Esta página ha sido traducida por una máquina. Otras páginas pueden seguir apareciendo en inglés. View in English

Codificadores federados específicos de la modalidad y descodificadores de fusión parcialmente personalizados para la segmentación multimodal de tumores cerebrales

Hong Liu ¹, Dong Wei ², Qian Dai ³

⁰National Institute for Data Science in Health and Medicine, Xiamen University, Xiamen, 361005, Fujian, China; Tencent Jarvis Lab, Tencent, Shenzhen, 518075, Guangdong, China.

Medical Image Analysis +

|

27 de agosto de 2025

Ver abstracta en PubMed

Resumen

Este estudio presenta FedMEPD, un marco de aprendizaje federado (FL) para imágenes médicas multimodales. Maneja eficazmente las modalidades de datos que faltan y permite modelos personalizados, superando los métodos existentes.

Área De La Ciencia

Inteligencia artificial
Imágenes médicas
Aprendizaje automático

Sus Antecedentes

Los métodos de aprendizaje federado (FL) existentes a menudo fallan con las imágenes médicas multimodales debido a la falta de modalidades de datos entre los participantes.
La heterogeneidad intermodal y la necesidad de modelos personalizados presentan desafíos significativos en el análisis colaborativo de imágenes médicas.

Objetivo Del Estudio

Proponer un nuevo marco de aprendizaje federado, FedMEPD, que aborde tanto la heterogeneidad intermodal como la personalización en el análisis multimodal de imágenes médicas.
Desarrollar un sistema capaz de entrenar un modelo global incluso cuando los participantes tienen modalidades de imagen incompletas.

Principales Métodos

FedMEPD utiliza codificadores específicos de la modalidad y descodificadores de fusión multimodal parcialmente personalizados.
Un servidor central con datos modales completos fusiona las representaciones, mientras que los clientes con modalidades incompletas utilizan la atención cruzada para alinearse con los anclajes globales.
La personalización se logra mediante el ajuste dinámico de los filtros de decodificación basados en las discrepancias de actualización de parámetros.

Principales Resultados

FedMEPD demostró un rendimiento superior en los puntos de referencia de segmentación de tumores cerebrales multimodal de BraTS 2018 y 2020.
El marco manejó eficazmente la heterogeneidad intermodal, superando a los métodos FL multimodales y personalizados existentes.
Los componentes de diseño novedosos de FedMEPD fueron validados como eficaces para mejorar el entrenamiento y el rendimiento del modelo.

Conclusiones

FedMEPD ofrece una solución robusta para el aprendizaje federado en imágenes médicas multimodales, adaptándose a la heterogeneidad de los datos.
El enfoque propuesto equilibra con éxito la necesidad de un modelo global con ideas personalizadas para los participantes individuales.
Este marco avanza en la aplicabilidad del aprendizaje federado a escenarios complejos de imágenes médicas del mundo real.

Palabras clave:

Segmentación del tumor cerebral Heterogeneidad intermodal Análisis multimodal de imágenes médicas Aprendizaje federado personalizado

Videos de Conceptos Relacionados

Brain Imaging

Brain imaging technologies provide critical insights into both the structure and function of the human brain, enabling medical professionals and researchers to diagnose, study, and treat neurological disorders or psychiatric disorders more effectively.
These technologies include computerized axial tomography (CAT or CT scans), positron-emission tomography (PET scans), magnetic resonance imaging (MRI), functional magnetic resonance imaging (fMRI), and Transcranial Magnetic...