uma versão ampliada desta figura.

Aquisição e pré-processamento de ressonância magnética

Todos os dados do BraTS foram distribuídos com pré-processamento padronizado já aplicado, incluindo desmontagem do crânio, co-registro e reamostragem isotrópica. Para a coorte SPHS, as imagens DICOM brutas foram primeiro convertidas para o formatoNIfTI 28. As imagens multimodais foram então registradas rigidamente no espaço nativo T1 usando o alinhamento29 baseado em informação mútua. Como o desmontamento do crânio é uma etapa necessária de pré-processamento para a segmentação da ressonância magnética cerebral, a extração cerebral foi realizada explicitamente antes do treinamento do modelo. Especificamente, o DeepBet foi aplicado à imagem ponderada em T1 para gerar uma máscara cerebral30, e a máscara resultante foi propagada para os volumes T1c e T2 co-registrados para remover tecido não cerebral de forma consistente em todas as modalidades. As imagens com desnudo do crânio foram posteriormente reamostradas para uma resolução isotrópica de 1 x 1 x 1 mm3. Máscaras tumorais binárias foram finalmente refinadas usando operações morfológicas de fechamento e abertura para suprimir artefatos de interpolação introduzidos durante a reamostragem. Essas etapas de harmonização foram usadas para melhorar a consistência de entrada entre conjuntos de dados para testes externos, mas não tinham a intenção de eliminar as diferenças subjacentes em nível de scanner, protocolo ou anotação intrínsecas à coorte SPHS.

Desenho do estudo

Arquitetura do modelo

Como mostrado na Figura 2, a arquitetura 2D do UMamba integra módulos residuais de redes neurais convolucionais com os blocos12,31 do modelo seletivo de estado (SSM) Mamba. Esse design híbrido permite a extração simultânea de características locais de textura por meio de convoluções e contexto estrutural global de longo alcance via SSMs, com um custo computacional linear em relação ao número de posições espaciais.

figure-protocol-3
Figura 2. A arquitetura 2D da UMamba. O codificador integra blocos convolucionais residuais para extração local de texturas e características de fronteira com módulos SSM seletivos Mamba para modelagem de contexto de longo alcance. Esses componentes são conectados por meio de conexões de salto a um decodificador de convolução transposta. A entrada da rede consiste em uma fatia de ressonância magnética multimodal de três canais composta pelas modalidades T1, T1c e T2. Por favor, clique aqui para ver uma versão ampliada desta figura.

Codificador

Fatias de ressonância magnética multimodais com C = 3 canais de entrada são processadas por um codificador hierárquico. Em cada estágio s ∈ 1,..., S, o mapa de características de entrada é primeiro processado por um bloco convolucional residual para extrair padrões espaciais localizados. O mapa de características é então achatado em uma sequência unidimensional e processado por um módulo seletivo de SSM para capturar dependências contextuais de longo alcance. A redução de amostragem espacial é realizada usando convoluções de passo 2, gerando progressivamente representações hierárquicas de características F_s ∈ R^C_s × H/2^s × W/2^s com dimensões crescentes do canal C_s ∈ 32, 64, 128, 256, 512.

MSM seletivo Mamba

O SSM seletivo opera em uma sequência unidimensional x ∈ R^L × d. Como a adjacência espacial é interrompida durante o achatamento padrão unidimensional de mapas de características bidimensionais, é utilizada uma estratégia de varredura multidirecional: mapas de características são varridos em quatro direções (linha para frente, linha para trás, coluna para frente e coluna para trás) para preservar o contexto espacial tanto nas direções das linhas quanto das colunas. O SSM em tempo contínuo é definido como:
figure-protocol-4    

figure-protocol-5

onde A ∈ R^N × N denota a matriz de transição de estado aprendível inicializada via o framework HiPPO (Operador de Projeção de PolinômioOculto) 31. As matrizes de projeção B(t) e C(t) dependem da entrada, estabelecendo um mecanismo seletivo que permite ao modelo filtrar dinamicamente tokens irrelevantes e reter informações contextuais importantes. O sistema contínuo é discretizado usando um passo de tempo Δ por meio de uma transformação de manutenção de ordem zero (ZOH):

figure-protocol-6

figure-protocol-7

figure-protocol-8

figure-protocol-9

A cada passo discreto k, os parâmetros B, C e Δ são calculados como projeções lineares do token de entrada xk, permitindo a propagação de características dependente da entrada. A inicialização HiPPO garante que os autovalores satisfazem |λj(barA)| < 1, que mantém as representações de estados ocultas ‖hk‖ limitadas por sequências espaciais arbitrariamente longas.

