🤖 machine learning

A Privacy-Preserving Federated Learning Framework for Generalizable CBCT to Synthetic CT Translation in Head and Neck

Este artículo propone un marco de aprendizaje federado entre silos que preserva la privacidad y que entrena con éxito un modelo de aprendizaje profundo a través de tres centros médicos europeos para generar tomografías computarizadas sintéticas de alta calidad a partir de tomografías computarizadas de haz cónico para radioterapia de cabeza y cuello, logrando una generalización robusta sin la necesidad de compartir datos de forma centralizada o de realizar un ajuste fino específico para cada centro.

Autores originales: Ciro Benito Raggio, Paolo Zaffino, Maria Francesca Spadea

Publicado 2026-06-17

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Ciro Benito Raggio, Paolo Zaffino, Maria Francesca Spadea

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás tratando de enseñarle a un maestro chef cómo hornear el pastel perfecto. En el mundo de la radioterapia médica, este "pastel" es una Tomografía Computarizada Sintética (sCT): un mapa 3D de alta calidad del cuerpo de un paciente que los médicos utilizan para calcular exactamente cuánta radiación deben lanzar contra un tumor.

Normalmente, los médicos obtienen un "boceto aproximado" del cuerpo del paciente utilizando una máquina llamada CBCT (Tomografía Computarizada de Haz Cónico) justo antes del tratamiento. El problema es que este boceto suele ser granuloso, borroso y con colores extraños (números poco fiables), lo que lo hace inseguro para realizar cálculos precisos. Para solucionar esto, normalmente necesitan una "foto de referencia" (una tomografía real), pero tomar esa foto adicional implica más radiación para el paciente y consume tiempo.

La Solución: El Chef de IA
Los científicos han estado utilizando el Aprendizaje Profundo (IA) para enseñar a las computadoras a convertir ese "boceto aproximado" (CBCT) en un "pastel perfecto" (sCT). La IA aprende a rellenar los detalles faltantes y a corregir las partes borrosas.

El Problema: La Receta Secreta
Aquí está el truco: cada hospital tiene su propia versión del "boceto aproximado".

El Hospital A utiliza una máquina específica.
El Hospital B utiliza una máquina diferente.
El Hospital C toma fotos con diferentes configuraciones.

Si entrenas a un chef de IA usando solo los bocetos del Hospital A, la IA se convierte en un maestro de ese estilo específico, pero fracasa estrepitosamente cuando se le muestra un boceto del Hospital B. Para crear una IA verdaderamente inteligente, necesitas mostrarle bocetos de todos los hospitales.

Pero hay una gran barrera: la Privacidad.
Los hospitales no pueden compartir las fotos de sus pacientes entre sí. Es como si un chef se negara a que nadie vea su libro de recetas secretas o su cocina debido a estrictas leyes de privacidad. No puedes simplemente reunir todas las fotos en una gran computadora central; eso es ilegal e inseguro.

La Innovación: La Clase de Cocina "Federada"
Este artículo presenta una solución ingeniosa llamada Aprendizaje Federado (FL). Piensa en ello como una clase de cocina donde los chefs nunca salen de sus propias cocinas.

La Configuración: En lugar de enviar las fotos a una computadora central, el "maestro" (el modelo de IA) viaja a cada hospital (Centro A, B, C y E).
La Lección: En cada hospital, la IA aprende de los bocetos locales dentro de la cocina segura de ese hospital. Nunca ve las fotos reales de otros hospitales.
El Informe: Después de aprender, la IA envía de vuelta únicamente sus lecciones aprendidas (actualizaciones matemáticas, no las fotos) al maestro.
La Obra Maestra: El maestro combina estas lecciones de todas las cocinas para crear un único modelo de "Súper Chef". Este nuevo modelo sabe cómo manejar bocetos de cualquiera de los hospitales, a pesar de que nunca vio todas las fotos en un solo lugar.

Lo Que Hicieron
Los investigadores probaron este "Súper Chef" en pacientes con cáncer de cabeza y cuello utilizando datos de tres centros médicos europeos diferentes (más un cuarto centro para una prueba final).

