Исследовательская статья

Улучшение межцентровой обобщения для многомодальной сегментации менингиомы МРТ с помощью предварительно обученного федеративного обучения с помощью глиомы

56 просмотров

⸱

DOI:

10.3791/72164

⸱

24 июля 2026 г.

 ,  ,  ,  ,  ,  ,  ,  ,  , 
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

В этой статье

Краткое содержание

В данном исследовании изучается влияние предварительно обученного федеративного обучения с помощью глиомы на внешнюю генерализацию в мультимодальной сегментации менингиомы МРТ

Аннотация

Автоматизированная сегментация менингиомы на мультимодальном МРТ остаётся сложной при передаче моделей между учреждениями, поскольку протоколы сканера, характеристики изображения и стили аннотирования могут различаться в зависимости от центра. Федеративное обучение (FL) обеспечивает стратегию сохранения конфиденциальности для разработки многоцентровых моделей, но стандартная агрегация может не полностью компенсировать сдвиг между центрами. Целью данного исследования было количественно оценить разрыв внешнего обобщения при сегментации менингиомы МРТ и оценить, может ли FL, предварительно обученный по глиоме, повысить устойчивость без централизованного объединения данных. Для сегментации бинарных менингиом использовалась 2D-архитектура UMamba с использованием МРТ T1, T1c и T2 в качестве входных входов модели. Протокол включал 450 случаев BraTS2023-Men в качестве набора данных по менингиоме в источнике и 174 независимых клинических случая из нашего института в качестве когорты внешней валидации. Три финальные стратегии сегментации менингиом были количественно оценены в одной и той же внешней валидации: централизованное обучение на BraTS2023-Men, предварительно обученная менингиома FL на трёх симулированных клиентах и предварительно обученная глиома FL, инициализированная из исходной модели BraTS2023-Gli перед федеративной оптимизацией. Централизованное обучение на глиоме использовалось только для генерации предварительно обученной по глиоме инициализации и не было представлено как независимо оценённая итоговая стратегия сегментации менингиомы. Производительность модели оценивалась с использованием коэффициента сходства кубиков (DSC) и пересечения над объединением (IoU). Централизованное обучение на BraTS2023-Men показало явное внешнее падение обобщения: DSC снизился с 0,8958 на внутреннем тестовом наборе BraTS2023-Men до 0,7452 в когорте SPHS. FL, предварительно обученный по менингиоме, показал более низкие внешние показатели (DSC = 0,7122), тогда как FL с предварительно обученным по глиоме достиг сопоставимых результатов с централизованной подготовкой на BraTS2023-Men и улучшил результаты по сравнению с FL, предварительно обученным по менингиоме (DSC = 0,7503; IoU = 0,6301; Скорректированное по Хольму p < 0,001). Эти результаты свидетельствуют о том, что инициализация, предварительно обученная по глиомам, обеспечивает более надёжную отправную точку для сегментации федеративных менингиом и может улучшить внешнюю обобщённость, сохраняя при этом конфиденциальность институциональных данных.

Введение

Менингиомы являются наиболее распространёнными первичными внутричерепными опухолями у взрослых, составляющими примерно 38% всех первичных опухолей мозга и центральной нервной системы вСША 1. Происходя из менинготелиальных (арахноидных колпачковых) клеток, они охватывают степени I–III Всемирной организации здравоохранения (ВОЗ), охватывающие широкий клинический спектр: опухоли первой степени (примерно 80%) обычно связаны с благоприятными результатами после полной резекции, тогда как поражения II степени (атипичный) и III степень (анапластические) демонстрируют значительно более высокие рецидивы — 20–40% и превышающие 70% через десять лет,соответственно 2, 3. Клиническое принятие решений — включая микрохирургическую резекцию, стереотаксическую радиохирургию (SRS), фракционированную лучевую терапию и активный надзор — зависит от точного и воспроизводимого объемного определения масштаба опухоли в лонгитюдных исследованиях. Таким образом, устойчивая сегментация менингиом с помощью магнитно-резонансной томографии (МРТ) является необходимым условием для последовательного планирования лечения и оценки результатов.

