Araştırma makalesi

Glioma Önceden Eğitilmiş Federe Öğrenme Yoluyla Multi-modal MRI Meningioma Segmentasyonu için Çapraz Merkez Genelleştirmenin İyileştirilmesi

55 görüntüleme

⸱

DOI:

10.3791/72164

⸱

24 Temmuz 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

Bu makalede

Özet

Bu çalışma, Glioma önceden eğitilmiş federe öğrenmenin çok modlu MRI menenjiom segmentasyonunda dış genelleme üzerindeki etkisini araştırmaktadır

Özet

Çok modlu MRG'da otomatik menenjioma segmentasyonu, modeller kurumlar arasında aktarıldığında da zorluk olmaya devam eder; çünkü tarayıcı protokolleri, görüntü özellikleri ve notlama stilleri merkezler arasında farklılık gösterebilir. Federated learning (FL), çoklu merkezli model geliştirme için gizlilik koruyucu bir strateji sunar, ancak standart toplama, merkezler arası alan kaymasını tamamen aşamayabilir. Bu çalışma, MRI menenjioma segmentasyonundaki dış genelleme boşluğunu nicelikle ölçmeyi ve Glioma önceden eğitilmiş FL'nin merkezi veri havuzu olmadan dayanıklılığı artırıp artıramayacağını değerlendirmeyi amaçladı. Model girişleri olarak T1, T1c ve T2 MRI kullanılarak ikili meningioma segmentasyonu için UMamba 2D mimarisi kullanıldı. Protokol, kaynak alan menenjiom veri seti olarak 450 BraTS2023-Men vakasını ve dış doğrulama grubu olarak enstitümüzden 174 bağımsız klinik vakayı içeriyordu. Üç son meningioma segmentasyon stratejisi aynı dış doğrulama ortamında nicel olarak değerlendirildi: BraTS2023-Men üzerinde merkezi eğitim, üç simüle edilmiş danışıstan arasında menenjiom önceden eğitilmiş FL ve federasyon optimizasyondan önce BraTS2023-Gli kaynak modelinden başlatılan Glioma önceden eğitilmiş FL. Glioma üzerinde merkezi eğitim, yalnızca glioma önceden eğitilmiş başlatma oluşturulmasında kullanıldı ve bağımsız olarak değerlendirilen nihai menenjiom segmentasyon stratejisi olarak rapor edilmedi. Model performansı, zar benzerlik katsayısı (DSC) ve Birleşik Kesişimi (IoU) kullanılarak değerlendirildi. BraTS2023-Men üzerinde merkezi eğitim, dış genelleme düşüşü gösterdi; DSC, dahili BraTS2023-Men testinde 0.8958'den SPHS kohortunda 0.7452'ye düştü. Menenjioma önceden eğitilmiş FL daha düşük dış performans sağladı (DSC = 0.7122), oysa glioma önceden eğitilmiş FL BraTS2023-Men'de merkezi eğitimle karşılaştırılabilir performans elde etti ve menenjioma önceden eğitilmiş FL'ye göre daha iyi oldu (DSC = 0.7503; IoU = 0.6301; Holm-düzeltilmiş p < 0.001). Bu sonuçlar, glioma önceden eğitilmiş başlatmanın federe meningioma segmentasyonu için daha sağlam bir başlangıç noktası sağladığını ve kurumsal veri gizliliğini korurken dış genellemeyi iyileştirebileceğini göstermektedir.

Giriş

Menenjiomlar, yetişkinlerde en yaygın primer intrakranial neoplazmadır ve Amerika Birleşik Devletleri'ndeki tüm birincil beyin ve merkezi sinir sistemi tümörlerinin yaklaşık %38'inioluşturur 1. Meningotelyal (araknoid kapağı) hücrelerinden kaynaklanan bu hücreler, Dünya Sağlık Örgütü'nün (DSÖ) I–III derecelerini kapsar ve geniş bir klinik yelpazeyi kapsar: Grade I tümörler (yaklaşık %80) genellikle genel toplam rezeksiyon sonrası olumlu sonuçlar gösterirken, grade II (atipik olan) ve grade III (anaplastik) lezyonlarda sırasıyla %20–40 ve %70'in üzerinde önemli ölçüde daha yüksek nyöleme oranları gösterir,2, 3. Mikrocerrahi rezeksiyon, stereotaktik radyocerrahi (SRS), fraksiyonlu radyoterapi ve aktif gözetim dahil olmak üzere klinik karar alma süreçleri, uzunlamasına görüntüleme çalışmalarında tümör kapsamının doğru ve tekrarlanabilir hacimsel sınırına bağlıdır. Bu nedenle, manyetik rezonans görüntüleme (MR) ile menenjiomların sağlam segmentasyonu, tutarlı tedavi planlaması ve sonuç değerlendirmesi için ön koşuldur.

