ASCHOPLEX 遇见 Dafne：面向染色体丘脑自动分割通用性的联邦连续学习项目
图像与视频处理
2025-12-25 v1
摘要
染色体丘脑 (ChP) 是一种高度血管化的脑结构，参与多种生理过程。ASCHOPLEX 是一个基于深度学习的分割工具箱，集成了精细调优阶段，可在非增强 T1 加权 MRI 扫描上提供准确的 ChP 分割；然而，其性能受到数据集间变异性的制约。本研究引入了首个针对 3D T1 加权脑 MRI 的染色体丘脑自动分割的联邦增量学习方法，通过将增强版 ASCHOPLEX 集成至 Dafne (Deep Anatomical Federated Network) 框架中实现。开展对比评估，以评估 Dafne 通过联邦增量学习是否相对于独立 ASCHOPLEX 采用的常规微调策略，提高了模型在异构扫描条件下的通用性。实验队列包括 2,284 名受试者（包括多发性硬化患者及健康对照），来自五个独立 MRI 数据集。结果表明，微调策略在均质数据（如相同 MRI 序列、相同患者队列）上表现高效，但在数据变异性大（如多种 MRI 序列、多个及新建患者队列）时通用性有限。相比之下，ASCHOPLEX 的联邦增量学习变体作为稳健的替代方案，始终在多样化获取环境下实现更高的通用性和更稳定的性能。
引用
@article{arxiv.2512.20741,
title = {ASCHOPLEX encounters Dafne: a federated continuous learning project for the generalizability of the Choroid Plexus automatic segmentation},
author = {Valentina Visani and Marco Pinamonti and Valentina Sammassimo and Manuela Moretto and Mattia Veronese and Agnese Tamanti and Francesca Benedetta Pizzini and Massimiliano Calabrese and Marco Castellaro and Francesco Santini},
journal= {arXiv preprint arXiv:2512.20741},
year = {2025}
}