FedSynthCT-Brain:一个联合的学习框架,用于多机构的大脑MRI-to-CT合成

科学领域:

• 医疗成像医学成像
• 辐射疗法 辐射疗法
• 机器学习 机器学习

背景情况:

• 合成计算机断层扫描 (sCT) 对于放射治疗剂量计算和改善MRI-PET减弱校正至关重要.
• 目前的深度学习MRI-to-sCT方法由于单中心数据集而难以泛化,并对多中心数据聚合提出隐私问题.

研究的目的:

• 介绍FedSynthCT-Brain,这是用于脑成像中的MRI-to-sCT图像生成的联合学习方法.
• 在开发强大的MRI-to-sCT模型时,解决单个中心培训和隐私问题的局限性.

主要方法:

• 实施了跨部门的水平联合学习 (FL) 策略,以在多个机构之间协作训练基于U-Net的深度学习模型.
• 使用真实多中心数据与异质扫描器类型和采集方式验证了FL模型.

主要成果:

• 联合模型在一个独立的,看不见的中心上表现出可接受的性能,达到102.0 HU的中位数MAE.
• 包括SSIM (中位数0.89) 和PSNR (中位数26.58) 在内的定量指标表明该模型在生成准确的sCT图像方面的有效性.

结论:

• 联合学习显示了提高MRI-to-sCT通用性和推进安全,公平的临床应用的巨大潜力.
• 这种方法促进了多机构的合作,同时保持了严格的数据隐私,以改善放射治疗.