要約
合成コンピュータ断層撮影 (sCT) 画像の生成は、現代の臨床診療、特に放射線療法 (RT) の治療計画において極めて重要な方法論となっています。
sCT の使用により線量の計算が可能になり、磁気共鳴画像法 (MRI) 誘導による放射線療法治療が推進されます。
さらに、MRI と陽電子放射断層撮影 (PET) ハイブリッド スキャナーの導入により、MRI からの sCT の派生により、PET 画像の減衰補正を向上させることができます。
MRI から sCT への深層学習手法は有望な結果を示していますが、単一施設のトレーニング データセットに依存しているため、多様な臨床設定への一般化機能が制限されています。
さらに、一元化された多施設データセットを作成すると、プライバシーの問題が生じる可能性があります。
問題を解決するために、この研究では、脳イメージングにおける MRI から sCT へのフェデレーテッド ラーニング (FL) パラダイムに基づくフレームワークである FedSynthCT-Brain を導入しました。
U-Net ベースのモデルを使用して、ヨーロッパとアメリカの 4 つのセンターにわたる連合を再現しました。
このアプローチは、連盟に属するセンターからのデータを使用して実装され、連盟外のセンターからの未確認のデータセットでテストされました。
目に見えないセンターの場合、連合モデルは 23 人の患者で平均絶対誤差 (MAE) の中央値 102.0 HU を達成し、四分位範囲は 96.7 ~ 110.5 HU でした。
構造類似性指数 (SSIM) とピーク信号対雑音比 (PNSR) の中央値 (四分位範囲) は、それぞれ 0.89 (0.86-0.89) と 26.58 (25.52-27.42) でした。
結果の分析では、連携アプローチの許容可能なパフォーマンスが示されたため、MRI から sCT への機能を強化して汎用性を向上させ、コラボレーションを促進しデータプライバシーを保護しながら安全で公平な臨床応用を推進する FL の可能性が強調されました。
要約(オリジナル)
The generation of Synthetic Computed Tomography (sCT) images has become a pivotal methodology in modern clinical practice, particularly in the context of Radiotherapy (RT) treatment planning. The use of sCT enables the calculation of doses, pushing towards Magnetic Resonance Imaging (MRI) guided radiotherapy treatments. Moreover, with the introduction of MRI-Positron Emission Tomography (PET) hybrid scanners, the derivation of sCT from MRI can improve the attenuation correction of PET images. Deep learning methods for MRI-to-sCT have shown promising results, but their reliance on single-centre training dataset limits generalisation capabilities to diverse clinical settings. Moreover, creating centralised multicentre datasets may pose privacy concerns. To solve the issues, this study introduces FedSynthCT-Brain, a framework based on the Federated Learning (FL) paradigm for MRI-to-sCT in brain imaging. We reproduced a federation across four European and American centres using a U-Net-based model. The approach was implemented using data from centres belonging the federation and it was tested on an unseen dataset from a centre outside the federation. In the case of the unseen centre, the federated model achieved a median Mean Absolute Error (MAE) of 102.0 HU across 23 patients, with an interquartile range of 96.7-110.5 HU. The median (interquartile range) for the Structural Similarity Index (SSIM) and the Peak Signal to Noise Ratio (PNSR) were 0.89 (0.86-0.89) and 26.58 (25.52-27.42), respectively. The analysis of the results showed acceptable performances of the federated approach, thus highlighting the potential of FL to enhance MRI-to-sCT to improve generalisability and advancing safe and equitable clinical applications while fostering collaboration and preserving data privacy.
arxiv情報
著者 | Ciro Benito Raggio,Mathias Krohmer Zabaleta,Nils Skupien,Oliver Blanck,Francesco Cicone,Giuseppe Lucio Cascini,Paolo Zaffino,Lucia Migliorelli,Maria Francesca Spadea |
発行日 | 2024-12-09 17:32:54+00:00 |
arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google