Çok ardışık MRG, rutin klinik uygulamada menenjiom karakterizasyonunun temelini oluşturur; her dizi tümör biyolojisi ve çevresindeki doku yanıtının tamamlayıcı yönlerini kodlar. Kontrastla güçlendirilmiş T1 ağırlıklı görüntüleme (T1c), gadolinyum kaynaklı T₁ gevşeme kısaltması yoluyla kan-beyin bariyerinin bozulma bölgelerini vurgular; böylece tümör parenximasının net görselleştirilmesini ve birincil lezyon sınırının tanımlanmasını sağlar. Kontrastsız T1 ağırlıklı görüntüleme (T1), araknoid arayüz, dural bağlanma ve bitişik kemik tutulmasının değerlendirilmesi için yapısal bağlam sağlar. T2 ağırlıklı görüntüleme (T2), kütle etkisini anlamak ve radyocerrahi planlamada tedavi hacimlerini belirlemek için hayati öneme sahip tümör içi heterojenliği ve peritümörlüödemi yakalar 3,4. Meningioma belirleme için manuel konturlama standart yaklaşım olarak kalır. Bu süreçte, klinisyenler genellikle tümör kapsamını tanımlamak için birden fazla MRI dizisinde tamamlayıcı kontrast bilgisini dikkate alır. Ancak, bu işlem zaman alıcıdır ve özellikle dural kuyruk gibi anatomik olarak belirsiz bölgelerde, bildirilen uyum metriklerinin 0.80 5,6'nın altına düştüğü yerlerde, önemli gözlemciler arası değişkenlikle ilişkilidir. Bu sınırlamalar, tutarlı ve ölçeklenebilir performans sunan otomatik segmentasyon yaklaşımlarının geliştirilmesini teşvik eder.

Derin öğrenme, BraTS7 gibi kıyaslama veri setleri ve U-Net8 ile nnU-Net9 gibi konvolüsyon modeller, UNETR ve Swin-UNETR10,11 gibi Transformer tabanlı modeller ile UMamba12 gibi durum uzayı modeli (SSM) tabanlı yaklaşımlar dahil olmak üzere birden fazla mimari paradigmanın ortaya çıkmasıyla tıbbi görüntü segmentasyonunu önemli ölçüde geliştirmiştir. Son çalışmalar, açıklanabilir dikkat odaklı Swin Transformer ağlarını ve 3D beyin tümörü segmentasyonu için küresel-yerel Vision Transformator/eksenel durum uzayıtasarımlarını daha da incelemiş olup, transformatör ve durum uzayı tabanlı segmentasyon boru hatlarının devam eden gelişimini vurgulamaktadır. Güçlü kıyaslama performansına rağmen, menenjioma özgü çalışmalar tarihsel olarak nispeten küçük kohort büyüklükleriyle (genellikle 50–200 vaka) sınırlı olmuştur.15,16. 1.000'den fazla vaka içeren BraTS 2023 menenjiomaveri seti 17'nin yayımlanması bu sınırlamayı kısmen hafifletmektedir; ancak çoğu model hâlâ seçilmiş veri setleri içinde eğitilip değerlendirilir ve bağımsız klinik verilere uygulandığında performansları sıklıkla düşer. Bu, temel bir konuyu ortaya koyuyor: sağlam çapraz merkez genellemesi için çeşitli çok merkezli verilere maruz kalma gereklidir.