Conexões decodificadoras e skip

O decodificador reconstrói a resolução espacial original a partir das representações codificadas. Em cada estágio, convoluções transpostas amostram os mapas de características de resolução mais baixa. Conexões de salto concatenam as características do codificador multiescala F_s com as características correspondentes do decodificador upamostrado, preservando informações de fronteira de alta frequência essenciais para a delineação precisa do tumor em nível voxel.

Perda de treino

A otimização do modelo é guiada por uma função de perda composta:
figure-protocol-10

onde p_θ(r) ∈ [0,1] é a probabilidade prevista de tumor no voxel r, Y(r) é o rótulo binário de verdade fundamental correspondente, e λ = 1,0 equilibra os dois termos. A perda de Dice otimiza diretamente a métrica de avaliação do alvo e aborda o desequilíbrio extremo entre primeiro plano e fundo inerente à segmentação do meningioma, onde os voxels tumorais tipicamente constituem menos de 0,5% do volume intracraniano total. O termo binário de entropia cruzada (BCE) fornece supervisão por voxel, estabilizando o treinamento nesse ambiente desequilibrado.

Configuração de treinamento

Todos os modelos de segmentação foram otimizados usando AdamW, com taxa inicial de aprendizado de η₀ = 3 × 10⁻4, cronograma de recozimento cosseno e decaimento de peso de 5 × 10⁻4. Os modelos centralizados de linha base foram treinados por 200 épocas nas coortes BraTS2023 de 450 casos, com um tamanho de lote de 16. Para evitar ambiguidade no contexto federado, usamos a seguinte terminologia ao longo deste manuscrito: uma rodada de comunicação denota um ciclo completo de FL consistindo em broadcast de servidor, otimização local de clientes e agregação de servidores; uma iteração em mini-batch indica uma atualização de um parâmetro em um mini-batch; e a otimização local realizada por cada cliente em uma rodada consistia em 250 iterações em mini-lote. Em outras palavras, cada cliente realizava uma etapa local de treinamento por rodada, e essa etapa local continha 250 iterações de atualização de parâmetros. Assim, o termo 'rodada' (r = 3) neste estudo refere-se apenas à comunicação com a FL, não a uma época em todo o conjunto de dados centralizado. Um pipeline online de aumento de dados foi aplicado uniformemente em todas as configurações de treinamento, incluindo inversão aleatória horizontal e vertical (p=0,5 por eixo), rotação aleatória no plano (±15^circ), escala aleatória de intensidade (fator amostrado uniformemente a partir de [0,85, 1,15]) e ruído Gaussiano aditivo (sigma ∼ U[0, 0,05]) calculado por fatia bidimensional. Todo aumento foi desativado durante inferência e validação. O framework foi implementado no PyTorch 2.0.1 com MONAI 1.3 para carregamento de dados, e todos os cálculos foram realizados em unidades gráficas (GPUs) NVIDIA GeForce RTX 3090 (24 GB GDDR6X). A reprodutibilidade foi garantida fixando todas as sementes aleatórias em PyTorch, NumPy e o módulo aleatório Python com valores idênticos para todas as estratégias.

Estratégias experimentais

Três estratégias principais de treinamento foram comparadas para avaliar a generalização entre centros (Figura 3). Os rótulos FL pré-treinado com meningioma e FL pré-treinado para Glioma são nomes descritivos introduzidos neste manuscrito para distinguir a origem do modelo global inicial antes da adaptação federada.

figure-protocol-11
Figura 3. Visão geral do projeto experimental. (A) Treinamento centralizado usando casos de 450 BraTS2023-Men, seguido por avaliação externa no SPHS. (B) FL pré-treinada para meningioma em três clientes simulados. (C) A Orientação Molecular pré-treinada com glioma inicializou a partir de um modelo centralizado de glioma antes da adaptação federada. Por favor, clique aqui para ver uma versão ampliada desta figura.

Estratégia 1 (Treinamento centralizado)

Um único modelo UMamba 2D foi treinado em todos os casos 450 BraTS2023-Men. Essa estratégia representa o limite superior do desempenho dentro do domínio e serve como base para avaliar a degradação cruzada.

