DOI: https://doi.org/10.3389/fdgth.2026.1812254
PMID: https://pubmed.ncbi.nlm.nih.gov/42375154
تاريخ النشر: 2026-06-15
المؤلف: Ciro Benito Raggio وآخرون
الموضوع الرئيسي: تقنيات العلاج الإشعاعي المتقدمة
نظرة عامة
تقدم ورقة البحث نهجًا جديدًا لتوليف التصوير المقطعي المحوسب الاصطناعي (sCT) من صور التصوير المقطعي المحوسب باستخدام شعاع المخروط (CBCT) باستخدام التعلم الفيدرالي عبر الصوامع (FL)، مع معالجة التحديات مثل زيادة الضوضاء، والحد من تباين الأنسجة الرخوة، والعيوب في CBCT التي تعيق التقدير الدقيق لكثافة الإلكترون لحساب الجرعة في العلاج الإشعاعي الموجه بالصورة (IGRT). يعتمد الأسلوب المقترح على إطار عمل FedSynthCT، مستفيدًا من شبكة تنافسية مولدة شرطية (cGAN) تم تدريبها على بيانات من ثلاثة مراكز طبية أوروبية مع ضمان خصوصية البيانات والامتثال للوائح.
تشير النتائج إلى أن النموذج الفيدرالي يظهر تعميمًا فعالًا عبر مؤسسات مختلفة، حيث تتراوح قيم الخطأ المطلق المتوسط (MAE) من $64.38 \pm 13.63$ إلى $85.90 \pm 7.10$ HU، وقيم مؤشر التشابه الهيكلي (SSIM) من $0.88 \pm 0.02$ إلى $0.92 \pm 0.04$، وقيم نسبة الإشارة إلى الضوضاء (PSNR) من $32.86 \pm 0.94$ إلى $34.91 \pm 1.04$ dB. أسفرت التحقق الخارجي على مجموعة بيانات تضم 60 مريضًا عن مقاييس قابلة للمقارنة، مما يؤكد قوة النموذج على الرغم من التباينات في بروتوكولات التصوير وأنواع الماسحات. تختتم الدراسة بأن FL هو حل قابل للتطبيق لتطوير نماذج قابلة للتعميم لتوليف CBCT إلى sCT مع الحفاظ على خصوصية البيانات، مما يسهل البحث التعاوني عبر المؤسسات دون الحاجة إلى مشاركة البيانات.
مقدمة
تناقش مقدمة هذه الورقة البحثية التقدمات الكبيرة في العلاج الإشعاعي (RT) من خلال دمج العلاج الإشعاعي الموجه بالصورة (IGRT)، مع التركيز بشكل خاص على التصوير المقطعي المحوسب باستخدام شعاع المخروط (CBCT). أصبح CBCT وسيلة IGRT معتمدة على نطاق واسع نظرًا لقدرته على توفير تصوير حجمي، مما يعزز دقة العلاج من خلال السماح بالتحقق في الوقت الحقيقي من تحديد الهدف وإدارة التباين التشريحي. ومع ذلك، فإن قيود CBCT، مثل زيادة ضوضاء الصورة وتقليل تباين الأنسجة الرخوة، استدعت تطوير تقنيات توليد التصوير المقطعي المحوسب الاصطناعي (sCT)، والتي تحول صور CBCT إلى نظائر اصطناعية أكثر موثوقية لتحسين دقة الجرعة.
تسلط الورقة الضوء على فعالية أساليب التعلم العميق (DL) في توليد sCT، وخاصة من خلال هياكل مثل U-Net والشبكات التنافسية المولدة (GANs)، التي أظهرت وعدًا في إنتاج صور اصطناعية قابلة للاستخدام سريريًا. على الرغم من إمكانيات DL، لا تزال التحديات قائمة بسبب التباين المؤسسي واللوائح المتعلقة بخصوصية البيانات، مما يعيق قابلية توسيع هذه النماذج. لمعالجة هذه القضايا، يقترح المؤلفون إطار عمل للتعلم الفيدرالي (FL) لترجمة CBCT إلى sCT في منطقة الرأس والعنق، مستفيدين من بيانات من عدة مراكز أوروبية مع الحفاظ على خصوصية البيانات. يهدف هذا النهج إلى تعزيز تعميم النموذج وقوته، مما يوضح إمكانية التدريب التعاوني في التصوير الطبي دون المساس ببيانات المرضى الحساسة.