Многопоследовательное МРТ лежит в основе характеристики менингиомы в рутинной клинической практике, при этом каждая последовательность кодирует взаимодополняющие аспекты биологии опухолей и ответа окружающих тканей. Контрастно-взвешенная визуализация T1 (T1c) выделяет области нарушения гематоэнцефалического барьера через укорочение релаксации T₁, вызванное гадолинием, что позволяет чётко визуализировать усиление опухолевой паренхимы и определить границу первичного поражения. Неконтрастная T1-взвешенная визуализация (T1) предоставляет структурный контекст для оценки паукообразной границы, прикрепления дуральной ткани и прилегающего костного воздействия. T2-взвешенная визуализация (T2) фиксирует внутриопухолевую гетерогенность и перитухольный отёк, которые необходимы для понимания масс-эффекта и определения объёмов лечения в радиохирургическомпланировании 3,4. Ручное контурирование остаётся стандартным методом для определения менингиом. В ходе этого процесса клиницисты обычно учитывают комплементарную контрастную информацию в нескольких последовательностях МРТ для определения масштаба опухоли. Однако эта процедура занимает много времени и связана с существенной изменчивостью между наблюдателями, особенно в анатомически неоднозначных областях, таких как дуральный хвост, где показатели согласования падают ниже 0,80 5,6. Эти ограничения мотивируют разработку автоматизированных подходов к сегментации, обеспечивающих стабильную и масштабируемую производительность.

Глубокое обучение обладает значительно продвинутой сегментацией медицинских изображений, поддерживаемой эталонными наборами данных, такими какBraTS 7, а также появлением множества архитектурных парадигм, включая сверточные модели, такие как U-Net8 и nnU-Net9, модели на основе трансформеров, такие как UNETR и Swin-UNETR10,11, а также подходы, основанные на пространственных моделях состояний (SSM), такие как UMamba12. Недавние исследования дополнительно исследовали объяснимые ориентированные на внимание сети Swin Transformer и глобально-локальные проекты Vision Transformer/аксиального пространства состояний для 3D-сегментации опухолеймозга 13,14, подчёркивая продолжающееся развитие конвейеров сегментации на основе трансформаторов и пространстве состояний. Несмотря на высокие показатели, исследования, специфичные для менингиомы, исторически ограничивались относительно небольшими размерами когорт (обычно 50–200 случаев)15,16. Публикация набора данных BraTS2023 по менингиоме 17, в котором было более 1000 случаев, частично смягчает это ограничение; Однако большинство моделей по-прежнему обучаются и оцениваются в рамках кураторских наборов данных, и их производительность часто ухудшается при применении к независимым клиническимданным 18. Это подчёркивает ключевую проблему: достижение надёжной межцентровой обобщённости требует взаимодействия с разнообразными многоцентровыми данными.

На практике агрегирование крупномасштабных многоцентровых наборов данных ограничено нормативами по защите данных и институциональной политикой, что делает централизованное обучение трудным или невыполнимым. Федеративное обучение (FL) решает это ограничение, позволяя совместное обучение модели без обмена исходными данными, при этом каждое учреждение обучается локально и вносит обновления модели в глобальную модель посредством агрегации, как в Federated Averaging (FedAvg)19. Связанные исследования также расширили сохранение конфиденциальности FL на моделирование человеческих намерений при детском церебральном параличе с использованием расширеннойреальности 20, а также было предложено лёгкое глубокое обучение с визуализацией виртуальной реальности для офлайн-сегментации опухолей в сельскойместности 21, отражая более широкую потребность в разворачиваемых и ориентированных на конфиденциальность медицинских ИИ рабочих процессов. Хотя FL предоставляет практическую основу для многоцентрового обучения, она вносит новую задачу: каждый участвующий сайт обычно имеет ограниченный локальный набор данных, а независимое локальное обучение перед агрегированием может привести к неоптимальным локальным обновлениям и снижению глобальной производительности, особенно при расходе локальных данных — проблеме, известной как дрейфклиента 22. Естественная комплементарная стратегия — инициализация модели, используя знания, полученные из связанного исходного набораданных 23. В визуализации опухолей мозга глиома представляет собой тесно связанную задачу источника с частично общими характеристиками визуализации и контекстом опухоли, что делает её практичной областью для предварительного обучения. Хотя менингиомы и глиомы различаются биологическими характеристиками и визуализационным видом, они имеют общие методы визуализации и анатомический контекст, что позволяет изучать переносимые представления низкого и среднегоуровня 3. Предыдущие исследования показали, что такое предварительное кросс-опухолево может повысить эффективность в условиях с ограниченнымиданными 23. Несмотря на эти изменения, остаётся неясным, как FL справляется с сегментацией менингиомы при реалистичных многоцентровых условиях, и может ли предварительное обучение глиомы улучшить федеративное обучение, если на каждом участке ограничены данные. Относительные преимущества только FL по сравнению с FL, предварительно обученным по глиоме, не были оценены при внешней клинической валидации.

