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

Sintesi Tecnica: Un framework di Federated Learning preservante la privacy per la traduzione generalizzabile da CBCT a CT sintetica nella regione testa-collo

Definizione del problema
La tomografia computerizzata a fascio conico (CBCT) è una modalità standard per l'imaging guidato dalla radioterapia (IGRT) nei trattamenti testa-collo, offrendo imaging volumetrico all'interno della sala di trattamento. Tuttavia, le immagini CBCT soffrono di un aumento del rumore, un contrasto dei tessuti molli limitato e artefatti di ricostruzione, che portano a valori di Unità Hounsfield (HU) inaffidabili, precludendo il calcolo diretto della dose. Sebbene i metodi di deep learning (DL) abbiano avuto successo nel generare CT sintetiche (sCT) a partire da CBCT per affrontare questo problema, gli approoli esistenti affrontano barriere significative alla scalabilità clinica. Queste includono l'eterogeneità istituzionale, le variazioni dipendenti dallo scanner e i diversi protocolli di imaging, che spesso richiedono l'addestramento di modelli su singolo sito. Inoltre, le rigide normative sulla privacy dei dati (ad es. GDPR, HIPAA) impediscono la centralizzazione dei dati di imaging medico necessari per addestrare modelli robusti e generalizzabili attraverso più istituzioni.

Metodologia
Questo studio propone un framework di apprendimento federato (FL) orizzontale cross-silo per sintetizzare sCT da CBCT nella regione testa-collo, estendendo il framework precedentemente sviluppato FedSynthCT-Brain a una nuova modalità di imaging.

• Dati e configurazione della federazione: Lo studio ha utilizzato il dataset pubblico della sfida SynthRAD2025, che coinvolge tre centri partecipanti (B, C ed E) per l'addestramento federato e un centro (A) riservato esclusivamente alla validazione esterna. Il dataset includeva scansioni CBCT e CT accoppiate con maschere di segmentazione binaria. Esisteva una notevole eterogeneità tra i centri, in particolare il Centro E, che utilizzava uno scanner differente (Varian TrueBeam OBI vs. Elekta XVI) e mostrava parametri di acquisizione distinti (ad es. tempi di esposizione, risoluzione).
• Pre-processing: Una pipeline di pre-processing standardizzata e decentralizzata è stata applicata localmente in ogni client per garantire una risoluzione spaziale costante (256 × 256 × 256) e un'armonizzazione dell'intensità. Ciò ha comportato una normalizzazione basata su LUT per le CBCT (intervallo [-800, 2000]) e il clipping per le CT (intervallo [-1000, 1500]) per mitigare gli artefatti da impianti metallici. Un ulteriore passaggio di registrazione deformabile è stato applicato ai dati di test per minimizzare il bias di valutazione causato dal disallineamento.
• Architettura di Deep Learning: Il modello centrale è una rete avversaria generativa condizionale (cGAN) basata sull'architettura Pix2Pix.
  • Generatore: Una U-Net 2D con otto blocchi encoder-decoder e connessioni skip, che incorpora il dropout per prevenire l'overfitting.
  • Discriminatore: Una PatchGAN 2D progettata per valutare il realismo locale.
  • Strategia di addestramento: Il modello ha impiegato un approccio di campionamento Random-Multi2D, presentando fette assiali, sagittali e coronali randomizzate per migliorare la generalizzabilità. L'augmentation dei dati (flipping, rotazione, shift di intensità) è stata applicata localmente.
  • Funzioni di perdita: Il generatore è stato ottimizzato utilizzando una combinazione di perdita avversaria (cross-entropy sigmoidale) e perdita di pixel (Errore Assoluto Medio Mascherato, L1), pesata da $\lambda_{pixel} = 100$.
• Strategia di aggregazione: Il framework ha utilizzato una strategia di aggregazione ibrida combinando FedAvg (Federated Averaging) sul lato server per pesare i contributi dei client in base alla dimensione del dataset, e FedProx sul lato client. FedProx ha introdotto un termine prossimale ($\mu = 3$) alla funzione obiettivo locale per penalizzare le grandi deviazioni dai pesi globali, mitigando la divergenza degli aggiornamenti causata dalle distribazioni di dati non-IID.

Risultati Chiave
Il modello federato ha dimostrato una robusta generalizzazione tra i centri partecipanti e verso il set di validazione esterna (Centro A) senza richiedere addestramento o fine-tuning aggiuntivi.

• Prestazioni Quantitative:
  • Validazione Esterna (Centro A): MAE di 75.22 ± 11.81 HU, SSIM di 0.904 ± 0.034 e PSNR di 33.52 ± 2.06 dB.
  • Centri di Addestramento:
    • 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.
• Analisi Qualitativa: L'ispezione visiva ha confermato che le sCT generate erano anatomicamente coerenti con le CT ground-truth. Tuttavia, l'analisi ha rivelato che la fonte primaria di errori residui e degradazione delle metriche non era il modello generativo stesso, bensì gli errori di registrazione e le variazioni anatomiche tra la CBCT in input e la CT ground-truth (ad es. cambiamenti nella cavità orale).
• Generalizzazione: Nonostante il Centro E utilizzasse uno scanner e un protocollo completamente diversi, il modello ha mantenuto prestazioni comparabili ad altri centri, confermando la capacità del framework di gestire le variazioni dipendenti dallo scanner.

Significato e Rivendicazioni
L'articolo sostiene di dimostrare la fattibilità tecnica dell'uso del federated learning per la sintesi CBCT-sCT nella regione testa-collo preservando rigorosamente la privacy dei dati. Lo studio stabilisce che:

1. L'addestramento collaborativo del modello tra le istituzioni è possibile senza condividere i dati grezzi dei pazienti, rispettando le normative sulla privacy.
2. Un approccio federato può produrre modelli che si generalizzano efficacemente attraverso diversi protocolli di imaging e tipi di scanner, superando i limiti dell'addestramento su singolo sito.
3. Il framework proposto estende il paradigma FedSynthCT dall'MRI alla CBCT, affrontando una necessità critica di modelli robusti e indipendenti dal centro per la radioterapia adattiva.

Gli autori notano con moderazione che, sebbene il modello funzioni bene, la sua integrazione clinica per il calcolo della dose non è stata valutata in questo studio a causa della mancanza di dati di pianificazione del trattamento nel dataset SynthRAD2025. Inoltre, riconoscono che persistono errori nelle regioni con valori HU estremi (tasche d'aria, ossa dense), probabilmente a causa della sottorappresentazione nei dati di addestramento e delle imprecisioni di registrazione, suggerendo futuri lavori in strategie di addestramento mirate.