TwinSegNet：基于数字孪生的脑肿瘤分析联邦学习框架
计算机视觉与模式识别
2025-12-22 v1 机器学习
摘要
脑肿瘤分段是脑肿瘤诊断和治疗规划中的关键环节。然而，当前的深度学习方法依赖集中数据收集，这引发了隐私顾虑并限制了在不同机构之间的泛化能力。本文提出 TwinSegNet，这是一个集成混合 ViT-UNet 模型于个人化数字孪生（digital twin）的隐私保护联邦学习框架，用于实现准确且实时的脑肿瘤分段。我们的架构将卷积编码器与 Vision Transformer 瓶颈结合，以捕获局部和全局语境。每个机构都在私有数据上微调全局模型以形成其数字孪生。在包括 BraTS 2019-2021 以及定制肿瘤收藏在内的九个异构 MRI 数据集上评估，TwinSegNet 取得了最高达 0.90 的 Dice 系数，敏感性/特异性超过 90%，在非独立同分布（non-IID）客户端分布下表现出色。与集中模型如 TumorVisNet 的比较结果凸显了 TwinSegNet 在不牺牲性能方面有效保留隐私的能力。我们的ethods 使可扩展、面向多机构临床环境的个性化分段成为可能，同时遵守严格的数据保密要求。
引用
@article{arxiv.2512.17488,
title = {TwinSegNet: A Digital Twin-Enabled Federated Learning Framework for Brain Tumor Analysis},
author = {Almustapha A. Wakili and Adamu Hussaini and Abubakar A. Musa and Woosub Jung and Wei Yu},
journal= {arXiv preprint arXiv:2512.17488},
year = {2025}
}
备注
IEEE Virtual Conference on Communications. 4-6 November 2025