Estratégia 2 (FL com inicialização no domínio MEN)

Os casos de 450 BraTS2023-Men foram atribuídos aleatoriamente a três clientes (|Di| = 150) para partição igualitária. Os três clientes BraTS2023-Men foram, portanto, simulados a partir da mesma coorte pública, em vez de construídos usando metadados específicos da instituição ou rótulos de origem do scanner. Para inicializar o treinamento federado no domínio meningioma, o modelo global inicial foi primeiro treinado em uma divisão fixa do cliente BraTS2023-Men (cliente 1 nesta implementação) e depois usado para iniciar o procedimento federado. Esse cliente seed foi mantido constante em experimentos para reprodutibilidade e deve ser interpretado como um início quente dentro do domínio, em vez de um cliente fonte otimizado ou privilegiado. Como os três clientes foram simulados particionando a mesma coorte BraTS2023-Men, essa escolha de inicialização reflete um ponto de partida em nível de implementação, e não um prior institucional biologicamente distinto. O objetivo desse projeto não era replicar estritamente um processo real de lançamento multi-instituição, mas fornecer uma comparação controlada entre treinamento centralizado em todos os dados MEN disponíveis e colaboração federada a partir de uma FL parcialmente pré-treinada com meningioma. O objetivo global de otimização federada é definido como:
figure-protocol-12

onde Di denota o conjunto local de treinamento dos clientes i, e ell é a perda de dados + entropia cruzada. Na primeira rodada de comunicação, os pesos de agregação foram proporcionais à contagem de amostras (wi(1) = 1/3). Para reduzir o peso dos clientes com desempenho inferior em rodadas de comunicação subsequentes, as rodadas 2 e 3 usaram a agregação ponderada por dados de validação:
figure-protocol-13
onde DSCi(r) é a DSC média de caso na partição local de validação do cliente i após treinamento local na rodada de comunicação r, e ε = 10⁻6 é uma pequena constante para evitar divisão por zero.

Estratégia 3 (FL com inicialização pré-treinada em glioma)

Para obter um início quente cruzado entre domínios relacionado à tarefa, o treinamento centralizado em Glioma foi realizado inicialmente usando 450 casos BraTS2023-Gli com as mesmas três modalidades de ressonância magnética (T1, T1c e T2) e a mesma formulação binária tumor-versus-fundo adotada nos experimentos com meningioma.

Especificamente, os rotuladores de glioma foram harmonizados combinando o núcleo tumoral não realçador e o tumor realçante em uma única classe em primeiro plano, enquanto o edema peritumoral foi excluído, de modo que as tarefas fonte e alvo compartilhavam a mesma definição binária de saída. Como tanto as tarefas de origem quanto de destino foram formuladas como segmentação binária, os pesos pré-treinados foram transferidos diretamente para inicializar o modelo completo 2D do UMamba, incluindo a cabeça de segmentação, em vez de descartar e reinicializar a camada final. O mesmo protocolo FedAvg foi então aplicado, com o modelo global inicial inicializado pelo treinamento centralizado convergente em pesos de glioma (θ⁽°⁾ = θ_Gli^*). A adaptação federada subsequente é dada por:
figure-protocol-14

onde Δθ(r) representa as atualizações acumuladas de parâmetros específicos de domínio ao longo de r rodadas de comunicação. Essa estratégia testa se um modelo fonte FL pré-treinado com Glioma oferece um ponto de partida melhor para adaptação federada em clientes com meníngiomas.

Métricas de avaliação

Todas as estratégias foram avaliadas na coorte SPHS usando um protocolo de média de casos. O DSC e o IoU foram calculados independentemente por caso e depois mediados, garantindo peso estatístico igual em todos os sujeitos, independentemente do volume tumoral:
figure-protocol-15
 figure-protocol-16

Composições de erro médio por caso — incluindo a média de contagens de voxels verdadeiros positivos (TP), falsos positivos (FP), falsos negativos (FN) e verdadeiros negativos (TN) por caso — também foram relatadas. Essa decomposição distingue erros de supersegmentação de erros de subsegmentação, fornecendo insights sobre modos de falha direcional.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Resultados

