Fed-MUnet : Unet fédéré multi-modal pour la segmentation des tumeurs cérébrales

Les techniques basées sur l'apprentissage profond ont été largement utilisées pour la segmentation des tumeurs cérébrales en utilisant à la fois des images d'Imagerie par Résonance Magnétique (IRM) mono-modal et multi-modal. La plupart des études actuelles se concentrent sur l'entraînement centralisé en raison du défi intrinsèque du partage de données entre cliniques. Pour atténuer les préoccupations en matière de confidentialité, les chercheurs ont introduit des méthodes d'apprentissage fédéré (FL) pour les tâches de segmentation des tumeurs cérébrales. Cependant, actuellement, ces méthodes se concentrent sur l'IRM mono-modal, avec une étude limitée sur l'IRM multi-modal. Les défis incluent la structure complexe, des paramètres à grande échelle et des problèmes de surajustement des méthodes basées sur FL utilisant l'IRM multi-modal. Pour relever ces défis, nous proposons un nouveau cadre FL multi-modal pour la segmentation des tumeurs cérébrales (Fed-MUnet) qui est adapté à l'entraînement FL. Nous évaluons notre approche avec les ensembles de données BraTS2022, qui sont disponibles publiquement. Les résultats expérimentaux démontrent que notre cadre atteint la nature FL de l'apprentissage distribué et préserve la confidentialité. Pour la tumeur en expansion, le noyau tumoral et la tumeur entière, la moyenne de cinq grandes métriques était de 87,5 %, 90,6 % et 92,2 %, respectivement, ce qui était supérieur aux méthodes SOTA tout en préservant la confidentialité. En termes de nombre de paramètres, de quantité d'opérations à virgule flottante (FLOPs) et d'inférence, Fed-MUnet est optimal de Pareto par rapport à l'architecture de segmentation à la pointe de la technologie tout en atteignant de meilleures performances et en s'attaquant aux problèmes de confidentialité. Nos codes sont open-source sur https://github.com/Arnold-Jun/Fed-MUnet.