🤖 machine learning

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

Este artigo propõe um framework de aprendizado federado cross-silo que preserva a privacidade e que treina com sucesso um modelo de aprendizado profundo através de três centros médicos europeus para gerar CTs sintéticas de alta qualidade a partir de tomografias computadorizadas de feixe cônico para radioterapia de cabeça e pescoço, alcançando uma generalização robusta sem a necessidade de compartilhamento centralizado de dados ou ajuste fino específico por local.

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

Publicado 2026-06-17

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

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

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você está tentando ensinar um mestre chef a assar o bolo perfeito. No mundo da radioterapia médica, esse "bolo" é uma Tomografia Computadorizada Sintética (sCT) — um mapa 3D de alta qualidade do corpo de um paciente que os médicos usam para calcular exatamente quanta radiação devem disparar contra um tumor.

Normalmente, os médicos obtêm um "esboço grosseiro" do corpo do paciente usando uma máquina chamada CBCT (Tomografia Computadorizada de Feixe Cônico) logo antes do tratamento. O problema é que esse esboço costuma ser granulado, borrado e com cores estranhas (números não confiáveis), o que o torna inseguro para cálculos precisos. Para corrigir isso, eles geralmente precisam de uma foto de "padrão ouro" (um exame de TC real), mas tirar essa foto extra expõe o paciente a mais radiação e consome tempo.

A Solução: O Chef de IA
Cientistas têm usado o Aprendizado Profundo (IA) para ensinar computadores a transformar esse "esboço grosseiro" (CBCT) em um "bolo perfeito" (sCT). A IA aprende a preencher os detalhes ausentes e a corrigir as partes borradas.

O Problema: A Receita Secreta
Aqui está o detalhe: cada hospital tem sua própria versão do "esboço grosseiro".

O Hospital A usa uma máquina específica.
O Hospital B usa uma máquina diferente.
O Hospital C tira fotos com configurações diferentes.

Se você treinar um chef de IA usando apenas os esboços do Hospital A, a IA se tornará um mestre naquele estilo específico, mas falhará miseravelmente quando lhe mostrarem um esboço do Hospital B. Para criar uma IA verdadeiramente inteligente, você precisa mostrar a ela esboços de todos os hospitais.

Mas há uma grande barreira: Privacidade.
Os hospitais não podem compartilhar as fotos de seus pacientes uns com os outros. É como um chef que se recusa a deixar qualquer pessoa ver seu livro de receitas secretas ou sua cozinha devido a leis de privacidade rigorosas. Você não pode simplesmente reunir todas as fotos em um grande computador central; isso é ilegal e inseguro.

A Inovação: A Aula de Culinária "Federada"
Este artigo apresenta uma solução inteligente chamada Aprendizado Federado (FL). Pense nisso como uma aula de culinária onde os chefs nunca saem de suas próprias cozinhas.

A Configuração: Em vez de enviar as fotos para um computador central, o "professor" (o modelo de IA) viaja até cada hospital (Centro A, B, C e E).
A Lição: Em cada hospital, a IA aprende com os esboços locais dentro da cozinha segura de cada hospital. Ela nunca vê as fotos brutas dos outros hospitais.
O Relatório: Após o aprendizado, a IA envia de volta apenas as suas lições aprendidas (atualizações matemáticas, não as fotos) para o professor.
A Obra-Prima: O professor combina essas lições de todas as cozinhas para criar um único modelo de "Super Chef". Este novo modelo sabe lidar com esboços de qualquer um dos hospitais, mesmo sem ter visto todas as fotos em um só lugar.

O Que Eles Fizeram
Os pesquisadores testaram este "Super Chef" em pacientes com câncer de cabeça e pescoço, utilizando dados de três diferentes centros médicos europeus (além de um quarto centro para um teste final).

Eles usaram um tipo específico de IA chamado cGAN (uma rede criativa que atua como um artista e um crítico, melhorando constantemente seus desenhos).
Eles garantiram que a IA fosse robusta usando uma mistura de estratégias de treinamento para lidar com o fato de que os dados de cada hospital eram ligeiramente diferentes (como diferentes iluminações ou ângulos de câmera).

