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

Résumé Technique : FreqFuseNet pour la segmentation des OAR à parois fines en tête et cou

Énoncé du Problème
La segmentation précise des organes à risque (OAR) à parois fines — spécifiquement la cochlée, les canaux semi-circulaires vestibulaires, le canal auditif interne (IAC), la cavité tympanique et l'oreille moyenne — est critique pour la planification de la radiothérapie tête et cou. Ces structures, avec des épaisseurs de paroi de 0,5 à 2 mm et des volumes inférieurs à 1,5 cm³, sont souvent à la limite de résolution des scanners cliniques standards. Bien que les architectures spatiales de pointe (ex. : 3D U-Net, MedNeXt) performent bien sur le contexte volumétrique, elles peinent souvent face aux transitions de bordure à haute fréquence requises pour ces petites structures.

Les auteurs ont étudié une approche de fusion à double fréquence combinant un encodeur spatial avec des branches de domaine fréquentiel (FFT et FcaNet). Cependant, ils ont identifié un mode de défaillance critique dans le cadre d'entraînement investigué en FP16 (précision mixte) : un sévère décalage d'échelle de caractéristiques (feature-scale mismatch). La branche FFT, initialisée avec de petites valeurs pour la stabilité numérique, présentait un écart-type d'activation ($\sigma_{FFT} \approx 0,0007$) environ 863 fois plus petit que celui de la branche FcaNet ($\sigma_{FcaNet} \approx 0,586$).

Dans une conception de fusion résiduelle naïve ($F_{fused} = F_{FFT} + \beta F_{FcaNet}$) avec un coefficient nominal $\beta=0,05$, ce décalage d'échelle a provoqué une domination de la branche FcaNet par un facteur d'environ 43 ($\rho_{naive} \approx 43$), inversant l'intention de conception (FFT dominante avec un raffinement mineur par FcaNet). Cela a transformé l'architecture en un modèle dominant par FcaNet. De plus, sous l'autocast FP16, les poids de fusion apprenables n'ont pas réussi à s'adapter, restant proches de leur initialisation après 100 époques, indiquant que l'optimisation seule ne pouvait surmonter le décalage.

Méthodologie : FreqFuseNet
Pour résoudre cela, les auteurs proposent FreqFuseNet, qui introduit une fusion résiduelle normalisée par l'échelle. Le mécanisme central consiste à normaliser la branche FcaNet pour qu'elle corresponde aux statistiques d'activation de la FFT avant l'injection résiduelle.

1. Normalisation de l'échelle : Les caractéristiques de FcaNet sont rescalées en utilisant le rapport des écarts-types des deux branches :
   $$\hat{F}_{FcaNet} = F_{FcaNet} \times \frac{\sigma_{FFT}}{\sigma_{FcaNet} + \epsilon}$$
   Cela garantit que la branche résiduelle opère sur la même échelle d'amplitude que la branche FFT primaire.

2. Injection résiduelle : Les caractéristiques normalisées sont fusionnées avec un coefficient fixe de faible amplitude :
   $$F_{fused} = F_{FFT} + \beta \hat{F}_{FcaNet}, \quad \text{où } \beta = 0,05$$
   Après normalisation, le rapport de magnitude résiduelle devient $\rho_{norm} \approx \beta = 0,05$, rétablissant la conception prévue où FcaNet agit comme un raffinement calibré de 5 % plutôt que comme un terme dominant.

3. Architecture : Le modèle utilise un encodeur spatial 3D U-Net alimentant un goulot d'étranglement (bottleneck). Le goulot est traité en parallèle par une branche FFT 3D à valeurs réelles et une branche FcaNet basée sur la DCT. La fusion par normalisation d'échelle est suivie d'une attention cross-domaine et d'un routeur adaptatif (hérité du travail antérieur des auteurs sur l'AFS-DSN) pour produire le masque de segmentation final.

4. Protocole d'entraînement : La méthode a été évaluée sur le benchmark SegRap2023 en utilisant un protocole de recadrage binaire contrôlé par OAR (128×128×128 voxels) sur 10 OAR à parois fines. L'entraînement a utilisé la précision mixte FP16, l'optimiseur AdamW et une perte combinée Dice + Cross-Entropy.