طرق
تحدد قسم “الطرق” المواد والمنهجيات المستخدمة في البحث. يوضح تصميم التجربة، بما في ذلك اختيار المواد، وإعداد التجارب، والإجراءات المتبعة لضمان قابلية التكرار وموثوقية النتائج. يتم وصف تقنيات محددة مستخدمة لجمع البيانات وتحليلها، مع التأكيد على أي طرق إحصائية تم تطبيقها لتفسير النتائج.
بالإضافة إلى ذلك، قد يتضمن القسم معلومات عن حجم العينة، وتدابير التحكم، وأي أدوات أو تقنيات تم استخدامها خلال التجارب. يضمن هذا النهج الشامل أن البحث يتماشى مع المعايير العلمية الصارمة، مما يسمح بالتحقق وإمكانية التكرار من قبل باحثين آخرين في هذا المجال.
نتائج
تم تقييم نتائج نموذج الشبكة التنافسية المولدة الشرطية (cGAN) الفيدرالي المقترح من خلال تحليلات كمية ونوعية عبر عدة مراكز سريرية. أظهر الخطأ المطلق المتوسط (MAE) العالمي انخفاضًا كبيرًا من حوالي 310 HU إلى نطاق مستقر من 90-130 HU خلال الجولات العالمية الخمس إلى العشر الأولى، مع الحفاظ على تقلبات أقل من ±5 HU بعد الجولة 30-35. من بين التكوينات المختبرة، أظهر $m = 3$ المسار الأكثر استقرارًا للتقارب، مع تقليل التذبذبات وهبوط أولي أسرع مقارنة بالتكوينات الأخرى. وبالتالي، تم اختيار هذا التكوين، مع فترتين محليتين، كأفضل خيار لتحقيق توازن بين أداء النموذج وكفاءة الحوسبة.
أظهر تحليل إضافي أنه بينما أدى زيادة الفترات المحلية إلى تحسين استقرار التقارب، إلا أنه زاد أيضًا من المتطلبات الحاسوبية دون تحسين كبير في مقاييس جودة الصورة. تم التحقق من أداء النموذج الفيدرالي باستخدام مجموعة اختبار خارجية من المركز A، التي حققت مقاييس قابلة للمقارنة (MAE من 75.22 ± 11.81 HU، SSIM من 0.90 ± 0.03، PSNR من 33.52 ± 2.06 dB) على الرغم من عدم مشاركتها في التدريب. ساهمت المراكز B وC وE في التدريب، حيث حققت المركز C أفضل أداء كمي (MAE من 64.38 ± 13.63 HU، SSIM من 0.92 ± 0.04، PSNR من 34.48 ± 1.39 dB). أشارت التقييمات النوعية إلى أن التصوير المقطعي المحوسب الاصطناعي (sCTs) الناتج كانت متوافقة تشريحيًا مع التصوير المقطعي المحوسب الحقيقي، على الرغم من أن بعض التباينات كانت تعزى إلى عدم المحاذاة بين CBCT وCT بدلاً من أخطاء التوليد. بشكل عام، أظهر نموذج cGAN الفيدرالي قدرات تعميم قوية عبر مجموعات بيانات سريرية متنوعة.
نقاش
في هذه الدراسة، استكشف المؤلفون فعالية إطار عمل التعلم الفيدرالي عبر الصوامع (FL) لتوليف صور التصوير المقطعي المحوسب الاصطناعي (sCT) من مسحات التصوير المقطعي المحوسب باستخدام شعاع المخروط (CBCT) في منطقة الرأس والعنق، مستفيدين من بيانات من عدة مراكز أوروبية. استخدمت البحث مجموعات بيانات من تحدي SynthRAD2025، مع التركيز على ثلاثة مراكز (B وC وE) مع استبعاد المركز D بسبب قيود البيانات. شملت إعدادات التدريب الفيدرالي خادمًا مركزيًا مرتبطًا بمجموعة بيانات المركز A للتحقق الخارجي، بينما تم تدريب النماذج المحلية في المراكز المشاركة. تم تطبيق خط أنابيب معالجة مسبقة موحدة لتوحيد البيانات عبر المراكز، مع معالجة التباين في بروتوكولات التصوير وأنواع الماسحات. أكدت الدراسة أن التدريب الفيدرالي يمكن أن يحافظ على قدرات التعميم على الرغم من الاختلافات بين المؤسسات، مع تحديد تحليل الحساسية معاملًا قريبًا من \( m = 3 \) كأفضل خيار لهذه المهمة.
