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

Technische Samenvatting: Een Privacy-Preserverend Federated Learning Framework voor Generaliseerbare CBCT naar Synthetische CT Translatie in Hoofd en Hals

Probleemstelling
Cone-beam computertomografie (CBCT) is een standaardmodaliteit voor beeldgestuurde radiotherapie (IGRT) bij behandelingen in het hoofd- en halsgebied, waarbij volumetrische beeldvorming binnen de behandelkamer wordt geboden. CBCT-beelden lijden echter aan verhoogde ruis, beperkt zacht weefselcontrast en reconstructie-artefacten, wat leidt tot onbetrouwbare Hounsfield Unit (HU)-waarden die directe dosisberekening onmogelijk maken. Hoewel deep learning (DL) methoden succesvol synthetische CT's (sCT) hebben gegenereerd uit CBCT om dit probleem aan te pakken, worden bestaande benaderingen geconfronteerd met aanzienlijke barrières voor klinische schaalbaarheid. Deze omvatten institutionele heterogeniteit, scanner-afhankelijke variaties en diverse beeldvormingsprotocollen, wat vaak training van modellen op één enkele locatie noodzakelijk maakt. Bovendien voorkomen strikte regelgevingen voor gegevensprivacy (bijv. AVG/GDPR, HIPAA) de centralisatie van medische beeldgegevens die vereist is voor het trainen van robuuste, generaliseerbare modellen over meerdere instellingen heen.

Methodologie
Deze studie stelt een cross-silo horizontale federated learning (FL) framework voor om sCT te synthetiseren uit CBCT in de regio van het hoofd en de hals, waarbij het eerder ontwikkelde FedSynthCT-Brain framework wordt uitgebreid naar een nieuwe beeldvormingsmodaliteit.

• Data en Federatie-opstelling: De studie maakte gebruik van de publieke SynthRAD2025 challenge dataset, waarbij drie deelnemende centra (B, C en E) betrokken waren bij de federated training en één centrum (A) exclusief gereserveerd was voor externe validatie. De dataset bevatte gepaarde CBCT- en CT-scans met binaire segmentatiemaskers. Er bestond aanzienlijke heterogeniteit tussen de centra, met name bij Centrum E, dat een andere scanner gebruikte (Varian TrueBeam OBI versus Elekta XVI) en afwijkende acquisitieparameters vertoonde (bijv. belichtingstijden, resolutie).
• Preprocessing: Een gestandaardiseerde, gedecentraliseerde preprocessing-pipeline werd lokaal bij elke client toegepast om een consistente ruimtelijke resolutie (256 × 256 × 256) en intensiteitsharmonisatie te waarborgen. Dit omvatte LUT-gebaseerde normalisatie voor CBCT's (bereik [-800, 2000]) en clipping voor CT's (bereik [-1000, 1500]) om artefacten door metaalimplantaten te mitigeren. Een extra stap van deformabele registratie werd toegepast op de testdata om bias door misalignement te minimaliseren.
• Deep Learning Architectuur: Het kernmodel is een conditional Generative Adversarial Network (cGAN) gebaseerd op de Pix2Pix-architectuur.
  • Generator: Een 2D U-Net met acht encoder-decoder blokken en skip-verbindingen, inclusief dropout om overfitting te voorkomen.
  • Discriminator: Een 2D PatchGAN ontworpen om lokale realisme te beoordelen.
  • Trainingsstrategie: Het model maakte gebruik van een Random-Multi2D sampling benadering, waarbij gerandomiseerde axiale, sagittale en coronale plakken werden gepresenteerd om de generaliseerbaarheid te verbeteren. Data-augmentatie (flippen, rotatie, intensiteitsverschuivingen) werd lokaal toegepast.
  • Verliesfuncties: De generator werd geoptimaliseerd met een combinatie van adversarial loss (sigmoid cross-entropy) en pixel loss (Masked Mean Absolute Error, L1), gewogen met $\lambda_{pixel} = 100$.
• Aggregatiestrategie: Het framework maakte gebruik van een hybride aggregatiestrategie die FedAvg (Federated Averaging) aan de serverzijde combineert, waarbij de bijdragen van clients worden gewogen op basis van de datasetgrootte, en FedProx aan de clientzijde. FedProx introduceerde een proximale term ($\mu = 3$) aan de lokale objectieve functie om grote afwijkingen van de globale gewichten te bestraffen, waardoor divergentie van updates door non-IID datadistributies wordt gemitigeerd.

Belangrijkste Resultaten
Het federated model demonstreerde een robuuste generalisatie over de deelnemende centra en naar de externe validatieset (Centrum A) zonder aanvullende training of fine-tuning.

• Kwantitatieve Prestaties:
  • Externe Validatie (Centrum A): MAE van 75,22 ± 11,81 HU, SSIM van 0,904 ± 0,034, en PSNR van 33,52 ± 2,06 dB.
  • Trainingscentra:
    • Centrum B: MAE 85,90 ± 7,10 HU, SSIM 0,882 ± 0,022.
    • Centrum C: MAE 64,38 ± 13,63 HU, SSIM 0,922 ± 0,039.
    • Centrum E: MAE 74,22 ± 13,23 HU, SSIM 0,915 ± 0,013.
• Kwalitatieve Analyse: Visuele inspectie bevestigde dat de gegenereerde sCT's anatomisch consistent waren met de ground-truth CT's. De analyse onthulde echter dat de primaire bron van residuele fouten en metriek-degradatie niet het generatieve model zelf was, maar de registratiefouten en anatomische variaties tussen de input CBCT en de ground-truth CT (bijv. veranderingen in de mondholte).
• Generalisatie: Ondanks het feit dat Centrum E een volledig andere scanner en protocol gebruikte, behield het model een prestatie die vergelijkbaar is met die van de andere centra, wat de capaciteit van het framework bevestigt om scanner-afhankelijke variaties aan te pakken.

Betekenis en Claims
Het artikel claimt aan te tonen dat de technische haalbaarheid van het gebruik van federated learning voor CBCT-naar-sCT synthese in de regio van het hoofd en de hals mogelijk is, terwijl de gegevensprivacy strikt wordt gewaarborgd. De studie stelt vast dat:

1. Collaboratieve modeltraining over instellingen heen mogelijk is zonder ruwe patiëntgegevens te delen, in overeenstemming met privacyregelgeving.
2. Een federated benadering modellen kan opleveren die effectief generaliseren over diverse beeldvormingsprotocollen en scannertypes, waarmee de beperkingen van training op één locatie worden overwonnen.
3. Het voorgestelde framework het FedSynthCT paradigma uitbreidt van MRI naar CBCT, waarmee een kritieke behoefte wordt geadresseerd aan robuuste, centrum-agnostische modellen voor adaptieve radiotherapie.

De auteurs merken bescheiden op dat hoewel het model goed presteert, de klinische integratie voor dosisberekening in deze studie niet is geëvalueerd vanwege het ontbreken van behandelplanningsgegevens in de SynthRAD2025 dataset. Daarnaast erkennen zij dat fouten in regio's met extreme HU-waarden (luchtzakken, dicht bot) aanhouden, waarschijnlijk door onderrepresentatie in de trainingsdata en registratie-onnauwkeurigheden, wat wijst op toekomstig werk in gerichte trainingsstrategieën.