Os Resultados
Os resultados foram impressionantes. O modelo "Super Chef", treinado sem nunca mover os dados dos pacientes para fora dos hospitais, teve um desempenho tão bom quanto se tivesse sido treinado com todos os dados combinados em um só lugar.

Precisão: Quando tentou transformar um esboço grosseiro em um mapa perfeito, os erros foram muito pequenos (comparáveis à diferença entre duas fotos de alta qualidade).
Generalização: Quando testaram o modelo em um novo hospital (Centro A) que ele nunca havia visitado antes, ele ainda funcionou perfeitamente. Não foi necessário retreiná-lo.
O "Glitch": O artigo observa que os poucos erros que a IA cometeu não foram porque a IA era ruim em desenhar. Em vez disso, os erros ocorreram porque o "esboço grosseiro" e a "foto perfeita" não estavam perfeitamente alinhados desde o início (como tentar contornar um desenho enquanto o papel está levemente deslocado). A IA recriou fielmente esse desalinhamento, o que é uma limitação dos dados de entrada, não da IA.

A Conclusão
Este artigo prova que podemos construir uma ferramenta de IA poderosa e universal para ajudar médicos a calcular doses de radiação de forma segura e precisa, sem nunca violar a privacidade do paciente ou as leis de proteção de dados. É como criar um chef de classe mundial que conhece todos os estilos locais de culinária, sem nunca precisar roubar o livro de receitas secretas de ninguém.

Resumo Técnico: Um Framework de Aprendizado Federado Preservador de Privacidade para Tradução de CBCT para CT Sintético Generalizável em Cabeça e Pescoço

Definição do Problema
A tomografia computadorizada de feixe cônico (CBCT) é uma modalidade padrão para a radioterapia guiada por imagem (IGRT) em tratamentos de cabeça e pescoço, oferecendo imagens volumétricas dentro da sala de tratamento. No entanto, as imagens de CBCT sofrem com aumento de ruído, contraste de tecidos moles limitado e artefatos de reconstrução, levando a valores de Unidades Hounsfield (HU) não confiáveis que impedem o cálculo direto de dose. Embora métodos de aprendizado profundo (DL) tenham gerado com sucesso CTs sintéticos (sCT) a partir de CBCT para abordar isso, as abordagens existentes enfrentam barreiras significativas à escalabilidade clínica. Estas incluem heterogeneidade institucional, variações dependentes do scanner e protocolos de imagem diversos, que frequentemente necessitam de treinamento de modelo em um único centro. Além disso, rigorosas regulamentações de privacidade de dados (ex: GDPR, HIPAA) impedem a centralização de dados de imagem médica necessária para treinar modelos robustos e generalizáveis entre múltiplas instituições.

Metodologia
Este estudo propõe um framework de aprendizado federado (FL) horizontal cross-silo para sintetizar sCT a partir de CBCT na região de cabeça e pescoço, estendendo o framework FedSynthCT-Brain previamente desenvolvido para uma nova modalidade de imagem.