كان نموذج التعلم العميق المستخدم قائمًا على بنية Pix2Pix، مستفيدًا من إطار عمل شبكة تنافسية مولدة شرطية (cGAN) لإدارة تحديات البيانات غير المتطابقة بشكل مثالي. أشارت النتائج إلى أن النموذج الفيدرالي حقق خطأ مطلق متوسط (MAE) قدره \( 74.22 \pm 13.23 \) HU، ومقياس مؤشر التشابه الهيكلي (SSIM) قدره \( 0.92 \pm 0.01 \)، ونسبة إشارة إلى ضوضاء (PSNR) قدرها \( 34.91 \pm 1.04 \) dB. من الجدير بالذكر أن الدراسة وجدت أن جودة التسجيل أثرت بشكل كبير على مقاييس تشابه الصورة، مع وجود ارتباط سلبي قوي بين التغيرات في المعلومات المتبادلة الطبيعية (DNMI) والتغيرات في MAE. تشير النتائج إلى أنه بينما أظهر النموذج الفيدرالي أداءً قويًا عبر مجموعات بيانات متنوعة، فإن القيود الرئيسية كانت ناتجة عن عدم دقة التسجيل بدلاً من قدرات نموذج التوليد. تشمل اتجاهات البحث المستقبلية تقييم القابلية السريرية لـ sCTs المولدة فيدراليًا ومعالجة المخاوف المحتملة المتعلقة بالخصوصية المرتبطة بالتعلم الفيدرالي.
DOI: https://doi.org/10.3389/fdgth.2026.1812254
PMID: https://pubmed.ncbi.nlm.nih.gov/42375154
Publication Date: 2026-06-15
Author(s): Ciro Benito Raggio et al.
Primary Topic: Advanced Radiotherapy Techniques
Overview
The research paper presents a novel approach to synthesizing synthetic CT (sCT) from cone-beam computed tomography (CBCT) images using cross-silo federated learning (FL), addressing challenges such as increased noise, limited soft-tissue contrast, and artifacts in CBCT that hinder accurate electron density estimation for dose calculation in image-guided radiotherapy (IGRT). The proposed method builds upon the FedSynthCT framework, utilizing a conditional generative adversarial network (cGAN) trained on data from three European medical centers while ensuring data privacy and compliance with regulations.
Results indicate that the federated model demonstrates effective generalization across different institutions, with mean absolute error (MAE) values ranging from $64.38 \pm 13.63$ to $85.90 \pm 7.10$ HU, structural similarity index (SSIM) values from $0.88 \pm 0.02$ to $0.92 \pm 0.04$, and peak signal-to-noise ratio (PSNR) values from $32.86 \pm 0.94$ to $34.91 \pm 1.04$ dB. External validation on a dataset of 60 patients yielded comparable metrics, confirming the robustness of the model despite variations in imaging protocols and scanner types. The study concludes that FL is a viable solution for developing generalizable models for CBCT-to-sCT synthesis while maintaining data privacy, thus facilitating collaborative research across institutions without necessitating data sharing.
Introduction
The introduction of this research paper discusses the significant advancements in radiotherapy (RT) through the integration of image-guided radiotherapy (IGRT), particularly focusing on cone-beam computed tomography (CBCT). CBCT has become a widely adopted IGRT modality due to its ability to provide volumetric imaging, enhancing treatment precision by allowing real-time verification of target localization and management of anatomical variability. However, CBCT’s limitations, such as increased image noise and reduced soft-tissue contrast, necessitated the development of synthetic CT (sCT) generation techniques, which convert CBCT images into more reliable synthetic counterparts for improved dosimetric accuracy.