Для устранения этого разрыва в исследовании проводится контролируемое сравнение с использованием независимой внешней когорты из SPHS. В частности, мы исследуем три вопроса: (i) величина разрыва в межцентровой генерализации между моделями, обучаемыми на эталонных данных, и внешними клиническими данными; (ii) может ли FL сократить этот разрыв при ограниченных условиях локальных данных; и (iii) обеспечивает ли предварительно обученная глиома FL (глиома -> менингиома) дополнительный прирост производительности по сравнению с централизованным обучением и стандартными федеративными подходами.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Протокол

Это исследование было ретроспективным клиническим исследованием. Протокол исследования был пересмотрен и утверждён Этическим комитетом Второй народной больницы Шэньчжэня для сбора и использования клинического набора данных SPHS с номером одобрения 20190910. Письменное информированное согласие было получено от всех пациентов, включённых в когорту SPHS, до начала участия в этом исследовании.

Данные пациентов

В этом исследовании использовались три набора данных: BraTS2023-Men, BraTS2023-Gli и внешняя клиническая когорта из SPHS (SPHS-Men). Их характеристики приведены ниже.

BraTS2023-Men

BraTS2023-Men — это трек по менингиоме в эталонном BraTS2023 24,25. В этом исследовании использовались 450 случаев BraTS2023-Men в качестве исходной когорты для разработки модели и внутренней оценки. Все изображения предварительно обработались равномерно, включая удаление черепа, совместную регистрацию между модальностями и изотропное переотбор до 1×1×1мм 3. Каждый случай содержит четыре последовательности МРТ (T1, T1c, T2, FLAIR) с воксельными аннотациями в трёх категориях: неускоряющий опухолевой центр (метка 1), перитухольный отёк (метка 2) и усиливающая опухоль (метка 3). Для согласованности с клиническим определением опухоли, использованным в этом исследовании, метки 1 и 3 были объединены в один класс опухоли, а метка 2 (отёк) была исключена, что привело к бинарной сегментационной цели.

BraTS2023-Gli

BraTS2023-Gli является глиомным направлением бенчмарка BraTS и унаследовал устоявшиеся мультимодальные конвенции МРТ и аннотационную структуру 7,24,26,27. В этом исследовании было проведено централизованное обучение по глиоме с использованием 450 случаев BraTS2023-Gli для создания исходной модели для предварительно обученного FL, используя ту же бинарную формулу опухоли и фона, которая позже применялась для задачи менингиомы. Целью включения этой когорты было не увеличение размера выборки относительно BraTS2023-Men, а проверка, может ли домен источника опухоли мозга, связанный с задачей, обеспечить более передаваемую инициализацию для последующей федеративной адаптации.

SPHS-Men

SPHS-Men — это внешний клинический набор данных, собранный во Второй народной больнице Шэньчжэня по одобрению институционального контрольного совета. Всего для внешней оценки было включено 174 случая. В отличие от BraTS, данные собирались с помощью рутинных клинических протоколов без стандартизированной предварительной обработки, что приводило к вариативности в расстоянии между вокселями, толщине среза, поле зрения и параметрах реконструкции, зависящих от сканера. Аннотации изначально имели две метки: опухолевая масса и отёк/перитухоловое изменение. Чтобы соответствовать определению опухоли, полученному на основе BraTS, сохранялась только опухолевая масса, а отёк исключён. Все случаи SPHS впоследствии были обработаны с помощью гармонизационно-ориентированного конвейера перед внешней оценкой, как описано в процессе получения и предварительной обработки МРТ. После предварительной обработки каждый воксель с пространственной координатой r представлен трёхканальным входом, состоящим из интенсивностей T1c, T1n и T2,
figure-protocol-1

