基于伪动力学驱动的联邦扩散血流动力学框架，用于对比增强MRI中的乳腺肿瘤分割

《Expert Systems with Applications》：Pseudo Kinetics-driven Federated Diffusion Hemodynamic Framework for Breast Tumor Segmentation in Pre-contrast MRI

提出基于联邦学习的扩散动力学框架（FDKM），通过预对比MRI隐式利用药代动力学先验，结合可控联邦学习处理多中心协议差异，显著提升乳腺肿瘤分割性能，并验证其在分子亚型识别和脑分割中的可扩展性。

　　

吕天旭|杨晓|刘莉|雷晨毅|范建松|刘园|李丽华|潘翔

江南大学人工智能与计算机科学学院，中国无锡214122

摘要

从对比增强磁共振成像（pre-contrast MRI）中准确估计血流动力学特征对于乳腺肿瘤的分割具有临床价值，但由于对比剂提供的信息不足以及不同中心成像协议的差异，这一任务具有挑战性。在此，我们提出了一种联邦扩散血流动力学框架（FDKM），该框架隐式利用了药代动力学先验知识来进行乳腺肿瘤的分割。具体而言，我们设计了一个扩散动力学模型（DKM），通过将对比增强磁共振成像转换为对比增强后的磁共振成像来捕捉血流动力学响应和时间强度曲线（TIC）的特征。然后估计出一个潜在的动力学代码，并将其整合到下游网络中以提供血流动力学指导。为了处理不同中心协议之间的差异，我们开发了一种可控的去中心化联邦学习（ConDFL）框架，通过控制信息交换来增强动力学代码的语义信息。在多中心数据集上的广泛实验表明，与使用完整序列的现有方法相比，我们的框架表现更为优越。此外，FDKM在分子亚型识别和脑部分割方面也显示出很强的扩展性。我们的方案提供了一个全面的、跨机构的、与临床相关的视角，仅使用常规磁共振成像即可反映微循环及其在病变中的变化。

引言

乳腺癌是一种高度普遍且异质性强的恶性肿瘤，在准确诊断和有效治疗方面面临重大挑战（Pasha & Turner, 2021）。肿瘤的大小、形状、外观和密度的多样性使得医生和放射科医生难以准确进行病变分割和分子亚型识别（Li et al., 2025）。动态增强磁共振成像（DCE-MRI）提供了一种有用的、非侵入性的功能成像工具，可以量化每个体素的血流动力学变化，用于绘制体内乳腺癌的血管通透性和组织微结构（Jarrett et al., 2021）。与结构磁共振成像相比，DCE-MRI不仅能够表征病变的形态变化，还能获取揭示局部灌注和生理特性的微功能信息，这对于表征乳腺病变至关重要（Bai, Qiu, & Zhang, 2023; Lv et al., 2024; Tavakoli et al., 2023）。

在DCE-MRI中准确分割乳腺肿瘤对于准确界定病变和后续临床决策至关重要。现有的分割方法通常依赖于完整的DCE-MRI序列，包括对比增强前和多个对比增强后的时间点（Lv et al., 2022; Sun, Cheng, Plein, Garg, & van der Geest, 2022）。为了避免混淆，“MRI”一词特指DCE-MRI协议中的不同阶段，包括对比增强前（pre-contrast MRI）和对比增强后（post-contrast MRI）图像。尽管这些方法利用了动态信息和时间强度曲线（TIC）特征来指示病变的血流动力学，但它们面临一些实际限制，如高成本、扫描速度慢、可能的过敏反应以及由对比剂引起的肾功能损害（Faucon, Bobrie, & Clément, 2019; Pasquini et al., 2022）。此外，由于患者状况和设备限制，临床上很难获得完整的时间序列。因此，提出一种仅从对比增强前MRI准确估计血流动力学特征以进行肿瘤分割的方法具有重要的临床价值。然而，在开发这种方法时存在几个挑战。首先，对比增强前MRI中对比剂提供的信息不足，难以准确捕捉血流动力学响应和TIC特性。其次，不同医疗机构的成像协议差异增加了构建有效且通用模型的复杂性。

本工作的目标是通过开发一个统一的框架来解决上述挑战，该框架利用血流动力学表示来促进对比增强前MRI中的乳腺肿瘤分割。图1展示了所提出框架的概览。首先，我们研究了血流动力学响应函数（HRF）的过程。在HRF过程中，只有肿瘤病变会被增强，而非肿瘤区域保持不变。通过设计一个能够有效将对比增强前MRI转换为对比增强后MRI的网络架构，该网络能够捕捉揭示血流动力学信息的关键表示，从而提高肿瘤分割的性能。基于这些观察结果，我们创新性地考虑了HRF与去噪扩散过程（DDP）之间的潜在关系。具体来说，DDP可以被视为对比剂从血管系统进入周围组织和病变的过程。通过训练一个扩散模型，从噪声较大的对比增强前图像预测对比增强后图像，可以通过潜在的动力学代码隐式利用血流动力学信息，从而促进后续的肿瘤分割。其次，为了解决数据异质性问题并提高模型在不同中心之间的泛化能力，我们采用了可控的去中心化联邦学习（ConDFL）策略。这种方法能够在保持数据隐私的同时，促进多中心DCE-MRI数据集上的协作训练，并保持对中心特定特征的敏感性。通过控制中心之间的信息交换程度，该框架能够在局部异质性和全局模型鲁棒性之间取得平衡。