The paper highlights the effectiveness of deep learning (DL) approaches in sCT generation, particularly through architectures like U-Net and Generative Adversarial Networks (GANs), which have shown promise in producing clinically viable synthetic images. Despite the potential of DL, challenges remain due to institutional variability and data privacy regulations, which hinder the scalability of these models. To address these issues, the authors propose a federated learning (FL) framework for CBCT-to-sCT translation in the head and neck region, leveraging data from multiple European centers while maintaining data privacy. This approach aims to enhance model generalization and robustness, demonstrating the feasibility of collaborative training in medical imaging without compromising sensitive patient data.
Methods
The “Methods” section outlines the materials and methodologies employed in the research. It details the experimental design, including the selection of materials, the setup of experiments, and the procedures followed to ensure reproducibility and reliability of results. Specific techniques used for data collection and analysis are described, emphasizing any statistical methods applied to interpret the findings.
Additionally, the section may include information on the sample size, control measures, and any instruments or technologies utilized during the experiments. This comprehensive approach ensures that the research adheres to rigorous scientific standards, allowing for validation and potential replication by other researchers in the field.
Results
The results of the proposed federated conditional Generative Adversarial Network (cGAN) model were evaluated through quantitative and qualitative analyses across multiple clinical centers. The global Mean Absolute Error (MAE) exhibited a significant reduction from approximately 310 HU to a stable range of 90-130 HU within the first 5-10 global rounds, maintaining fluctuations below ±5 HU after round 30-35. Among the configurations tested, $m = 3$ demonstrated the most stable convergence trajectory, with reduced oscillations and a faster initial descent compared to other configurations. Consequently, this configuration, along with two local epochs, was selected as optimal for balancing model performance and computational efficiency.
Further analysis revealed that while increasing local epochs improved convergence stability, it also increased computational demands without significantly enhancing image quality metrics. The performance of the federated model was validated using an external test set from Center A, which achieved comparable metrics (MAE of 75.22 ± 11.81 HU, SSIM of 0.90 ± 0.03, PSNR of 33.52 ± 2.06 dB) despite not participating in training. Centers B, C, and E contributed to the training, with Center C achieving the best quantitative performance (MAE of 64.38 ± 13.63 HU, SSIM of 0.92 ± 0.04, PSNR of 34.48 ± 1.39 dB). Qualitative assessments indicated that generated synthetic CTs (sCTs) were anatomically consistent with ground-truth CTs, although some discrepancies were attributed to misalignments between CBCT and CT scans rather than generation errors. Overall, the federated cGAN model demonstrated robust generalization capabilities across diverse clinical datasets.
Discussion
In this study, the authors explored the efficacy of a cross-silo federated learning (FL) framework for synthesizing synthetic CT (sCT) images from cone-beam CT (CBCT) scans in the head and neck region, leveraging data from multiple European centers. The research utilized datasets from the SynthRAD2025 challenge, focusing on three centers (B, C, and E) while excluding Center D due to data limitations. The federated training setup involved a central server linked to Center A’s dataset for external validation, while local models were trained at the participating centers. A standardized preprocessing pipeline was applied to harmonize the data across centers, addressing variability in imaging protocols and scanner types. The study confirmed that federated training could maintain generalization capabilities despite inter-institutional differences, with a sensitivity analysis identifying a proximal coefficient of \( m = 3 \) as optimal for the task.
The deep learning model employed was based on the Pix2Pix architecture, utilizing a conditional Generative Adversarial Network (cGAN) framework to manage the challenges of imperfectly paired data. The results indicated that the federated model achieved a mean absolute error (MAE) of \( 74.22 \pm 13.23 \) HU, a structural similarity index measure (SSIM) of \( 0.92 \pm 0.01 \), and a peak signal-to-noise ratio (PSNR) of \( 34.91 \pm 1.04 \) dB. Notably, the study found that registration quality significantly impacted image similarity metrics, with a strong negative correlation between changes in normalized mutual information (DNMI) and changes in MAE. The findings suggest that while the federated model demonstrated robust performance across diverse datasets, the primary limitations stemmed from registration inaccuracies rather than the generative model’s capabilities. Future research directions include evaluating the clinical applicability of federated-generated sCTs and addressing potential privacy concerns associated with federated learning.