Pratikte, büyük ölçekli çok merkezli veri setlerinin toplanması, veri gizliliği düzenlemeleri ve kurumsal politikalarla sınırlandırılır; bu da merkezi eğitimi zorlaştırır veya mümkün değildir. Federated learning (FL), her kurumun yerel olarak eğitim verdiği ve toplu bir model güncellemesi yoluyla küresel modele entegre ettiği da ham veri paylaşmadan işbirlikçi model eğitimi imkanı sağlayarak bu kısıtlamayı ele alır; örneğin Federated Average (FedAvg)19'da. İlgili çalışmalar ayrıca, gizliliği koruyan FL'yi pediatrik serebral palside genişletilmiş gerçeklik20 kullanarak insan niyetli modellemeye genişletilmiş ve kırsal ortamlarda çevrimdışı tümör segmentasyonu için sanal gerçeklik görselleştirme ile hafif derin öğrenmeönerilmiştir 21; bu, konuşlandırılabilir ve gizlilik farkında tıbbi yapay zeka iş akışlarına olan daha geniş ihtiyacı yansıtmaktadır. FL çok merkezli öğrenme için pratik bir çerçeve sunarken, yeni bir zorluk ortaya çıkarır: her katılımcı sitenin genellikle sınırlı bir yerel veri seti vardır ve toplamadan önce bağımsız yerel eğitim, özellikle yerel veri dağıtımları ayrıldığında optimal olmayan yerel güncellemelere ve küresel performansın düşmesine yol açabilir—bu sorun istemcikayması 22 olarak bilinir. Doğal bir tamamlayıcı strateji, ilgili bir kaynak veri setinden öğrenilen bilgikullanarak modeli başlatmaktır 23. Beyin tümörü görüntülemesinde, glioma kısmen paylaşılan görüntüleme özellikleri ve tümör bağlamı özellikleriyle yakından ilişkili bir kaynak görevi oluşturur; bu da ön eğitim için pratik bir kaynak alanı haline gelir. Menenjiom ve gliomlar biyolojik özellikler ve görüntüleme görünümü açısından farklılık gösterse de, ortak görüntüleme yöntemleri ve anatomik bağlamı paylaşırlar; bu da aktarılabilir düşük ve orta seviye temsillerin öğrenilmesinisağlar 3. Önceki çalışmalar, böyle çapraz tümör ön eğitimin, veri sınırlı ortamlarda performansı artırabileceğinigöstermiştir 23. Bu gelişmelere rağmen, FL'nin menenjiom segmentasyonu için gerçekçi çok merkezli koşullarda nasıl performans gösterdiği ve glioma ön eğitiminin her bölgenin sınırlı veri olduğu durumlarda federe eğitimi geliştirip iyileştiremeyeceği belirsizdir. Sadece FL'nin Glioma önceden eğitilmiş FL'ye kıyasla göreceli faydaları dış klinik doğrulama kapsamında değerlendirilmemiştir.

Bu boşluğu gidermek için, bu çalışma SPHS'den bağımsız bir dış kohort kullanılarak kontrollü bir karşılaştırma yapmaktadır. Özellikle, üç soruyu inceliyoruz: (i) kıyaslama verileri ile harici klinik veriler arasında çapraz genelleştirme farkının büyüklüğü; (ii) FL'nin sınırlı yerel veri koşullarında bu boşluğu azaltıp azaltamayacağı; ve (iii) Glioma önceden eğitilmiş FL (glioma -> meningioma) hem merkezi eğitim hem de standart federasyon yaklaşımlarına göre ek performans artışı sağlayıp sağlamadığı.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

Bu çalışma retrospektif bir klinik çalışmaydı. Çalışma protokolü, SPHS klinik veri setinin toplanması ve kullanımı için Shenzhen İkinci Halk Hastanesi Etik Komitesi tarafından incelenip onaylandı; onay numarası 20190910. Bu çalışmaya kayıt öncesinde SPHS kohortunda yer alan tüm hastalardan yazılı bilgilendirilmiş onay alındı.

Hasta verileri

Bu çalışmada üç veri seti kullanıldı: BraTS2023-Men, BraTS2023-Gli ve SPHS'den (SPHS-Men) harici bir klinik kohort. Özellikleri aşağıda özetlenmiştir.

BraTS2023-Men

BraTS2023-Men, BraTS 2023 benchmark 24,25'in meningioma pistidir. Bu çalışma için, model geliştirme ve iç değerlendirme için kaynak kohort olarak 450 BraTS2023-erkek vakası kullanıldı. Tüm görüntüler eşit şekilde önceden işlendi; kafatası soyulması, modaliteler arasında ortak kayıt ve izotropik yeniden örnekleme 1×1×1 mm 3'e kadar kullanıldı. Her vaka, üç kategoride voksel bazında açıklamalar içeren dört MRI dizisi (T1, T1c, T2, FLAIR) içerir: geliştirici tümör çekirdeği (etiket 1), peritümörsel ödem (etiket 2) ve güçlendirici tümör (etiket 3). Bu çalışmada kullanılan klinik tümör tanımıyla tutarlılık için, 1 ve 3 etiketleri tek bir tümör sınıfına birleştirildi ve etiket 2 (ödem) hariç tutularak ikili segmentasyon hedefi ortaya çıktı.

