基于多中心左心房增大（LGE）心脏磁共振（CMR）图像的自适应个性化联邦学习方法用于左心房分割

《Expert Systems with Applications》：Adaptive Personalized Federated Learning for Left Atrium Segmentation from Multi-center LGE CMR Images

左心房自动分割技术通过联邦学习框架解决多中心数据异质性，创新性地提出低频域和谐化、原型不确定性解码和中心自适应细化三模块，有效抑制跨中心偏差与标注差异，在四个医疗机构的LGE-CMRI数据集上DSC达0.928，显著优于现有方法。

　　

刘哲|辛玉阳|杨光|滕巧英|曹雄峰|杜国忠|陈俊|祖凌云

中国江苏省镇江市江苏大学计算机科学与通信工程学院

摘要

从晚钆增强心脏磁共振（LGE CMR）图像中自动且准确地分割左心房（LA）对于心房颤动（AF）的临床治疗至关重要。多中心学习可以促进LGE CMR图像的LA分割，但受到数据共享限制和数据异质性的挑战。为了解决这些问题，我们在联邦学习框架中明确地将数据异质性建模为结构化和多方面的变异性，将全局共享的不变性与中心特定的偏差区分开来。因此，我们提出了一种自适应个性化联邦学习框架（FedAP），用于LGE CMR图像的多中心LA分割，该框架包括三个组成部分。首先，提出了低频域谐波化（Low-Frequency Domain Harmonization，LFDH）方法，通过整合来自不同扫描仪的互补低频成像先验来减少中心间的特征差异，同时抑制中心特定的偏差，从而产生稳定且中心不变的特征表示。其次，提出了基于原型的全局不确定性解码（Prototype-based Global Uncertainty Decoding，PGUD）方法，使用全局原型分布将中心间的注释差异建模为潜在的随机性，实现基于不确定性的解码。最后，提出了中心自适应细化（Center-Adaptive Refinement）方法，利用全局共识预测作为中心特定适应的一致性先验，实现鲁棒性和个性化之间的协同平衡。在四个多中心LA数据集上的广泛评估表明，FedAP始终优于现有的联邦学习方法，在LGE-CMR分割中分别获得了0.948、0.912、0.876和0.928的DSC（Dice Similarity Score）。

引言

从晚钆增强心脏磁共振（LGE CMR）图像中自动且准确地分割左心房（LA）对于心房颤动（AF）的治疗至关重要（Boyle等人，2019年）。AF是一种常见的心律失常，与LA结构重塑密切相关（Ko、Chung、Evans、Benjamin和Helm，2025年）。有效治疗AF需要全面评估LA结构重塑，以确定合适的消融候选者，指导个性化治疗策略，并预测复发风险（Kwan等人，2025年）。此类评估通常涉及对LA的全面表征，包括体积和结构参数以及纤维化的程度。这些特征的准确量化依赖于LA的精确分割。LGE-CMR提供了高分辨率图像，可以详细显示心房解剖结构和纤维化区域，使其成为此类评估的首选模式（Letsas、Saplaouras、Mililis、Kariki、Dragasis、Patsiotis、Bazoukis、Efremidis、Nyktari，2024年；Yang、Chen、Gao、Li、Ni、Angelini、Wong、Mohiaddin、Nyktari、Wage等人，2020年）。然而，当前的临床实践主要依赖于经验丰富的医生手动从LGE CMR图像中进行LA分割，这既繁琐又耗时。这些限制凸显了迫切需要自动化、高精度的LGE CMR图像LA分割技术，以提高LA评估的可靠性和效率，从而促进更明智的AF管理临床决策。

