FedCC：胎儿超声图像中稳健胼胝体定位的基础模型的低资源联合适应

胎儿超声 (US) 图像中胼胝体 (CC) 的准确定位对于早期识别神经发育异常至关重要。然而，由于 US 成像的固有局限性，包括低对比度、散斑噪声和 CC 相当大的解剖变异性，这项任务仍然极具挑战性。我们提出了 FedCC，这是一种基于联邦学习 (FL) 的框架，用于胎儿 US 图像中的 CC 定位，专为现实的多中心和资源有限的临床环境而设计，无需数据共享。该框架将冻结的 DINOv2 主干与基于 YOLO 的轻量级检测头集成在一起。为了实现参数高效的自适应，结合了低秩自适应（LoRA）模块，仅允许在客户端之间优化和交换一小部分参数。这种策略大大减少了计算和通信开销，使该框架适合资源匮乏的环境。所提出的方法在多中心数据集上进行了评估，该数据集包含 10,970 个超声帧，这些帧是在三个临床站点使用异构成像设备进行常规神经超声检查期间从 58 名孕妇采集的。所提出的框架在联邦环境中取得了强劲的性能。特别是，FedAvg 策略下的 DINOv2 和 LoRA 组合实现了 0.857 的平均 mAP@50 和 0.803 的 F1 分数，优于完整的 微调 和编码器冻结基线。值得注意的是，与完整 微调 中的 24.4M 相比，所提出的方法将可训练参数的数量减少到 2.9M，相当于通信成本减少了约 8.5$\times$。这些发现代表着朝着可扩展、隐私保护和临床可部署的胎儿神经超声检查人工智能系统迈出了有希望的一步。