BraTS2023-GLI

BraTS2023-Gli, BraTS kıyaslasının glioma izidir ve yerleşik BraTS çok modal MRI konvansiyonları venotasyon çerçevesi 7,24,26,27'yi devralır. Bu çalışmada, Glioma üzerinde merkezi eğitim 450 BraTS2023-Gli vakası kullanılarak gerçekleştirildi; böylece Glioma önceden eğitilmiş FL için kaynak model sağlandı ve daha sonra menenjioma görevi için kullanılan ikili tümör-arka plan formülasyonu kullanıldı. Bu grubun dahil edilmesinin amacı, BraTS2023-Men ile karşılaştırıldığında örnek büyüklüğünü artırmak değil, görevle ilgili beyin tümörü kaynak alanının sonraki federasyon adaptasyonu için daha aktarılabilir bir başlangılcım sağlayıp sağlamayacağını test etmekti.

SPHS-Men

SPHS-Men, Shenzhen İkinci Halk Hastanesi'nden kurumsal inceleme kurulu onayı kapsamında toplanan harici bir klinik veri setidir. Toplamda 174 vaka dış değerlendirme için dahil edildi. BraTS'in aksine, veriler standart ön işleme olmadan rutin klinik protokollerle elde edildi; bu da voxel aralığı, dilim kalınlığı, görüş alanı ve tarayıcıya bağlı yeniden yapılandırma parametrelerinde değişkenlik yarattı. Açıklamalar başlangıçta iki etiketle sunulmuştu: tümör kütlesi ve ödem/peritümörsel değişim. Bu çalışmada kullanılan BraTS kaynaklı tümör tanımıyla uyumlu olmak için yalnızca tümör kütlesi korundu ve ödem hariç tutuldu. Tüm SPHS vakaları, MRI alımı ve ön işleme bölümlerinde tanımlandığı gibi, dış değerlendirmeden önce uyumlaştırma odaklı bir boru hattıyla işlenmiştir. Ön işlemeden sonra, r uzamsal koordinatındaki her voxel, T1c, T1n ve T2 yoğunluklarından oluşan üç kanallı bir girdi ile temsil edilir,
figure-protocol-1

ve segmentasyon görevi, tümör ile arka plan arasındaki ikili sınıflandırma Y(r) olarak tanımlanır ∈ 0,1. Veri setleri arasındaki temsil örnekler ve niteliksel farklılıklar Şekil 1'de gösterilmiştir.

figure-protocol-2
Şekil 1. Temsil etki çapraz veri kümesi karşılaştırması. Üst sıra: SPHS-Erkekler; orta: BraTS2023-Erkekler; altta: BraTS2023-Gli. Sütunlarda tümör maskesi, T1, T1c ve T2 gösteriliyor. Lezyon boyutu, geliştirme deseni ve sınır tanımındaki niteliksel farklılıklar, bu çalışmada karşılaşılan bileşik görüntüleme ve notasyon değişimlerini yansıtmaktadır. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

MRI edinimi ve ön işleme

Tüm BraTS verileri, önceden standartlaştırılmış ön işleme ile dağıtıldı; bunlar kafatası soyulması, ortak kayıt ve izotropik örnekleme dahil edildi. SPHS grubu için, ham DICOM görüntüleri ilk olarak NIfTIformatı 28'e dönüştürüldü. Multimodal görüntüler, karşılıklı bilgi tabanlıhizalama 29 kullanılarak yerel T1 uzayına katı bir şekilde kaydedildi. Kafatası soyulması, beyin MRI segmentasyonu için gerekli bir ön işleme adımı olduğundan, beyin çıkarımı model eğitiminden önce açıkça gerçekleştirilmiştir. Özellikle, DeepBet T1 ağırlıklı görüntüye uygulanarak bir beyinmaskesi 30 oluşturuldu ve ortaya çıkan maske, tüm modalitelerde beyin dışı dokuyu tutarlı şekilde çıkarmak için birlikte kayıtlı T1c ve T2 hacimlerine yayıldı. Kafatası soyulmuş görüntüler daha sonra 1 x 1 x 1 mm3 izotropik çözünürlükte yeniden örneklendi. İkili tümör maskeleri, yeniden örnekleme sırasında ortaya çıkan interpolasyon artefaktlarını bastırmak için morfolojik kapanma ve açma işlemleriyle nihayet geliştirildi. Bu uyumlaştırma adımları, harici testler için veri kümeleri arası giriş tutarlılığını artırmak amacıyla kullanıldı, ancak SPHS kohortunun temel tarayıcı, protokol veya annotasyon seviyesi farklılıklarını ortadan kaldırmak amaçlanmamıştır.

