FedCC：胎兒超聲波影像中無需共享資料的聯邦學習基礎模型適配框架

胎兒超聲波影像中胼胝體的精確定位對於早期識別神經發育異常至關重要，但受限于超聲波成像固有的低對比度、散斑噪聲以及胼胝體解剖結構的顯著變異性，該任務極具挑戰性。研究團隊提出 FedCC 框架，這是一種基於聯邦學習的解決方案，專為無需共享敏感資料的多中心及資源受限臨床環境設計。

該框架整合了凍結的 DINOv2 骨幹網路與輕量化的 YOLO 檢測頭，並引入低秩適配（LoRA）模塊以實現參數高效的適配。此策略僅優化並交換少量參數，大幅降低了計算與通訊開銷。在包含 10,970 個超聲波幀的數據集上，這些數據來自 58 名孕婦在三家臨床機構使用異質成像設備進行的常規神經超聲檢查，FedCC 在聯邦設置下表現強勁。

具體而言，結合 DINOv2 與 LoRA 並在 FedAvg 策略下運行的方法，取得了 0.857 的平均 mAP@50 和 0.803 的 F1-score，優於全量微調及無編碼器凍結的基線。該方法將可訓練參數量從全量微調的 24.4M 減少至 2.9M，通訊成本降低了約 8.5 倍，為可擴展、保護隱私且具備臨床部署能力的胎兒神經超聲 AI 系統提供了可行路徑。