а задача сегментации определяется как бинарная классификация Y(r) ∈ 0,1, указывающая на опухоль по сравнению с фоном. Репрезентативные примеры и качественные различия между наборами данных показаны на рисунке 1.

figure-protocol-2
Рисунок 1. Репрезентативное сравнение между наборами данных. Верхний ряд: SPHS-мужчины; середина: BraTS2023-Мужчины; внизу: BraTS2023-Gli. Колонки показывают маску опухоли, T1, T1c и T2. Качественные различия в размере поражения, рисунке усиления и определении границ отражают сложные сдвиги в визуализации и аннотации, выявленные в данном исследовании. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Получение и предобработка МРТ

Все данные BraTS распространялись с уже применённой стандартизированной предварительной обработкой, включая удаление черепа, совместную регистрацию и изотропное передискретирование. Для группы SPHS сырые изображения DICOM сначала были конвертированы в форматNIfTI 28. Мультимодальные изображения затем жёстко регистрировались в родном пространстве T1 с помощью взаимного информационноговыравнивания 29. Поскольку удаление черепа является необходимым этапом предварительной обработки для сегментации МРТ мозга, экстракция мозга была явно проведена до обучения моделей. В частности, DeepBet применялся к T1-взвешенному изображению для создания маскимозга 30, и полученная маска распространялась на совместно зарегистрированные объёмы T1c и T2 для постоянного удаления немозговых тканей во всех методах. Изображения, покрытые черепом, впоследствии были повторно отобраны до изотропного разрешения 1 x 1 x 1 мм3. Бинарные опухолевые маски были окончательно совершенствованы с помощью морфологических операций по закрытию и раскрытию для подавления интерполяционных артефактов, возникающих при повторном отборе. Эти шаги гармонизации использовались для повышения согласованности входных данных между наборами данных для внешнего тестирования, но не были предназначены для устранения основных различий на уровне сканеров, протокола или аннотаций, присущих когорте SPHS.

Дизайн исследования

Архитектура модели

Как показано на рисунке 2, архитектура UMamba 2D интегрирует остаточные сверточные нейронные сети с блоками Mamba селективной модели пространств состояний (SSM)12,31. Гибридная конструкция позволяет одновременно извлекать локальные фактурные элементы с помощью сверток и глобального структурного контекста с помощью SSM, с линейной вычислительной стоимостью относительно количества пространственных позиций.

figure-protocol-3
Рисунок 2. Архитектура UMamba 2D. Кодировщик интегрирует остаточные сверточные блоки для локального извлечения текстур и пограничных признаков с селективными SSM-модулями Mamba для долгосрочного контекстного моделирования. Эти компоненты подключаются через пропускные соединения с декодером транспонированной свёртки. Сетевой вход представляет собой трёхканальный мультимодальный срез МРТ, включающий модальности T1, T1c и T2. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Энкодер

Мультимодальные МРТ-срезы с C = 3 входными каналами обрабатываются иерархическим кодировщиком. На каждом этапе s ∈ 1,..., S входная карта признаков сначала обрабатывается остаточным сверточным блоком для извлечения локализованных пространственных паттернов. Затем карта признаков сплощается в одномерную последовательность и обрабатывается селективным модулем SSM для фиксации долгосрочных контекстных зависимостей. Пространственное понижение проводится с использованием сверток stride-2, постепенно генерируя иерархические представления признаков F_s ∈ R^C_s × H/2^s × W/2^s с увеличением размеров канала C_s ∈ 32, 64, 128, 256, 512.

Селективный SSM Mamba

Селективный SSM работает на одномерной последовательности x ∈ R^L × d. Поскольку пространственная смежность нарушается при стандартном одномерном выравнивании двумерных карт объектов, используется стратегия многонаправленного сканирования: карты объектов сканируются по четырём направлениям (ряды вперёд, назад, столбцы вперёд и столбцы назад) для сохранения пространственного контекста как в строках, так и в столбцах. Непрерывный SSM определяется как:
figure-protocol-4    

figure-protocol-5

где ∈ R^N × N обозначает обучаемую матрицу переходов состояний, инициализированную через фреймворк HiPPO (Скрытый оператор проекции полинома) 31. Матрицы проекции B(t) и C(t) зависят от входных данных, что создаёт селективный механизм, позволяющий модели динамически фильтровать нерелевантные токены и сохранять важную контекстную информацию. Непрерывная система дискретизируется с помощью временного шага Δ с помощью преобразования нулевого порядка удержания (ZOH):

figure-protocol-6

figure-protocol-7

figure-protocol-8

figure-protocol-9

На каждом дискретном шаге k параметры B, C и Δ вычисляются как линейные проекции входного токена xk, обеспечивая распространение признаков, зависящих от входа. Инициализация HiPPO гарантирует, что собственные значения удовлетворяют |λj(barA)| < 1, где представления скрытых состояний ‖hk‖ ограничены по произвольно длинным пространственным последовательностям.