Çalışma tasarımı

Model mimarisi

Şekil 2'de gösterildiği gibi, UMamba 2D mimarisi, kalıntı konvolüsyon sinir ağı modüllerini Mamba seçici durum uzayı modeli (SSM)blokları 12,31 ile entegre eder. Bu hibrit tasarım, yerel doku özelliklerinin konvolüsyonlar yoluyla eşzamanlı çıkarılmasını ve SSM'ler aracılığıyla uzun menzilli küresel yapısal bağlamı sağlar; mekânsal konum sayısına göre doğrusal hesaplama maliyeti sağlar.

figure-protocol-3
Şekil 2. UMamba 2D mimarisi. Kodlayıcı, yerel doku ve sınır özelliği çıkarımı için kalıcı konvolüsyon blokları uzun menzilli bağlam modellemesi için Mamba seçici SSM modülleriyle entegre eder. Bu bileşenler, transpoze konvolüsyonlu kod çözücüye atlama bağlantıları aracılığıyla bağlanır. Ağ girişi, T1, T1c ve T2 modalitelerini içeren üç kanallı çok modal bir MRI diliminden oluşur. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Kodlayıcı

C = 3 giriş kanallarına sahip çok modlu MRI dilimleri, hiyerarşik bir kodlayıcı tarafından işlenir. Her aşama s ∈ 1,..., S'de, giriş özellik haritası önce kalıntı bir konvolüsyon blok tarafından işlenir ve lokalize uzamsal desenler çıkarılır. Özellik haritası daha sonra tek boyutlu bir diziye düzleştirilir ve uzun vadeli bağlamsal bağımlılıkları yakalamak için seçici bir SSM modülü tarafından işlenir. Mekânsal aşağı örnekleme, stride-2 konvolüsyonları kullanılarak yapılır; kanal boyutları C_s ∈ 32, 64, 128, 256, 512 artan R^C_s × H/2^s F_s ∈× hiyerarşik özellik temsilleri kademeli olarak oluşturulur.

Mamba seçici SSM

Seçici SSM, x ∈ R^L × d tek boyutlu bir dizide çalışır. İki boyutlu özellik haritalarının standart tek boyutlu düzleştirmesi sırasında uzamsal bitişiklik bozulduğundan, çok yönlü tarama stratejisi kullanılır: özellik haritaları dört yön boyunca (satır ileri, sıra geri, sütun ileri ve sütun geri) taranarak hem satır hem de sütun yönlerinde mekânsal bağlam korunur. Sürekli zamanlı SSM şu şekilde tanımlanır:
figure-protocol-4    

figure-protocol-5

burada A ∈ R^N × N, HiPPO (Gizli Polinom Projeksiyon Operatörü)çerçevesi 31 ile başlatılan öğrenilebilir durum geçiş matrisini gösterir. B(t) ve C(t) projeksiyon matrisleri girdiye bağımlıdır; bu da modelin alakasız tokenları dinamik olarak filtrelemesini ve önemli bağlamsal bilgileri tutmasını sağlayan seçici bir mekanizma oluşturur. Sürekli sistem, sıfır mertebeli tutma (ZOH) dönüşümü ile bir zaman adımı Δ kullanılarak ayrıştırılır:

figure-protocol-6

figure-protocol-7

figure-protocol-8

figure-protocol-9

Her ayrık adım k'da, B, C ve Δ parametreleri, giriş belirteçleri xk'nın doğrusal projeksiyonları olarak hesaplanır ve böylece girdiye bağlı özellik yayılımı sağlanır. HiPPO başlatma, özdeğerlerin |λj(barA)| < 1, gizli durum temsillerini ‖hk‖ isteğe bağlı uzun uzaysal dizileri arasında sınırlı tutar.

Dekoder ve atlama bağlantıları

Kodlayıcı, kodlanmış temsillerden orijinal mekansal çözünürlüğü yeniden oluşturur. Her aşamada, transpozize konvolüsyonlar düşük çözünürlüklü özellik haritalarını yukarı örnekler. Atlama bağlantıları, çok ölçekli kodlayıcı özelliklerini, ilgili yukarı örneklenmiş kodlayıcı özellikleriyle F_s birleştirir, böylece hassas voxel düzeyinde tümör belirlemesi için gerekli olan yüksek frekanslı sınır bilgisini korur.