在这里，我们提出了一种联邦扩散血流动力学框架（FDKM），该框架隐式利用了药代动力学先验知识来进行对比增强前MRI中的乳腺肿瘤分割。具体而言，我们创新性地考虑了HRF与DDP之间的潜在关系，并据此设计了一个扩散动力学模型（DKM），通过将对比增强前MRI转换为对比增强后MRI来捕捉血流动力学知识。一旦训练完成，DKM就可以直接从对比增强前MRI中有效估计出一个包含血流动力学信息的潜在动力学代码。随后，部署了一个可控的去中心化联邦框架（ConDFL），该框架利用多中心DCE-MRI来增强动力学代码的语义表示并提高DKM的泛化能力。这是通过定期在参与中心之间交换中间信息来实现的。交换互动的比例受到控制，以确保局部异质性和理想的互信息，最终促进了一个强大且稳健的模型来估计动力学代码。然后，我们将精炼的动力学代码整合到分割模型中，使用设计的动力学残差块（KRB）来提高它们的性能。在三个公开的乳腺癌DCE-MRI数据集上的实验表明，仅使用对比增强前MRI的所提出方法在乳腺肿瘤分割方面的表现优于几种使用完整DCE-MRI序列的现有方法。本工作的主要贡献可以总结如下：

我们提出了一种新的FDKM，利用对比增强前MRI的血流动力学先验知识，显著提高了乳腺肿瘤分割的性能。

我们首先考虑了HRF与DDP之间的潜在关系，并据此设计了DKM，从对比增强前MRI中直接估计出包含血流动力学信息的潜在动力学代码。

我们开发了ConDFL，利用多中心DCE-MRI来增强动力学代码的语义表示，并通过可控的信息交换提高模型在不同成像协议之间的泛化能力。

与使用完整DCE-MRI序列的现有方法相比，所提出的方案即使在仅使用对比增强前MRI的情况下也能在肿瘤分割方面表现出更优的性能。我们还通过与现有模型的结合以及应用于分子亚型识别和脑部分割来验证其通用性和扩展性。

章节片段

通过AI合成对比增强成像

对比剂是生物医学成像中的重要工具，可以更精确地诊断许多疾病。然而，它们并非没有禁忌症和潜在的副作用，如过敏反应和肾毒性（Faucon et al., 2019）。最近，一种称为虚拟增强的方法引起了广泛关注，该方法旨在从非对比增强图像的可用信息中创建对比增强图像（Pasquini et al., 2022; Salehjahromi et al., 2024）。

问题陈述

血流动力学在DCE-MRI中起着关键作用，因为它们决定了对比剂在体内的分布和清除速率（Collins & Padhani, 2004）。准确建模血流动力学有助于提取各种临床应用中的有价值信息，如肿瘤诊断和病变分割。设$\{x_K,K=0,1,,k\}$是一系列代表DCE-MRI协议的图像，其中x₀表示对比增强前MRI，x_k表示对比增强后的MRI。

数据集描述

在这项工作中，我们使用了三个公开可用的乳腺肿瘤数据集（Clark et al., 2013），这些数据集采用了不同的成像协议，以及一个脑部数据集来评估所提出的方法。(I) Breast-MRI-NACT-Pilot数据集（Newitt & Hylton, 2016）包含了64名接受新辅助化疗（NACT）的浸润性乳腺癌患者的纵向DCE-MRI研究。每个对比增强MRI协议至少获取了三个时间点：一次对比增强前扫描，随后是2次连续的

与现有方法的比较

在这项研究中，我们提出了一种新的联邦扩散血流动力学框架（FDKM），该框架隐式利用了对比增强前MRI中的药代动力学先验知识来进行乳腺肿瘤分割和分子亚型识别。我们的方法解决了DCE-MRI分析中的两个关键挑战：对比增强前图像中缺乏对比剂信息以及不同中心成像协议的差异性。实验结果表明，FDKM不仅取得了更好的

结论

在这项工作中，我们使用三个公开数据集证明了所提出方法在肿瘤分割和分子亚型分类方面的有效性。与空间分割方法、时空分割方法、医学图像转换方法和联邦学习方法相比，我们的方法仅使用对比增强前MRI就获得了更好的肿瘤分割结果。我们还验证了我们提出的去中心化联邦学习的通用性和扩展性

缩写

本手稿中使用了以下缩写：

缩写	描述
ACC	准确性
CFL	集中式联邦学习
ConDFL	可控去中心化联邦学习
CNN	卷积神经网络
DCE-MRI	动态增强磁共振成像
DWI	扩散加权成像
DDP	去噪扩散过程
DDPM	去噪扩散概率模型
DKM	扩散动力学模型
DSC	骰子相似系数
F1	F1分数
FDKM	联邦扩散动力学框架
FL	联邦学习
GAN

代码可用性

源代码可在以下地址获取：https://github.com/ttt553/FDKM

CRediT作者署名声明

我们签署人声明，这篇题为“用于对比增强前MRI中乳腺肿瘤分割的伪动力学驱动的联邦扩散血流动力学框架”的手稿是原创的，之前未发表过，也没有被其他地方考虑发表。我们确认手稿中作者的顺序已经得到了所有人的批准。

我们理解通讯作者是编辑过程中的唯一联系人。他/她负责与

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系，这些利益或关系可能会影响本文报告的工作。