Декодеры и пропускные соединения

Декодер восстанавливает исходное пространственное разрешение из закодированных представлений. На каждом этапе транспонированные свёртки увеличивают выборку карт признаков с низким разрешением. Скип-соединения объединяют многомасштабные энкодеры F_s с соответствующими особенностями апсэмплинга декодера, сохраняя высокочастотную граничную информацию, необходимую для точного разграничения опухоли на уровне вокселя.

Потери на тренировках

Оптимизация модели управляется композитной функцией потерь:
figure-protocol-10

где p_θ(r) ∈ [0,1] — предсказанная вероятность опухоли на вокселе r, Y(r) — соответствующая бинарная метка основной истинности, а λ = 1.0 уравновешивает два члена. Потеря Dice напрямую оптимизирует целевую метрику оценки и устраняет крайний дисбаланс переднего плана и фона, присущий сегментации менингиом, где воксели опухолей обычно составляют менее 0,5% от общего объема внутричерепного объема. Термин бинарной кросс-энтропии (BCE) обеспечивает первоксельный надзор, стабилизируя тренировки в этой дисбалансной среде.

Конфигурация обучения

Все модели сегментации оптимизировались с использованием AdamW с начальной скоростью обучения η₀ = 3 × 10⁻4, графиком косинусного отжига и снижением веса 5 × 10⁻4. Централизованные базовые модели тренировались для 200 эпох на 450-корпусных когортах BraTS2023 с партией 16. Чтобы избежать неоднозначности в федеративной среде, в этой рукописи мы используем следующую терминологию: раунд коммуникации означает полный цикл FL, состоящий из вещания сервера, оптимизации локального клиента и агрегации серверов; Мини-пакетная итерация обозначает обновление одного параметра на одной мини-партии; а локальная оптимизация, выполняемая каждым клиентом в одном раунде, включала 250 мини-пакетных итераций. Другими словами, каждый клиент выполнял один локальный этап обучения за раунд, и этот локальный этап содержал 250 итераций обновления параметров. Таким образом, термин «раунд» (r = 3) в данном исследовании относится только к коммуникации FL, а не к эпохе по всему централизованному набору данных. Онлайн-конвейер дополнения данных применялся равномерно во всех обучающих конфигурациях, включая случайное горизонтальное и вертикальное переключение (p=0,5 на ось), случайное вращение в плоскости (±15^circ), случайное масштабирование интенсивности (фактор одинаково взят из [0,85, 1,15]) и аддитивный гауссов шум (сигма ∼ U[0, 0,05]), вычисляемый за двумерный срез. Вся аугментация была отключена во время вывода и валидации. Фреймворк был реализован в PyTorch 2.0.1 с MONAI 1.3 для загрузки данных, а все вычисления выполнялись на графических процессорах NVIDIA GeForce RTX 3090 (24 ГБ GDDR6X). Воспроизводимость обеспечивалась за счёт фиксации всех случайных seed в PyTorch, NumPy и случайном модуле Python на одинаковых значениях для всех стратегий.

Экспериментальные стратегии

Для оценки обобщения между центрами были сравниваны три основных стратегии обучения (рисунок 3). Ярлыки FL с менингиомой и предобученный по глиоме FL — это описательные названия, введённые в этой рукописи для определения источника исходной глобальной модели до федеративной адаптации.

figure-protocol-11
Рисунок 3. Обзор экспериментального проектирования. (A) Централизованное обучение с использованием 450 кейсов BraTS2023-Men с последующей внешней оценкой на SPHS. (B) Предварительно обученная FL по менингиоме у трёх симулированных клиентов. (C) FL, предварительно обученный по глиоме, инициализировался из централизованной модели глиомы до перехода к федеративной адаптации. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Стратегия 1 (Централизованное обучение)

Одна модель UMamba 2D была обучена на всех 450 корпусах BraTS2023-Men. Эта стратегия отражает верхнюю границу производительности внутри области и служит базой для оценки деградации между центрами.