Utilizaron un tipo específico de IA llamado cGAN (una red creativa que actúa como un artista y un crítico, mejorando constantemente sus dibujos).
Se aseguraron de que la IA fuera robusta utilizando una mezcla de estrategias de entrenamiento para manejar el hecho de que los datos de cada hospital eran ligeramente diferentes (como diferentes iluminaciones o ángulos de cámara).

Los Resultados
Los resultados fueron impresionantes. El modelo "Súper Chef", entrenado sin haber movido jamás los datos de los pacientes fuera de los hospitales, funcionó tan bien como si hubiera sido entrenado con todos los datos combinados en un solo lugar.

Precisión: Cuando intentaba convertir un boceto aproximado en un mapa perfecto, los errores eran muy pequeños (comparables a la diferencia entre dos fotos de alta calidad).
Generalización: Cuando probaron el modelo en un hospital completamente nuevo (Centro A) que nunca había visitado, funcionó perfectamente. No necesitó ser reentrenado.
El "Fallo": El artículo señala que los pocos errores que cometió la IA no se debieron a que la IA fuera mala dibujando. En cambio, los errores ocurrieron porque el "boceto aproximado" y la "foto perfecta" no estaban alineados perfectamente en primer lugar (como intentar calcar un dibujo mientras el papel está ligeramente desplazado). La IA recreó fielmente la desalineación, lo cual es una limitación de los datos de entrada, no de la IA.

La Conclusión
Este artículo demuestra que podemos construir una herramienta de IA poderosa y universal para ayudar a los médicos a calcular dosis de radiación de forma segura y precisa, sin violar nunca la privacidad del paciente ni romper las leyes de datos. Es como crear un chef de clase mundial que conoce todos los estilos de cocina locales, sin tener que robar nunca el libro de recetas secretas de nadie.

Resumen Técnico: Un marco de aprendizaje federado preservador de la privacidad para la traducción de CBCT a CT sintético en cabeza y cuello

Planteamiento del problema
La tomografía computarizada de haz cónico (CBCT) es una modalidad estándar para la radioterapia guiada por imagen (IGRT) en tratamientos de cabeza y cuello, ofreciendo imágenes volumétricas dentro de la sala de tratamiento. Sin embargo, las imágenes de CBCT sufren un aumento de ruido, un contraste de tejidos blandos limitado y artefactos de reconstrucción, lo que conduce a valores de Unidades Hounsfield (HU) poco fiables que impiden el cálculo directo de la dosis. Si bien los métodos de aprendizaje profundo (DL) han generado con éxito TC sintéticas (sCT) a partir de CBCT para abordar esto, los enfoques existentes enfrentan barreras significativas para la escalabilidad clínica. Estas incluyen la heterogeneidad institucional, las variaciones dependientes del escáner y los diversos protocolos de imagen, lo que a menudo requiere el entrenamiento de modelos en un solo centro. Además, las estrictas regulaciones de privacidad de datos (por ejemplo, GDPR, HIPAA) impiden la centralización de los datos de imágenes médicas necesarios para entrenar modelos robustos y generalizables en múltiples instituciones.

Metodología
Este estudio propone un marco de aprendizaje federado (FL) horizontal de silos transversales para sintetizar sCT a partir de CBCT en la región de cabeza y cuello, extendiendo el marco FedSynthCT-Brain desarrollado previamente a una nueva modalidad de imagen.