Contributions Clés

1. Identification du décalage d'échelle des caractéristiques : Les auteurs quantifient un décalage d'échelle d'activation de ~863× entre la fusion FFT–FcaNet en FP16, démontrant comment un coefficient résiduel nominal de 5 % devient effectivement un terme dominant de ~43×, inversant l'intention architecturale.
2. Analyse de l'échec de la fusion naïve : Ils formalisent le rapport de magnitude résiduelle ($\rho_{naive} \approx 43$) et fournissent des preuves empiriques que les poids de fusion apprenables ne convergent pas vers des valeurs significatives sous ce décalage dans les réglages FP16.
3. Fusion résiduelle normalisée par l'échelle : Ils proposent FreqFuseNet, une correction par opération unique qui normalise l'échelle de la branche résiduelle par rapport à celle de la branche primaire, permettant à un $\beta=0,05$ de fonctionner comme un coefficient de faible amplitude interprétable.
4. Efficacité des paramètres : La méthode obtenue des performances compétitives avec nettement moins de paramètres (29,7 M) par rapport à une ligne de base de type ondelettes complète (414,6 M).

Résultats
Évalué sur 180 échantillons binaires par OAR (18 cas × 10 OAR) du jeu de données SegRap2023 :

• Métriques primaires (Seed 2) : FreqFuseNet a atteint un score Dice de 0,849, un HD95 de 0,824 mm, et un SDice@1mm de 0,959.
• Reproductibilité : Une seconde graine indépendante a produit des résultats comparables (Dice 0,843, HD95 0,823 mm).
• Performance comparative :
  • FreqFuseNet a montré des améliorations significatives au niveau des cas agrégés par rapport à 3D U-Net (Wilcoxon $p < 0,01$) et MedNeXt-S (Wilcoxon $p < 0,05$) pour le Dice, l'HD95 et le SDice@1mm.
  • Il a surpassé la ligne de base DWT-Full (414,6 M paramètres) tout en utilisant 92,8 % de paramètres en moins.
  • L'analyse par OAR montre des améliorations constantes du Dice sur les 10 structures, avec les gains les plus importants sur les structures les plus complexes géométriquement (cavité tympanique et IAC).
• Ablation : Le mode "FixedFusion" (fusion naïve sans normalisation) a été moins performant que la branche FcaNet seule sur l'HD95, confirmant l'échec de la fusion naïve sous le décalage d'échelle.

Signification et Revendications
L'article soutient que la barrière principale à une fusion de double fréquence efficace dans ce contexte n'est pas le manque de caractéristiques fréquentielles informatives, mais l'incompatibilité des échelles d'activation, particulièrement sous un entraînement en précision mixte.

La signification de FreqFuseNet réside dans :

• Restauration de l'intention de conception : En normalisant les échelles, la méthode garantit que la branche résiduelle fonctionne comme un raffinement calibré, empêchant d'écraser la voie primaire.
• Sensibilité aux contours : Les améliorations de l'HD95 et du Dice de surface (SDice) suggèrent que la voie dominante FFT, lorsqu'elle est correctement fusionnée avec FcaNet, capture des transitions de bordure fines que les convolutions spatiales manquent, ce qui est crucial pour les OAR à parois fines.
• Efficacité des paramètres : La méthode démontre qu'une segmentation haute performance sensible aux contours peut être obtenue avec une architecture légère (29,7 M de paramètres) par rapport aux lignes de base lourdes basées sur les ondelettes.

Les auteurs restent modestes concernant le déploiement clinique, notant que l'étude est limitée à des CT sans contraste, un protocole de recadrage binaire spécifique et un petit ensemble de test (18 cas). Ils soulignent que bien que la méthode améliore les métriques géométriques pertinentes pour la dosimétrie, l'impact dosimétrique clinique direct (analyse de l'histogramme dose-volume) doit encore être validé dans des travaux futurs.