Стратегия 2 (FL с инициализацией в домене MEN)

450 случаев BraTS2023-Men были случайным образом распределены между тремя клиентами (|Di| = 150) для равного разбиения. Таким образом, три клиента BraTS2023-Men были смоделированы из одной публичной когорты, а не сконструированы с использованием специфических метаданных учреждения или меток происхождения сканера. Для инициализации федеративного обучения в области менингиомы начальная глобальная модель сначала обучалась на фиксированном клиентском разделении BraTS2023-Men (клиент 1 в этой реализации), а затем использовалась для запуска федеративной процедуры. Этот клиент с семедом оставался постоянным во всех экспериментах для воспроизводимости и должен интерпретироваться как тёплый старт внутри домена, а не как оптимизированный или привилегированный исходный клиент. Поскольку три клиента были смоделированы путём разбиения одной и той же когорты BraTS2023-Men, этот выбор инициализации отражает исходную точку на уровне реализации, а не биологически отдельный институциональный априор. Цель этого дизайна заключалась не в строго повторении реального многоинституционального процесса запуска, а в обеспечении контролируемого сравнения централизованного обучения на всех доступных данных MEN и федеративного сотрудничества, начиная с частичного предварительно обученного FL. Глобальная цель федеративной оптимизации определяется следующим образом:
figure-protocol-12

где Di обозначает локальный набор обучающих клиентов i, а ell — потеря кубиков + перекрестная энтропия. В первом раунде коммуникации веса агрегации были пропорциональны числу выборок (wi(1) = 1/3). Для снижения веса клиентов в последующих раундах коммуникации, во втором и третьем раундах использовалась агрегация по взвешенности по кубикам:
figure-protocol-13
где DSCi(r ) — усреднённый по случаям DSC на локальном разделе валидации клиента i после локального обучения в коммуникационном раунде r, а ε = 10⁻6 — небольшая константа, предотвращающая деление на ноль.

Стратегия 3 (FL с инициализацией с предварительно обученной глиомой)

Для получения кросс-доменного теплого старта связанного с задачей централизованное обучение глиомы впервые было проведено с использованием 450 случаев BraTS2023-Gli с теми же тремя методами МРТ (T1, T1c и T2) и той же бинарной формулировкой опухоли и фона, что и в экспериментах с менингиомой.

В частности, метки глиомы гармонизировались путём объединения неусилляющего ядра опухоли и усиливающей опухоли в единый класс на переднем плане, в то время как периопухольный отёк исключался, чтобы исходная и целевая задачи имели одинаковое бинарное определение выхода. Поскольку и исходные, и целевые задачи формулировались как бинарная сегментация, предварительно обученные веса передавались напрямую для инициализации полной 2D-модели UMamba, включая сегментационную головку, вместо того чтобы отбрасывать и повторно инициализировать последний слой. Затем был применён тот же протокол FedAvg, при этом начальная глобальная модель была инициализована с помощью конвергентного централизованного обучения на глиомных весах (θ⁽°⁾ = θ_Gli^*). Последующая федеративная адаптация даётся следующим образом:
figure-protocol-14

где Δθ(r) представляет собой накопленные обновления параметров, специфичных для домена, в раундах связи r. Эта стратегия проверяет, обеспечивает ли модель исходного источника FL, предварительно обученная по глиоме, лучшую отправную точку для федеративной адаптации на клиентах менингиомы.

