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

技术摘要：一种用于头颈部通用型 CBCT 到合成 CT 转换的隐私保护联邦学习框架

问题陈述
锥形束投照计算机断层扫描（CBCT）是头颈部放射治疗中图像引导放射治疗（IGRT）的标准成像模态，可在治疗室内存取体素级图像。然而，CBCT 图像存在噪声增加、软组织对比度有限以及重建伪影等问题，导致 Hounsfield 单位（HU）值不可靠，从而无法直接进行剂量计算。虽然深度学习（DL）方法已成功实现了从 CBCT 生成合成 CT（sCT）以解决这一问题，但现有的方法在临床规模化应用方面面临显著障碍。这些障碍包括机构异质性、依赖扫描仪的差异以及多样化的成像协议，这些因素通常要求进行单中心模型训练。此外，严格的数据隐私法规（如 GDPR、HIPAA）限制了跨多个机构训练鲁棒且具有泛化能力的模型所需的医疗影像数据集中化。

方法论
本研究提出了一种跨领域的水平联邦学习（FL）框架，用于合成头颈部区域的 sCT，该框架是将先前开发的 FedSynthCT-Brain 框架扩展到了新的成像模态。

• 数据与联邦设置： 本研究利用了公开的 SynthRAD2025 挑战赛数据集，涉及三个参与中心（B、C 和 E）进行联邦训练，以及一个中心（A）专门用于外部验证。数据集包含了配对的 CBCT 和 CT 扫描及二值分割掩模。各中心之间存在显著的异质性，特别是中心 E，其使用了不同的扫描仪（Varian TrueBeam OBI vs. Elekta XVI）并表现出不同的采集参数（例如曝光时间、分辨率）。
• 预处理： 在每个客户端本地应用了标准化的去中心化预处理流水线，以确保空间分辨率（256 × 256 × 256）的一致性和强度协调。这包括对 CBCT 进行基于查找表（LUT）的归一化（范围 [-800, 2000]）以及对 CT 进行截断（范围 [-1000, 1500]），以减轻金属植入物伪影。在测试数据中还应用了额外的可变形配准步骤，以尽量减少因对齐偏差导致的评估偏差。
• 深度学习架构： 核心模型是基于 Pix2Pix 架构的条件生成对抗网络（cGAN）。
  • 生成器： 一个包含八个编码器-解码器块和跳跃连接的 2D U-Net，并结合了 Dropout 以防止过拟合。
  • 判别器： 一个旨在评估局部真实性的 2D PatchGAN。
  • 训练策略： 模型采用了随机多平面 2D 采样（Random-Multi2D sampling）方法，通过呈现随机的轴状、矢状和冠状切片来增强泛化能力。数据增强（翻转、旋转、强度偏移）在本地进行。
  • 损失函数： 生成器通过结合对抗损失（Sigmoid 交叉熵）和像素损失（掩模平均绝对误差，L1）进行优化，权重设为 $\lambda_{pixel} = 100$。
• 聚合策略： 该框架采用了一种混合聚合策略，结合了服务器端的 FedAvg（联邦平均）——根据数据集大小对客户端贡献进行加权，以及客户端侧的 FedProx。FedProx 在局部目标函数中引入了一个近端项（$\mu = 3$），通过惩罚与全局权重的大幅偏离，从而缓解由非独立同分布（non-IID）数据分布引起的更新发散。

关键结果
联邦模型在参与中心以及外部验证集（中心 A）上均表现出了强大的泛化能力，且无需额外的训练或微调。

• 定量性能：
  • 外部验证（中心 A）： MAE 为 75.22 ± 11.81 HU，SSIM 为 0.904 ± 0.034，PSNR 为 33.52 ± 2.06 dB。
  • 训练中心：
    • 中心 B：MAE 85.90 ± 7.10 HU，SSIM 0.882 ± 0.022。
    • 中心 C：MAE 64.38 ± 13.63 HU，SSIM 0.922 ± 0.039。
    • 中心 E：MAE 74.22 ± 13.23 HU，SSIM 0.915 ± 0.013。
• 定性分析： 视觉检查确认生成的 sCT 与地面真值（ground-truth）CT 在解剖结构上保持一致。然而，分析表明，残余误差和指标下降的主要来源并非生成模型本身，而是 配准误差 以及输入 CBCT 与地面真值 CT 之间的解剖变化（例如口腔的变化）。
• 泛化能力： 尽管中心 E 使用了完全不同的扫描仪和协议，但该模型仍保持了与其他中心相当的性能，证实了该框架处理扫描仪相关差异的能力。

意义与主张
本文声称证明了在严格保护数据隐私的前提下，使用联邦学习进行头颈部 CBCT 到 sCT 转换的技术可行性。研究确立了以下结论：

1. 协作式跨机构模型训练可以在不共享原始患者数据的情况下实现，符合隐私法规。
2. 联邦方法可以产生能有效泛化至不同成像协议和扫描仪类型的模型，克服了单中心训练的局限性。
3. 所提出的框架将 FedSynthCT 范式从 MRI 扩展到了 CBCT，解决了构建稳健、中心无关模型的关键需求。

作者谦虚地指出，虽然模型表现良好，但由于 SynthRAD2025 数据集中缺乏治疗计划数据，本研究尚未评估其在剂量计算中的临床集成情况。此外，他们也承认，在极端 HU 值区域（空气腔、致密骨骼）存在的误差仍然存在，这可能是由于训练数据代表性不足以及配准不准确造成的，这为未来的针对性训练策略指明了方向。