Datos y configuración de la federación: El estudio utilizó el conjunto de datos del desafío público SynthRAD2025, que involucra a tres centros participantes (B, C y E) para el entrenamiento federado y un centro (A) reservado exclusivamente para la validación externa. El conjunto de datos incluyó escaneos pareados de CBCT y CT con máscaras de segmentación binaria. Existía una heterogeneidad notable entre los centros, particularmente en el Centro E, que utilizó un escáner diferente (Varian TrueBeam OBI vs. Elekta XVI) y exhibió parámetros de adquisición distintos (por ejemplo, tiempos de exposición, resolución).
Preprocesamiento: Se aplicó un flujo de trabajo de preprocesamiento estandarizado y descentralizado localmente en cada cliente para asegurar una resolución espacial (256 × 256 × 256) y una armonización de intensidad consistentes. Esto implicó una normalización basada en LUT para los CBCT (rango [-800, 2000]) y un recorte para los CT (rango [-1000, 1500]) para mitigar los artefactos de implantes metálicos. Se aplicó un paso adicional de registro deformable a los datos de prueba para minimizar el sesgo de evaluación causado por el desalineamiento.
Arquitectura de Aprendizaje Profundo: El modelo central es una Red Neuronal Generativa Antagónica condicional (cGAN) basada en la arquitectura Pix2Pix.
- Generador: Una U-Net 2D con ocho bloques de codificador-decodificador y conexiones de salto (skip connections), incorporando dropout para prevenir el sobreajuste.
- Discriminador: Una PatchGAN 2D diseñada para evaluar el realismo local.
- Estrategia de entrenamiento: El modelo empleó un enfoque de muestreo Random-Multi2D, presentando cortes axiales, sagitales y coronales aleatorios para mejorar la generalización. La aumentación de datos (volteo, rotación, cambios de intensidad) se aplicó localmente.
- Funciones de pérdida: El generador fue optimizado utilizando una combinación de pérdida antagónica (entropía cruzada sigmoidea) y pérdida de píxel (Error Absoluto Medio enmascarado, L1), ponderada por $\lambda_{pixel} = 100$ .
Estrategia de agregación: El marco utilizó una estrategia de agregación híbrida que combina FedAvg (Promedio Federado) en el lado del servidor para ponderar las contribuciones de los clientes según el tamaño del conjunto de datos, y FedProx en el lado del cliente. FedProx introdujo un término proximal ( $\mu = 3$ ) en la función objetivo local para penalizar las grandes desviaciones de los pesos globales, mitigando así la divergencia de las actualizaciones causada por distribuciones de datos no-IID.

Resultados Clave
El modelo federado demostró una generalización robusta entre los centros participantes y hacia el conjunto de validación externa (Centro A) sin requerir entrenamiento o ajuste fino adicional.

Desempeño Cuantitativo:
- Validación Externa (Centro A): MAE de 75.22 ± 11.81 HU, SSIM de 0.904 ± 0.034 y PSNR de 33.52 ± 2.06 dB.
- Centros de Entrenamiento:
  - Centro B: MAE 85.90 ± 7.10 HU, SSIM 0.882 ± 0.022.
  - Centro C: MAE 64.38 ± 13.63 HU, SSIM 0.922 ± 0.039.
  - Centro E: MAE 74.22 ± 13.23 HU, SSIM 0.915 ± 0.013.
Análisis Cualitativo: La inspección visual confirmó que las sCT generadas eran anatómicamente consistentes con las CT de referencia (ground-truth). Sin embargo, el análisis reveló que la principal fuente de errores residuales y degradación de métricas no fue el modelo generativo en sí, sino los errores de registro y las variaciones anatómicas entre el CBCT de entrada y la CT de referencia (por ejemplo, cambios en la cavidad oral).
Generalización: A pesar de que el Centro E utilizó un escáner y protocolo completamente diferentes, el modelo mantuvo un desempeño comparable al de otros centros, confirmando la capacidad del marco para manejar variaciones dependientes del escáner.

Significancia y Reivindicaciones
El artículo afirma demostrar la viabilidad técnica de utilizar el aprendizaje federado para la síntesis de CBCT a sCT en la región de cabeza y cuello mientras se preserva estrictamente la privacidad de los datos. El estudio establece que:

El entrenamiento colaborativo de modelos entre instituciones es posible sin compartir datos brutos de pacientes, cumpliendo con las regulaciones de privacidad.
Un enfoque federado puede producir modelos que se generalizan eficazmente a través de diversos protocolos de imagen y tipos de escáner, superando las limitaciones del entrenamiento en un solo centro.
El marco propuesto extiende el paradigma FedSynthCT de MRI a CBCT, abordando una necesidad crítica de modelos robustos e independientes del centro para la radioterapia adaptativa.

Los autores señalan modestamente que, si bien el modelo funciona bien, su integración clínica para el cálculo de dosis no fue evaluada en este estudio debido a la falta de datos de planificación de tratamiento en el conjunto de datos SynthRAD2025. Adicionalmente, reconocen que persisten errores en regiones con valores extremos de HU (bolsas de aire, hueso denso), probablemente debido a la subrepresentación en los datos de entrenamiento y a las imprecisiones de registro, lo que sugiere trabajos futuros en estrategias de entrenamiento dirigido.

Más como este