多中心学习通过利用多个机构的数据，在LGE-CMR图像的LA分割方面具有巨大潜力，但面临数据共享限制和异质性的挑战（Asjad、Qayyum、Mazher、Naseem、Khan、Niederer、Razzak，2024年；Gao、Li、Wu、Wang、Zhuang，2022a）。与单中心研究相比，多中心数据的汇总提供了更大的样本多样性和更广泛的成像变化覆盖范围，使模型能够学习更鲁棒和更具代表性的LA分割特征嵌入。尽管有这些优势，但由于数据共享通常受到隐私法规（Qiao、Guo、Wang、Zhu、Rodrigues、Lyu，2025a；Qiao、Guo、Wang、Zhu、Rodrigues、Lyu，2025b；Qiao、Zhu、Sha、Wang、Guo，2025d）、伦理考虑和机构政策的限制，多中心数据的有效利用仍然具有挑战性，这些因素阻碍了直接的数据汇总和集中式模型训练。除了数据共享问题外，中心间的异质性也是实现稳定和通用分割性能的关键障碍，如图1所示。这种异质性大致可以分为特征异质性和标签异质性。特征异质性源于不同中心之间的成像协议、扫描仪配置和患者群体的差异，导致图像外观和特征分布的显著变化（Liu、Dou、Yu和Heng，2020年）。这些差异阻碍了分割模型学习一致和可转移的成像模式的能力。相比之下，标签异质性主要是由不同中心的专家注释者之间的注释标准和主观解释差异引起的（Gao、Wu、Gao和Zhuang，2022b），导致分割标签不一致，从而干扰了准确语义表示的学习，特别是在心房边界处。此外，数据共享有限和中心间异质性的综合效应大大降低了模型的泛化能力，导致分割结果不稳定，从而限制了LA分割模型在真实世界多中心临床环境中的应用。

联邦学习（FL）作为一种有前景的范式出现，无需直接进行中心间数据共享即可实现多中心协作（Guan、Yap、Bozoki和Liu，2024年）。传统的全球FL框架主要侧重于通过聚合各中心训练的模型或梯度来学习单一的全球模型，旨在捕捉多个数据集的共享知识。代表性方法引入了优化约束或自适应聚合策略，以在非相同数据分布下提高训练稳定性（Li、Sahu、Zaheer、Sanjabi、Talwalkar、Smith，2020年；Zhang、Hua、Wang、Song、Xue、Ma、Guan，2023c）。然而，这些全球FL方法隐含地假设中心间的数据足够同质，因此在面对明显的中心间变异性时往往难以很好地泛化。为了解决这个问题，提出了个性化联邦学习（PFL），以针对个别客户端定制模型。基于模型的个性化联邦学习方法在共享部分参数或元模型的同时保持独立的本地模型，以平衡全局知识和本地适应。基于正则化的个性化联邦学习方法限制本地更新，使其接近全局模型，旨在在非独立同分布（non-i.i.d.）环境下稳定训练（Dai、Chen、Li、Heinecke、Sun、Xu，2023年；Xie、Huang、Chu、Xu、Xiao、Li、Anandkumar，2024年；Zhang、Li、Dai、Zou、Xiong，2023a）。以表示为导向的个性化联邦学习策略试图在学习共享特征空间的同时允许任务特定的头部或本地适应（Xu、Tong和Huang、Zhang、Hua、Wang、Song、Xue、Ma、Cao、Guan，2023b）。尽管有这些进展，大多数现有的PFL方法主要关注输入域或特征级别的差异，很大程度上忽略了多中心医学成像的两个关键方面。首先，中心特定的成像特征通常与低频强度统计信息纠缠在一起，传统的特征对齐策略未能充分解决这一问题，导致学习到的表示中存在持续的域偏差。其次，标签异质性通常被视为需要抑制的噪声或不一致性，将不同的注释强制纳入单一的确定性目标，从而忽略了多中心注释的固有模糊性和随机性。