Метрики оценки

Все стратегии оценивались на когорте SPHS с использованием усреднённого по случаям протокола. DSC и IoU вычислялись независимо по каждому случае, а затем усреднялись, обеспечивая одинаковый статистический вес для всех участников независимо от объёма опухоли:
figure-protocol-15
 figure-protocol-16

Также были зафиксированы композиции ошибок, усредненные по случаям — включающие среднее количество вокселей на случай (TP), ложноположительные (FP), ложноотрицательные (FN) и истинно отрицательные (TN) воксельные показатели. Этот разбор отличает чрезмерную сегментацию от ошибок недостаточно сегментации, давая представление о режимах направленных отказов.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Результаты

Централизованная 2D-модель UMamba (Стратегия 1) достигла конкурентоспособной производительности внутри области на внутреннем тестовом наборе BraTS2023-Men, с усредненным по случаям DSC 0,8958, IoU 0,8356, FN 1,902, FP 667, TN 8,902,814 и TP 22,616. При оценке на внешней когорте проверки SPHS централизованная модель дала DSC 0,7452 ± 0,1992 и IoU 0,6241 ± 0,1941, что соответствует межцентровому зазору обобщения ΔDSC = 0,1506 (Таблица 1, ID 1). В качестве дополнительной са...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Обсуждение

Основной вывод данного исследования заключается в том, что качество инициализации — а не сам протокол федеративной агрегации — является решающим фактором в преодолении межцентрового обобщения для сегментации менингиом, сохраняющей конфиденциальность. В то время как централизованная 2D-модель UMamba достигла высокой производительности в домене на когорте BraTS2023-Men (DSC = 0,8958), при оценке на независимом клиническом наборе SPHS она значительно снизилась (Δ DSC = 0,1506). Это снижение...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Раскрытие информации

У авторов нет конфликта интересов, которые можно было бы заявлять.

Благодарности

Эта работа была поддержана Национальным фондом естественных наук Китая (Грант 12405382), Комиссией по инновациям в науке и технологиях Шэньчжэня (Грант JCYJ20220530143602006), Шэньчжэньским фундаментальным исследовательским проектом (Фонд естественных наук) (Грант JCYJ20220530150416036) и Проектом социального обеспечения Департамента науки и технологий Внутренней Монголии (проект No 2026YFSH0155).

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
BraTS2023-Gli datasetASNR-MICCAI BraTS Challenge / Synapse (Sage Bionetworks)N/AПубличный набор МРТ-изображений глиом, используемый для инициализации с предварительной настройкой глиом. В данном исследовании было использовано 450 случаев в соответствии с формулировкой опухоль-против-фон. https://www.synapse.org/Synapse:syn51156910/wiki/622351
BraTS2023-Men datasetASNR-MICCAI BraTS Challenge / Synapse (Sage Bionetworks)N/AПубличный набор МРТ-изображений менингиомы, используемый в качестве исходной когорты для разработки модели и внутренней оценки. В данном исследовании было использовано 450 случаев. https://arxiv.org/abs/2305.07642
DeepBetАкадемическое программное обеспечение Fisch et al.N/AИнструмент для извлечения мозга, применяемый к T1-взвешенному изображению для создания маски мозга для когорты SPHS. https://arxiv.org/abs/2308.07003
MONAIПроект MONAIВерсия 1.3Фреймворк ИИ для медицинских исследований, используемый для загрузки данных и реализации рабочего процесса глубокого обучения. https://docs.nvidia.com/monai/index.html
NVIDIA GeForce RTX 3090 GPUNVIDIAGeForce RTX 3090Графический процессор с 24 ГБ памяти GDDR6X, используемый для обучения модели и вычислений. https://www.nvidia.com/en-me/geforce/graphics-cards/30-series/rtx-3090-3090ti/
PyTorchPyTorch Foundation, Linux FoundationВерсия 2.0.1Фреймворк глубокого обучения, используемый для реализации и обучения моделей сегментации UMamba 2D. https://pytorch.org/foundation/
PythonPython Software FoundationВерсия 3.10Программная среда, используемая для обучения моделей, предобработки, оценки и статистического анализа. Замените на точную версию Python, если известна. https://www.python.org/psf-landing/
Клиническая когорта SPHS-MenВторая городская больница ШэньчжэньN/AВнешняя клиническая мультимодальная МРТ-когорта, используемая для независимой оценки. Всего было включено 174 случая.
Реализация модели UMamba 2DBowang-lab / авторы U-MambaКонфигурация U-Mamba 2DАрхитектура сегментации на основе модели состояний, используемая для бинарной сегментации менингиомы. https://u-mamba.github.io/

Ссылки

  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).

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Перепечатки и разрешения

Запросить разрешение на повторное использование текста или иллюстраций этой статьи JoVE

Запросить разрешение

Теги

233233UMamba

Похожие статьи