O modelo centralizado UMamba 2D (Estratégia 1) alcançou desempenho competitivo dentro do domínio no conjunto de teste interno BraTS2023-Men, com uma média média de casos de DSC de 0,8958, IoU de 0,8356, FN de 1.902, FP de 667, TN de 8.902.814 e TP de 22.616. Quando avaliado na coorte externa de validação SPHS, o modelo centralizado apresentou um DSC de 0,7452 ± 0,1992 e um IoU de 0,6241 ± 0,1941, correspondendo a uma lacuna de generalização cruzada de ΔDSC = 0,1506 (Tabela 1, ID ...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Discussão

A conclusão central deste estudo é que a qualidade da inicialização — e não o próprio protocolo de agregação federada — é o fator decisivo para fechar a lacuna de generalização cruzada para a segmentação de meningiomas preservadora da privacidade. Embora o modelo centralizado UMamba 2D tenha alcançado forte desempenho dentro do domínio na coorte BraTS2023-Men (DSC = 0,8958), sofreu uma degradação substancial quando avaliado no conjunto clínico independente SPHS (Δ DSC = 0,1506). Essa que...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Divulgações

Os autores não têm conflitos de interesse a declarar.

Agradecimentos

Esse trabalho foi apoiado pela Fundação Nacional de Ciências Naturais da China (Bolsa 12405382), pela Comissão de Inovação em Ciência e Tecnologia de Shenzhen (Bolsa JCYJ20220530143602006), pelo Projeto de Pesquisa Básica de Shenzhen (Fundação de Ciências Naturais) (Bolsa JCYJ20220530150416036) e pelo Projeto de Bem-Estar Social do Departamento de Ciência e Tecnologia da Mongólia Interior (Projeto nº 2026YFSH0155).

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Materiais

Lista de materiais utilizados neste artigo
NomeEmpresaNúmero de catálogoComentários
BraTS2023-Gli datasetASNR-MICCAI BraTS Challenge / Synapse (Sage Bionetworks)N/AConjunto de dados de ressonância magnética de glioma público usado para inicialização pré-treinada de glioma. Neste estudo, 450 casos foram usados sob a formulação binária tumor-versus-fundo. https://www.synapse.org/Synapse:syn51156910/wiki/622351
BraTS2023-Men datasetASNR-MICCAI BraTS Challenge / Synapse (Sage Bionetworks)N/AConjunto de dados de ressonância magnética de meningioma público usado como coorte de origem para o desenvolvimento do modelo e avaliação interna. Neste estudo, 450 casos foram usados. https://arxiv.org/abs/2305.07642
DeepBetSoftware acadêmico por Fisch et al.N/AFerramenta de extração cerebral aplicada à imagem T1 ponderada para gerar uma máscara cerebral para a coorte SPHS. https://arxiv.org/abs/2308.07003
MONAIProjeto MONAIVersão 1.3Framework de IA para imagens médicas usado para carregamento de dados e implementação do fluxo de trabalho de aprendizagem profunda. https://docs.nvidia.com/monai/index.html
NVIDIA GeForce RTX 3090 GPUNVIDIAGeForce RTX 3090Unidade de processamento gráfico com 24 GB de memória GDDR6X usada para treinamento e computação de modelos. https://www.nvidia.com/en-me/geforce/graphics-cards/30-series/rtx-3090-3090ti/
PyTorchPyTorch Foundation, Linux FoundationVersão 2.0.1Framework de aprendizagem profunda usado para implementar e treinar os modelos de segmentação 2D UMamba. https://pytorch.org/foundation/
PythonPython Software FoundationVersão 3.10Ambiente de programação usado para treinamento de modelo, pré-processamento, avaliação e análise estatística. Substitua pela versão exata do Python se conhecida. https://www.python.org/psf-landing/
Coorte clínica SPHS-MenSegundo Hospital do Povo de ShenzhenN/ACoorte de ressonância magnética multi-modal externa usada para avaliação independente. Um total de 174 casos foram incluídos.
Implementação do modelo UMamba 2DBowang-lab / autores do U-MambaConfiguração U-Mamba 2DArquitetura de segmentação baseada em modelo de espaço de estados usada para segmentação binária de meningioma. https://u-mamba.github.io/

Referências

  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).

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Reimpressões e permissões

Solicitar permissão para reutilizar o texto ou as figuras deste artigo JoVE

Solicitar permissão

Etiquetas

MedicinaEdi o 233Edi o 233Valor VazioEdi oUMambaaprendizagem por transfer nciavalida o externamodelo de espa o de estadosdeslocamento de dom nio

Artigos relacionados