FreqFuseNet: Resolving Feature-Scale Mismatch in Dual-Frequency Fusion for Thin-Wall Head-and-Neck OAR Segmentation

Resumen Técnico: FreqFuseNet para la segmentación de órganos de riesgo (OAR) de pared delgada en cabeza y cuello

Planteamiento del problema
La segmentación precisa de los órganos de riesgo (OAR) de pared delgada —específicamente la cóclea, los canales semicirculares vestibulares, el conducto auditivo interno (IAC), la cavidad timpánica y el oído medio— es crítica para la planificación de la radioterapia en cabeza y cuello. Estas estructuras, con espesores de pared de 0.5–2 mm y volúmenes inferiores a 1.5 cm³, se encuentran a menudo en el límite de resolución de la TC clínica estándar. Aunque las arquitecturas de dominio espacial de vanguardia (por ejemplo, 3D U-Net, MedNeXt) funcionan bien en el contexto volumétrico, suelen tener dificultades con las transiciones de bordes de alta frecuencia requeridas para estas estructuras pequeñas.

Los autores investigaron un enfoque de fusión de doble frecuencia que combina un codificador espacial con ramas de dominio de frecuencia (FFT y FcaNet). Sin embargo, identificaron un modo de falla crítico en el entorno de entrenamiento FP16 (precisión mixta) investigado: un severo desajuste de escala de características (feature-scale mismatch). La rama FFT, inicializada con valores pequeños para estabilidad numérica, exhibió una desviación estándar de activación ($\sigma_{FFT} \approx 0.0007$) aproximadamente 863 veces menor que la rama FcaNet ($\sigma_{FcaNet} \approx 0.586$).

En un diseño de fusión residual ingenuo ($F_{fused} = F_{FFT} + \beta F_{FcaNet}$) con un coeficiente nominal $\beta=0.05$, este desajuste de escala causó que el término FcaNet "residual" dominara la fusión por un factor de aproximadamente 43 ($\rho_{naive} \approx 43$). Esto invirtió el diseño previsto (FFT-dominante con un refinamiento menor de FcaNet), convirtiendo efectivamente la arquitectura en un modelo dominante de FcaNet. Además, bajo el autocast de FP16, los pesos de fusión aprendibles no lograron adaptarse, permaneciendo cerca de su inicialización tras 100 épocas, lo que indica que la optimización por sí sola no pudo superar el desajuste.

Metodología: FreqFuseNet
Para resolver esto, los autores proponen FreqFuseNet, que introduce una fusión residual con normalización de escala. El mecanismo central consiste en normalizar la rama FcaNet para que coincida con las estadísticas de activación de la FFT antes de la inyección residual.

1. Normalización de Escala: Las características de FcaNet se reescalan utilizando la relación de las desviaciones estándar de las dos ramas:
   $$\hat{F}_{FcaNet} = F_{FcaNet} \times \frac{\sigma_{FFT}}{\sigma_{FcaNet} + \epsilon}$$
   Esto asegura que la rama residual opere en la misma escala de amplitud que la rama primaria FFT.

2. Inyección Residual: Las características normalizadas se fusionan con un coeficiente de baja amplitud fijo:
   $$F_{fused} = F_{FFT} + \beta \hat{F}_{FcaNet}, \quad \text{donde } \beta = 0.05$$
   Tras la normalización, la relación de magnitud residual se convierte en $\rho_{norm} \approx \beta = 0.05$, restaurando el diseño previsto donde FcaNet actúa como un refinamiento calibrado del 5% en lugar de un término dominante.

3. Arquitectura: El modelo utiliza un codificador espacial 3D U-Net que alimenta un cuello de botella (bottleneck). El cuello de botella es procesado en paralelo por una rama FFT de valores reales en 3D y una rama FcaNet basada en DCT. La fusión con normalización de escala es seguida por atención cruzada de dominio y un enrutador adaptativo (heredado del trabajo previo AFS-DSN de los autores) para producir la máscara de segmentación final.

