在医学影像诊断领域，计算机断层扫描（CT）技术凭借其卓越的病灶表征能力已成为临床决策的重要支撑。然而，随着个性化诊疗需求的增长，不同医疗机构采用的扫描仪型号、成像协议及重建算法存在显著差异，导致采集的CT数据（如正弦图及重建图像）在结构特征和噪声分布上产生明显域偏移。这种数据异构性给基于深度学习的CT重建方法带来巨大挑战——传统集中式训练需要大规模多中心数据集，但患者隐私保护法规使得数据共享难以实现。
联邦学习（FL）作为一种分布式机器学习范式，允许各机构在不交换本地数据的前提下协同训练模型，为医疗影像分析提供了隐私保护解决方案。然而现有研究表明，FL框架对CT数据中的域偏移极为敏感，当各客户端数据来自不同扫描仪、协议或采样条件时，模型性能会出现显著退化。更关键的是，当前联邦CT重建方法多聚焦于图像域后处理，未能充分挖掘正弦图域信息，且忽略了云端可能存在的高质量元数据（如公开CT数据集）的辅助价值。
为突破这些瓶颈，研究人员在《IEEE Transactions on Radiation and Plasma Medical Sciences》上发表了题为《Toward Unified CT Reconstruction: Federated Metadata Learning With Personalized Condition-Modulated iRadonMAP》的研究论文，提出FM-iRadonMAP创新框架。该工作通过两个核心模块的协同作用实现突破：一是客户端本地部署的条件调制iRadonMAP（CM-iRadonMAP），将扫描几何参数与协议参数编码为特征向量，动态调制重建网络的特征图；二是云端驱动的联邦元数据学习（FMDL），利用公开数据集构建元模型，通过自适应参数聚合缓解数据异构性。
关键技术方法包括：1）构建双域重建网络iRadonMAP，包含正弦图域子网络、反投影层和图像域子网络；2）设计条件调制网络（CMNet）将扫描参数（如探测器单元数、投影视角、kVp值等）编码为调制向量；3）建立联邦元数据学习机制，整合梅奥诊所、UniToBrain等6个公开数据集的10万张CT图像作为元数据；4）采用权重发散度（wd）量化数据异构性程度，通过t-SNE可视化验证域偏移现象。
研究结果方面，通过两类场景的系统验证：
一、低mAs成像场景（Scenario 1）
比较七种方法（FBP、Solo-iRadonMAP、Pretrain、FedAvg、FedProx、FedBN、HyperFed）显示，FM-iRadonMAP在三个客户端均取得最优定量指标（PSNR最高提升0.58dB，SSIM提升0.03）。视觉对比可见传统FL方法存在边缘模糊或伪影残留，而本方法能准确重建骨骼细微结构。主观评分中四位放射科医生给予FM-iRadonMAP最高评分（4.8/5分），证实其临床适用性。
二、多采样条件场景（Scenario 2）
在稀疏视图（Client #2）和有限角度（Client #3）重建任务中，FM-iRadonMAP显著优于对比方法。特别在有限角度重建的泛化测试中，仅本方法与预训练方法能有效抑制条纹伪影，且本方法因同步更新机制更适应客户端特异性分布。误差图分析显示，本方法在组织交界处的重建误差降低约40%。
三、消融实验验证
权重参数ω0 实验表明，当取值0.6-0.7时能平衡元数据与本地数据贡献。移除FMDL模块后模型需40轮训练才收敛，且PSNR下降1.2dB，证实元数据对收敛加速的关键作用。将FMDL嵌入其他FL方法（FedAvg-FMDL等）后，其损失曲线收敛速度提升约2倍，但性能仍低于FM-iRadonMAP完整框架。
讨论与结论部分指出，FM-iRadonMAP的创新性体现在三方面：首先，通过CM-iRadonMAP实现扫描条件与重建网络的动态耦合，克服了传统方法对设备参数的敏感性；其次，FMDL机制开创性地利用公开数据集作为“知识蒸馏器”，在不违反隐私法规前提下提升模型泛化能力；最后，双域重建架构同步优化正弦图与图像域损失，较单域方法具有更优的噪声抑制能力。该框架为多中心医疗影像分析建立了新范式，其条件调制思路可扩展至MRI、PET等模态的联邦学习场景。未来工作将探索生成式模型增强元数据多样性，并开展真实原始正弦图数据的验证。
打赏