Dados e Configuração de Federação: O estudo utilizou o dataset público do desafio SynthRAD2025, envolvendo três centros participantes (B, C e E) para treinamento federado e um centro (A) reservado exclusivamente para validação externa. O dataset incluiu pares de scans CBCT e CT com máscaras de segmentação binária. Existia uma heterogeneidade notável entre os centros, particularmente o Centro E, que utilizou um scanner diferente (Varian TrueBeam OBI vs. Elekta XVI) e exibiu parâmetros de aquisição distintos (ex: tempos de exposição, resolução).
Pré-processamento: Um pipeline de pré-processamento padronizado e descentralizado foi aplicado localmente em cada cliente para garantir consistência de resolução espacial (256 × 256 × 256) e harmonização de intensidade. Isso envolveu normalização baseada em LUT para CBCTs (intervalo [-800, 2000]) e clipping para CTs (intervalo [-1000, 1500]) para mitigar artefatos de implantes metálicos. Uma etapa adicional de registro deformável foi aplicada aos dados de teste para minimizar o viés de avaliação causado pelo desalinhamento.
Arquitetura de Aprendizado Profundo: O modelo central é uma Rede Adversária Generativa condicional (cGAN) baseada na arquitetidade Pix2Pix.
- Gerador: Um U-Net 2D com oito blocos encoder-decoder e conexões de salto (skip connections), incorporando dropout para prevenir o sobreajuste (overfitting).
- Discriminador: Um PatchGAN 2D projetado para avaliar o realismo local.
- Estratégia de Treinamento: O modelo empregou uma abordagem de amostragem Random-Multi2D, apresentando fatias axiais, sagitais e coronais aleatórias para aumentar a generalização. Aumentação de dados (rotação, inversão, mudanças de intensidade) foi aplicada localmente.
- Funções de Perda: O gerador foi otimizado usando uma combinação de perda adversária (entropia cruzada sigmoide) e perda de pixel (Erro Médio Absoluto Mascarado, L1), ponderada por $\lambda_{pixel} = 100$ .
Estratégia de Agregação: O framework utilizou uma estratégia de agregação híbrida combinando FedAvg (Média Federada) no lado do servidor para ponderar as contribuições dos clientes pelo tamanho do dataset, e FedProx no lado do cliente. O FedProx introduziu um termo proximal ( $\mu = 3$ ) à função objetivo local para penalizar grandes desvios dos pesos globais, mitigando a divergência de atualização causada por distribuições de dados não-IID.

Principais Resultados
O modelo federado demonstrou generalização robusta entre os centros participantes e para o conjunto de validação externa (Centro A) sem a necessidade de treinamento ou ajuste fino adicional.

Desempenho Quantitativo:
- Validação Externa (Centro A): MAE de 75,22 ± 11,81 HU, SSIM de 0,904 ± 0,034 e PSNR de 33,52 ± 2,06 dB.
- Centros de Treinamento:
  - 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.
Análise Qualitativa: A inspeção visual confirmou que os sCTs gerados eram anatomicamente consistentes com os CTs de referência (ground-truth). No entanto, a análise revelou que a principal fonte de erros residuais e degradação de métricas não foi o modelo generativo em si, mas sim erros de registro e variações anatômicas entre o CBCT de entrada e o CT de referência (ex: mudanças na cavidade oral).
Generalização: Apesar do Centro E utilizar um scanner e protocolo completamente diferentes, o modelo manteve um desempenho comparável aos outros centros, confirmando a capacidade do framework de lidar com variações dependentes do scanner.

Significância e Alegações
O artigo alega demonstrar a viabilidade técnica do uso de aprendizado federado para a síntese de CBCT para sCT na região de cabeça e pescoço, preservando estritamente a privacidade dos dados. O estudo estabelece que:

O treinamento colaborativo de modelos entre instituições é possível sem o compartilhamento de dados brutos de pacientes, aderindo às regulamentações de privacidade.
Uma abordagem federada pode gerar modelos que se generalizam efetivamente através de diversos protocolos de imagem e tipos de scanner, superando as limitações do treinamento em um único site.
O framework proposto estende o paradigma FedSynthCT de RM para CBCT, abordando uma necessidade crítica de modelos robustos e agnósticos ao centro para radioterapia adaptativa.

Os autores observam modestamente que, embora o modelo tenha um bom desempenho, sua integração clínica para cálculo de dose não foi avaliada neste estudo devido à falta de dados de planejamento de tratamento no SynthRAD2025. Adicionalmente, reconhecem que erros em regiões com valores extremos de HU (bolsas de ar, osso denso) persistem, provavelmente devido à sub-representação nos dados de treinamento e imprecisões de registro, sugerindo trabalhos futuros em estratégias de treinamento direcionadas.

Mais como este