4. Protocolo de Entrenamiento: El método fue evaluado en el benchmark SegRap2023 utilizando un protocolo de recorte binario controlado por OAR (128×128×128 vóxeles) a través de 10 OAR de pared delgada. El entrenamiento utilizó precisión mixta FP16, optimizador AdamW y una pérdida combinada de Dice + Entropía Cruzada.

Contribuciones Clave

1. Identificación del Desajuste de Escala de Características: Los autores cuantifican un desajuste de escala de activación de ~863× en la fusión FFT–FcaNet en FP16, demostrando cómo un coeficiente de residuo nominal del 5% se convierte efectivamente en un término dominante de ~43×, invirtiendo la intención arquitectónica.
2. Análisis del Fallo de la Fusión Ingenua: Formalizan la relación de magnitud residual ($\rho_{naive} \approx 43$) y proporcionan evidencia empírica de que los pesos de fusión aprendibles no convergen a valores significativos bajo este desajuste en entornos FP16.
3. Fusión Residual con Normalización de Escala: Proponen FreqFuseNet, una corrección de operación única que normaliza la escala de la rama residual para que coincida con la de la rama primaria, permitiendo que un $\beta=0.05$ funcione como un coeficiente de baja amplitud interpretable.
4. Eficiencia de Desempeño: El método propuesto logra un rendimiento competitivo con significativamente menos parámetros (29.7 M) en comparación con una línea base de Wavelet completa (414.6 M).

Resultados
Evaluado en 180 muestras binarias por OAR (18 casos × 10 OAR) del conjunto de datos SegRap2023:

• Métricas Primarias (Semilla 2): FreqFuseNet logró un Dice de 0.849, HD95 de 0.824 mm, y SDice@1mm de 0.959.
• Reproducibilidad: Una segunda semilla independiente arrojó resultados comparables (Dice 0.843, HD95 0.823 mm).
• Desempeño Comparativo:
  • FreqFuseNet mostró mejoras estadísticamente significativas a nivel de caso agregado sobre 3D U-Net (Wilcoxon $p < 0.01$) y MedNeXt-S (Wilcoxon $p < 0.05$) en Dice, HD95 y SDice@1mm.
  • Superó a la línea base DWT-Full (414.6 M de parámetros) utilizando un 92.8% menos de parámetros.
  • El análisis por OAR mostró mejoras consistentes en el Dice en los 10 órganos, con las mayores ganancias en las estructuras geométricamente más complejas (Cavidad Timpánica e IAC).
  • Ablación: El "FixedFusion" (fusión ingenua sin normalización) funcionó peor que la rama FcaNet por sí sola en HD95, confirmando el fallo de la fusión ingenua bajo el desajuste de escala.

Significancia y Reivindicaciones
El artículo sostiene que la barrera principal para una fusión de doble frecuencia efectiva en este contexto no es la falta de características de frecuencia informativas, sino la incompatibilidad de las escalas de activación, particularmente bajo entrenamiento de precisión mixta.

La importancia de FreqFuseNet radica en:

• Restauración de la Intención de Diseño: Al normalizar las escalas, el método asegura que la rama residual funcione como un refinamiento calibrado, evitando que domine la vía primaria.
• Sensibilidad de Borde: Las mejoras en HD95 y el Dice de superficie (SDice) sugieren que la vía dominante de FFT, cuando se fusiona correctamente con FcaNet, captura transiciones de bordes finos que las convoluciones espaciales omiten, lo cual es crucial para los OAR de pared delgada.
• Eficiencia de Parámetros: El método demuestra que se puede lograr una segmentación de alto rendimiento sensible a los bordes con una arquitectura ligera (29.7 M de parámetros) en comparación con las pesadas líneas base basadas en wavelets.

Los autores mantienen la modestia respecto al despliegue clínico, señalando que el estudio está limitado a CT sin contraste, un protocolo de recorte binario específico y un conjunto de prueba pequeño (18 casos). Enfatizan que, si bien el método mejora las métricas geométricas relevantes para la dosimetría, el impacto dosimétrico clínico directo (análisis de histograma dosis-volumen) requiere validación en trabajos futuros.