基于联邦学习范式的胰腺部位分割
计算机视觉与模式识别
2025-09-30 v1 人工智能
摘要
我们提出了首个针对MRI胰腺部位（头、体、尾）分割的联邦学习方法，解决了一个临床关键挑战。由于胰腺疾病呈现显著的区域异质性——癌症主要发生在头部，而慢性胰腺炎导致尾部组织脱失，准确分割器官为头、体、尾三个区域对于精确诊断和治疗规划至关重要。由于形态可变、软组织对比度差以及患者间解剖差异，MRI中的胰腺部位分割尤为具有挑战性。我们的新方法解决了两个根本问题：首先是MRI胰腺部位描绘的技术复杂性，其次是阻碍先前方法的稀缺数据问题。我们引入一种隐私保护的联邦学习框架，使七家医疗机构可在不直接共享数据的情况下进行协作模型训练，利用包括711例T1加权和726例T2加权MRI扫描的多样化数据集。我们的关键创新包括：（1）系统评估了三种最先进的分割架构（U-Net、Attention U-Net、Swin UNETR）配合两种联邦学习算法（FedAvg、FedProx），发现Attention U-Net搭配FedAvg对于胰腺异质性最为优异，这是此前从未有人做过的；（2）提出一种基于解剖学的信息损失函数，优先考虑MRI中区域特定的纹理对比。全面评估表明，尽管在分布式异构数据集上训练，我们的方法仍实现了临床可接受的性能。
关键词
引用
@article{arxiv.2509.23562,
title = {Pancreas Part Segmentation under Federated Learning Paradigm},
author = {Ziliang Hong and Halil Ertugrul Aktas and Andrea Mia Bejar and Katherine Wu and Hongyi Pan and Gorkem Durak and Zheyuan Zhang and Sait Kayali and Temel Tirkes and Federica Proietto Salanitri and Concetto Spampinato and Michael Goggins and Tamas Gonda and Candice Bolan and Raj Keswani and Frank Miller and Michael Wallace and Ulas Bagci},
journal= {arXiv preprint arXiv:2509.23562},
year = {2025}
}