Eğitim kaybı

Model optimizasyonu, bileşik kayıp fonksiyonu tarafından yönlendirilir:
figure-protocol-10

burada p_θ(r) ∈ [0,1] voxel r'de öngörülen tümör olasılığıdır, Y(r) karşılık gelen ikili zemin-doğruluk etiketidir ve λ = 1.0 iki terimi dengeler. Zar kaybı, hedef değerlendirme metrikini doğrudan optimize eder ve meningioma segmentasyonunun doğasında olduğu aşırı ön plan-arka plan dengesizliğini ele alır; burada tümör vokselleri genellikle toplam intrakraniyal hacmin %0,5'inden azını oluşturur. İkili çapraz entropi (BCE) terimi, voxel başına denetim sağlar ve bu dengesiz ortamda eğitimi stabilize eder.

Eğitim konfigürasyonu

Tüm segmentasyon modelleri AdamW kullanılarak optimize edildi; başlangıç öğrenme oranı η₀ = 3 × 10⁻4, kosinüs tavlama programı ve ağırlık düşüşü 5 × 10⁻4 oldu. Merkezi temel modeller, 16 parti boyutuyla 450 kasa BraTS2023 kohortlarında 200 dönem için eğitildi. Federatif ortamda belirsizlikten kaçınmak için, bu makale boyunca şu terimi kullanıyoruz: iletişim turu , sunucu yayını, yerel istemci optimizasyonu ve sunucu toplamasından oluşan tam bir FL döngüsünü ifade eder; Mini toplu yineleme , bir mini-batch üzerinde bir parametre güncellemesini gösterir; ve her istemcinin bir turda gerçekleştirdiği yerel optimizasyon 250 mini toplu yinelemeden oluşuyordu. Başka bir deyişle, her istemci her tur için bir yerel eğitim aşaması gerçekleştirdi ve o yerel aşama 250 parametre güncelleme yinelemesi içeriyordu. Dolayısıyla, bu çalışmadaki 'round' (r = 3) terimi yalnızca FL iletişimini ifade eder, tüm merkezi veri seti boyunca bir dönemi değil . Çevrimiçi veri artırma boru hattı, rastgele yatay ve dikey çevirme (p=0.5 eksen başına), rastgele düzlem içi dönüş (±15^circ), rastgele yoğunluk ölçeklendirmesi ([0.85, 1.15]'ten eşit örneklenen faktör) ve iki boyutlu dilim başına hesaplanan toplam Gauss gürültüsü (sigma ∼ U[0,05]) dahil olmak üzere eşit şekilde uygulandı. Tüm artırma çıkarım ve doğrulama sırasında devre dışı bırakıldı. Çerçeve, veri yüklemesi için MONAI 1.3 ile PyTorch 2.0.1'de uygulandı ve tüm hesaplamalar NVIDIA GeForce RTX 3090 (24 GB GDDR6X) grafik işlem birimleri (GPU'lar) üzerinde gerçekleştirildi. Tekrarlanabilirlik, PyTorch, NumPy ve Python rastgele modülündeki tüm rastgele tohumların tüm stratejiler için aynı değerlere sabitlenmesiyle sağlandı.

Deneysel stratejiler

Çapraz merkez genellemesi değerlendirmek için üç ana eğitim stratejisi karşılaştırıldı (Şekil 3). Meningioma-önceden eğitilmiş FL ve Glioma-önceden eğitilmiş FL etiketleri, bu el yazmasında federasyon adaptasyonundan önceki ilk küresel modelin kaynağını ayırt etmek için tanıtılan tanımlayıcı isimlerdir.

figure-protocol-11
Şekil 3. Deneysel tasarım genel bakışı. (A) 450 BraTS2023-Men vakası kullanılarak merkezi eğitim, ardından SPHS üzerinde dış değerlendirme. (B) Menenjioma önceden eğitilmiş FL, üç simüle edilmiş istemci arasında. (C) Glioma önceden eğitilmiş FL, federasyon adaptasyonundan önce merkezi glioma modelinden başlatılmıştır. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Strateji 1 (Merkezi eğitim)

Tek bir UMamba 2D modeli, tüm 450 BraTS2023-Men kasasında eğitildi. Bu strateji, alan içi performansın üst sınırını temsil eder ve çapraz merkez bozulmasının değerlendirilmesi için temel oluşturur.