为了解决上述问题，我们提出在联邦学习中将数据异质性概念化为结构化和多方面的变异性，将全局共享的不变性与中心特定的偏差区分开来，在统一的学习范式中。这种观点使得在数据共享限制下实现全局一致性和中心级个性化之间的原则性协调成为可能。基于这一观点，我们提出了一个用于多中心LA分割的自适应个性化联邦学习框架（FedAP）。FedAP通过三个紧密耦合的组件明确地在成像、注释和中心适应层面建模异质性。首先，引入了低频域谐波化（LFDH）方法，通过联合建模不同扫描仪、采集协议和对比剂分布形成的互补低频统计信息来减少中心间的特征差异。该策略提取了稳定且中心不变的低频表示，同时抑制中心特定的偏差，为模型学习提供了一致的基础。其次，为了应对标签异质性，提出了基于原型的全局不确定性解码（PGUD）方法，通过全局原型分布将中心间注释差异建模为潜在的随机变化。在解码过程中从该分布中抽取的多个样本生成多样的预测，从而能够明确地对注释不确定性进行建模，而不是强制单一的确定性输出。第三，提出了中心自适应细化（CAR）方法，通过使用平均全局预测作为一致性先验来协调全局共识与中心特定特征，同时结合中心特定的图像信息来纠正系统偏差。这种设计在全局一致性和本地适应之间取得了平衡，产生了鲁棒且准确的中心特定预测。

我们的主要贡献总结如下：

•

我们提出低频域谐波化方法，通过联合建模互补的低频统计信息来适应性地解决中心间特征差异，从而提取稳定且中心不变的抗成像表示，同时有效抑制中心特定的偏差。

•

我们提出基于原型的全局不确定性解码方法，通过使用全局原型分布将中心间注释差异建模为潜在的随机变化，从而实现基于不确定性的解码。

•

我们提出中心自适应细化方法，通过将平均全局预测作为一致性先验与中心特定的图像信息相结合，以平衡全局共识和个性化适应，从而纠正系统偏差。

章节片段

左心房分割

从LGE CMR图像中准确且自动地分割左心房（LA）对于心房颤动（AF）的评估、消融计划和纤维化的量化至关重要。深度学习显著推进了LA分割的先进技术（Chen、Li、Zhang、Cho、Hwang、Gao、Yang，2024a；Chen、Zhang、Gong、Gao，2024c；LeCun、Bengio、Hinton，2015）。在单中心环境中，大多数方法利用完全监督的深度学习框架，通常基于U-Net（V-Net）及其2D和3D变体（

概述

如图2（a）所示，所提出的框架遵循个性化联邦范式，包括一个共享的全球模型和每个中心的特定客户端模型。图2（b）展示了本地训练流程，该流程包括三个核心模块：低频域谐波化（LFDH）模块、基于原型的全局不确定性解码（PGUD）模块和中心自适应细化（CAR）模块。LFDH适应性地结合了互补的低频

数据集

我们在来自四个不同临床机构（C1–C4）收集的LGE-CMR图像上评估了我们的方法。为了确保结果的可靠性并避免数据泄露，所有数据都在患者层面进行了分割。对于每个中心，数据被分为训练集、验证集和测试集，比例约为6:2:2。为了确保高质量的地面真实值（GT），每个中心都遵循了严格的多专家验证协议，具体细节如下。

LGE-CMR数据集1（C1）（Chen等人

讨论

在这项研究中，我们开发了FedAP，这是一种自适应个性化联邦学习框架，用于从LGE-CMR图像中进行多中心左心房（LA）分割，无需数据共享。在四个独立中心的实验结果表明，FedAP始终表现出强大的分割性能，突显了其在解决中心间异质性的同时保持数据局部性的能力。这些发现支持了心脏图像协同学习的可行性

结论

在本文中，我们提出了一种自适应个性化联邦学习框架FedAP，用于从多中心LGE CMR图像中进行左心房分割。FedAP通过专用的LFDH和PGUD模块有效地解决了特征异质性和标签异质性问题。此外，CAR模块通过将全局预测与本地注释特征对齐，实现了中心自适应细化。在四个多中心数据集上的广泛实验表明

CRediT作者贡献声明

刘哲：撰写——原始草稿，方法论。辛玉阳：撰写——原始草稿，验证。杨光：撰写——审阅与编辑，监督。滕巧英：可视化，方法论。曹雄峰：可视化。杜国忠：撰写——审阅与编辑。陈俊：撰写——审阅与编辑，监督，资金获取。祖凌云：撰写——审阅与编辑，监督。

利益冲突声明

作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。