Strateji 2 (MEN alan başlangıltısıyla FL)

450 BraTS2023-Men vakası rastgele olarak üç danışanlara (|Di| = 150) eşit bölünme için. Bu nedenle, üç BraTS2023-Men müşterisi, kuruma özgü meta veriler veya tarayıcı köken etiketleri kullanılarak oluşturulmak yerine aynı kamu grubundan simüle edildi. Meningioma alanında federe eğitimi başlatmak için, ilk küresel model önce sabit bir BraTS2023-Men istemci bölünmesinde (bu uygulamada istemci 1) eğitildi ve ardından federasyon prosedürünü başlatmak için kullanıldı. Bu tohum istemcisi, tekrarlanabilirlik için deneyler arasında sabit tutuldu ve optimize edilmiş veya ayrıcalıklı bir kaynak istemcisi yerine alan içi sıcak bir başlangıç olarak yorumlanmalıdır. Üç istemci aynı BraTS2023-Men kohortunun bölünmesiyle simüle edildiğinden, bu başlatma seçeneği biyolojik olarak farklı bir kurumsal öncelikten ziyade uygulama düzeyinde bir başlangıç noktasını yansıtır. Bu tasarımın amacı, gerçek bir çok kurumlu fırlatma sürecini tam olarak taklit etmek değil, mevcut tüm MEN verilerinde merkezi eğitim ile kısmi menenjiom önceden eğitilmiş bir FL'den başlayan federasyon işbirliği arasında kontrollü bir karşılaştırma sağlamaktı. Küresel federasyon optimizasyon amacı şu şekilde tanımlanır:
figure-protocol-12

burada Di , i yerel eğitim kümesi i ve ell ise zar + çapraz entropi kaybıdır. İletişim tur 1'de, toplama ağırlıkları örnek sayısına orantılıydı (wi(1) = 1/3). Sonraki iletişim turlarında düşük performans gösteren müşterileri küçümsemek için 2. ve 3. turlar doğrulama zar ağırlıklı toplama kullanıldı:
figure-protocol-13
burada DSCi(r), iletişim turu r ile yerel eğitimden sonra istemci i'nin yerel doğrulama bölümünde vaka ortalaması alınmış DSC'dir ve ε = 10⁻6 , sıfıra bölünmeyi önlemek için küçük bir sabittir.

Strateji 3 (glioma önceden eğitilmiş başlatma ile FL)

Görevle ilgili alanlar arası sıcak başlangıç elde etmek için, Glioma üzerinde merkezi eğitim ilk olarak aynı üç MRI modalitesi (T1, T1c ve T2) ve meningioma deneylerinde benimsenen aynı ikili tümör-arka plan formülasyonu ile 450 BraTS2023-Gli vakası kullanılarak gerçekleştirildi.

Özellikle, glioma etiketleri, güçlendirmeyen tümör çekirdeği ve güçlendirici tümör tek bir ön plan sınıfında birleştirilerek uyumlandırıldı; peritümörsel ödem hariç tutuldu; böylece kaynak ve hedef görevler aynı ikili çıktı tanımını paylaştı. Hem kaynak hem de hedef görevler ikili segmentasyon olarak formüle edildiğinden, önceden eğitilen ağırlıklar doğrudan aktarıldı; böylece nihai katman atılıb yeniden başlatılmadı, tam UMamba 2D modeli, segmentasyon başı dahil, başlatıldı. Aynı FedAvg protokolü daha sonra uygulandı ve ilk küresel model, Glioma ağırlıkları üzerinde birleşen Merkezi eğitim ile başlatıldı (θ⁽°⁾ = θ_Gli^*). Sonraki federe uyarlama şöyle şekilde verilir:
figure-protocol-14

burada Δθ(r), r iletişim turları boyunca birikmiş alan spesifik parametre güncellemelerini temsil eder. Bu strateji, Glioma önceden eğitilmiş FL kaynak modelinin menenjiom hastalarında federe adaptasyon için daha iyi bir başlangıç noktası olup olmadığını test eder.

Değerlendirme metrikleri

Tüm stratejiler, SPHS kohortunda vaka ortalamalı bir protokol kullanılarak değerlendirildi. DSC ve IoU, vaka başına bağımsız olarak hesaplandı ve ortalamaları alındı; böylece tümör hacmi ne olursa olsun tüm deneklerde eşit istatistiksel ağırlık sağlandı:
figure-protocol-15
 figure-protocol-16

Vaka başına ortalama gerçek pozitif (TP), yanlış pozitif (FP), yanlış negatif (FN) ve gerçek negatif (TN) voxel sayılarını içeren vaka ortalamalı hata bileşimleri de rapor edildi. Bu ayrım, aşırı segmentasyonu alt segmentasyon hatalarından ayırır ve yönsel arıza modlarına dair içgörü sağlar.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

Merkezi UMamba 2D modeli (Strateji 1), BraTS2023-Men dahili test setinde rekabetçi alan içi performans sağladı; vaka ortalamalı DSC 0.8958, IoU 0.8356, FN 1.902, FP 667, TN 8.902.814 ve TP 22.616 oldu. SPHS harici doğrulama kohortu üzerinde değerlendirildiğinde, merkezi model 0.7452 ± 0.1992 DSC ve 0.6241 ± 0.1941 IoU vermiştir; bu da ΔDSC = 0.1506 ortalar arası genelleştirme boşluğuna karşılık gelir (Tablo 1, ID 1). Ek olarak kendi kendini yapılandırma temeli olarak, nn...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

Bu çalışmanın temel bulgusu, girişme kalitesinin—federasyon toplama protokolü değil—mahremiyeti koruyan menenjiom segmentasyonu için çapraz merkez genelleme boşluğunu kapatmada belirleyici faktör olduğudur. Merkezi UMamba 2D modeli, BraTS2023-Men kohortunda (DSC = 0.8958) güçlü alan içi performans sağlamış olsa da, bağımsız SPHS klinik veri setinde (Δ DSC = 0.1506) değerlendirildiğinde önemli bir bozulma yaşadı. Bu performans düşüşü, kürenmiş ölçütlerde eğitilmiş modellerin bileşik alan ...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

Yazarların beyan edecek çıkar çatışmaları yoktur.

Teşekkürler

Bu çalışma, Çin Ulusal Doğa Bilimleri Vakfı (Hibe 12405382), Shenzhen Bilim ve Teknoloji İnovasyon Komisyonu (Hibe JCYJ20220530143602006), Shenzhen Temel Araştırma Projesi (Doğa Bilimleri Vakfı) (Hibe JCYJ20220530150416036) ve İç Moğolistan Bilim ve Teknoloji Departmanı Sosyal Refah Projesi (Proje No. 2026YFSH0155) tarafından desteklenmiştir.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
BraTS2023-Gli datasetASNR-MICCAI BraTS Challenge / Synapse (Sage Bionetworks)N/AGlioma-pretrained başlangıç için kullanılan genel glioma MRI veri seti. Bu çalışmada, ikili tümör-arka plan formülasyonu altında 450 vaka kullanılmıştır. https://www.synapse.org/Synapse:syn51156910/wiki/622351
BraTS2023-Men datasetASNR-MICCAI BraTS Challenge / Synapse (Sage Bionetworks)N/AModel geliştirme ve iç değerlendirme için kaynak kohor olarak kullanılan genel meningioma MRI veri seti. Bu çalışmada 450 vaka kullanılmıştır. https://arxiv.org/abs/2305.07642
DeepBetFisch ve ark. tarafından geliştirilen akademik yazılımN/ASPHS kohortu için beyin maskesi oluşturmak üzere T1 ağırlıklı görüntüye uygulanan beyin çıkarma aracı. https://arxiv.org/abs/2308.07003
MONAIProject MONAISürüm 1.3Veri yükleme ve derin öğrenme iş akışı uygulaması için kullanılan tıbbi görüntüleme yapay zeka çerçevesi. https://docs.nvidia.com/monai/index.html
NVIDIA GeForce RTX 3090 GPUNVIDIAGeForce RTX 3090Model eğitimi ve hesaplama için kullanılan 24 GB GDDR6X belleğe sahip grafik işleme birimi. https://www.nvidia.com/en-me/geforce/graphics-cards/30-series/rtx-3090-3090ti/
PyTorchPyTorch Foundation, Linux FoundationSürüm 2.0.1UMamba 2D segmentasyon modellerini uygulamak ve eğitmek için kullanılan derin öğrenme çerçevesi. https://pytorch.org/foundation/
PythonPython Software FoundationSürüm 3.10Model eğitimi, ön işleme, değerlendirme ve istatistiksel analiz için kullanılan programlama ortamı. Biliniyorsa tam Python sürümü ile değiştirin. https://www.python.org/psf-landing/
SPHS-Men klinik kohortuShenzhen İkinci Halk HastanesiN/ABağımsız değerlendirme için kullanılan bağımsız çok modal MRI klinik kohortu. Toplam 174 vaka dahil edilmiştir.
UMamba 2D model uygulamasıBowang-lab / U-Mamba yazarlarıU-Mamba 2D konfigürasyonuİkili meningioma segmentasyonu için kullanılan durum uzay modeli tabanlı segmentasyon mimarisi. https://u-mamba.github.io/

Kaynaklar

  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).

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Bu JoVE makalesinin metnini veya şekillerini yeniden kullanmak için izin iste

İzin iste

Etiketler

T pSay 233Say 233Bo De erSayUMambatransfer renimid do rulamadurum uzay modelialan kaymas

İlgili makaleler