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

Sintesi Tecnica: FreqFuseNet per la segmentazione di OAR a parete sottile in testa e collo

Problematica
La segmentazione accurata degli organi a rischio (OAR) a parete sottile — nello specifico la coclea, i canali semicircolari vestibolari, il canale uditivo interno (IAC), la cavità timpanica e l'orecchio medio — è critica per la pianificazione della radioterapia testa-collo. Queste strutture, con spessori parietali compresi tra 0,5 e 2 mm e volumi inferiori a 1,5 cm³, si trovano spesso al limite della risoluzione della CT clinica standard. Sebbene le architetture allo stato dell'arte nel dominio spaziale (ad es. 3D U-Net, MedNeXt) offrano buone prestazioni sul contesto volumetrico, esse spesso faticano a gestire le transizioni di bordo ad alta frequenza necessarie per queste piccole strutture.

Gli autori hanno investigato un approccio di fusione a doppia frequenza che combina un encoder spaziale con rami nel dominio della frequenza (FFT e FcaNet). Tuttavia, hanno identificato un modo di guasto critico nell'impostazione di addestramento FP16 (precisione mista) investigata: un grave disallineamento della scala delle feature (feature-scale mismatch). Il ramo FFT, inizializzato con valori piccoli per la stabilità numerica, presentava una deviazione standard delle attivazioni ($\sigma_{FFT} \approx 0,0007$) circa 863 volte più piccola rispetto al ramo FcaNet ($\sigma_{FcaNet} \approx 0,586$).

In un design di fusione residua ingenuo ($F_{fused} = F_{FFT} + \beta F_{FcaNet}$) con un coefficiente nominale $\beta=0,05$, questo disallineamento di scala ha causato il predominio del termine residuo FcaNet con un fattore di circa 43 ($\rho_{naive} \approx 43$). Ciò ha invertito l'intento progettuale (FFT-dominante con un minore raffinamento FcaNet), trasformando di fatto l'architettura in un modello dominato da FcaNet. Inoltre, sotto l'autocast FP16, i pesi di fusione apprendibili non sono riusciti ad adattarsi, rimanendo vicini alla loro inizializzazione dopo 100 epoche, indicando che l'ottimizzazione da sola non poteva superare il disallineamento.

Metodologia: FreqFuseNet
Per risolvere questo problema, gli autori propongono FreqFuseNet, che introduce la fusione residua a scala normalizzata. Il meccano centrale consiste nel normalizzare il ramo FcaNet per far corrispondere le statistiche di attivazione del ramo al ramo FFT prima dell'iniezione residua.

1. Normalizzazione della Scala: Le feature FcaNet vengono riscalate utilizzando il rapporto tra le deviazioni standard dei due rami:
   $$\hat{F}_{FcaNet} = F_{FcaNet} \times \frac{\sigma_{FFT}}{\sigma_{FcaNet} + \epsilon}$$
   Ciò assicura che il ramo residuo operi sulla stessa scala di ampiezza del ramo FFT primario.

2. Iniezione Residua: Le feature normalizzate vengono fuse con un coefficiente fisso a bassa ampiezza:
   $$F_{fused} = F_{FFT} + \beta \hat{F}_{FcaNet}, \quad \text{dove } \beta = 0,05$$
   Post-normalizzazione, il rapporto di magnitudo residua diventa $\rho_{norm} \approx \beta = 0,05$, ripristinando il design previsto in cui FcaNet agisce come un raffinamento calibrato del 5% piuttosto che come un termine dominante.

3. Architettura: Il modello utilizza un encoder spaziale 3D U-Net che alimenta un bottleneck. Il bottleneck viene elaborato in parallelo da un ramo FFT a valori reali 3D e da un ramo FcaNet basato su DCT. La fusione a scala normalizzata è seguita da un'attenzione cross-domain e da un router adattivo (ereditato dal precedente lavoro AFS-DSN degli autori) per produrre la maschera di segmentazione finale.

4. Protocollo di Addestramento: Il metodo è stato valutato sul benchmark SegRap2023 utilizzando un protocollo di ritaglio binario per singolo OAR controllato (128×128×128 voxel) su 10 OAR a parete sottile. L'addestramento ha utilizzato FP16 mixed-precision, ottimizzatore AdamW e una perdita combinata Dice + Cross-Entropy.

Contributi Chiave

1. Identificazione del Disallineamento della Scala delle Feature: Gli autori quantificano un disallineamento della scala di attivazione di circa 863× nella fusione FFT–FcaNet in FP16, dimostrando come un coefficiente residuo nominale del 5% diventi effettivamente un termine dominante di circa 43×, invertendo l'intento architettonico.
2. Analisi del Fallimento della Fusione Ingenua: Forniscono la formalizzazione del rapporto di magnitudo residua ($\rho_{naive} \approx 43$) e forniscono prove empiriche del fatto che i pesi di fusione apprendibili non riescono a convergere verso valori significativi nelle impostazioni FP16.
3. Fusione Residua a Scala Normalizzata: Propongono FreqFuseNet, una correzione a singola operazione che normalizza la scala del ramo residuo rispetto alla scala del ramo primario, permettendo a un $\beta=0,05$ fisso di funzionare come un coefficiente interpretabile a bassa ampiezza.
4. Efficienza delle Prestazioni: Il metodo proposto raggiunge prestazioni competitive con significativamente meno parametri (29,7 M) rispetto a una baseline wavelet completa (414,6 M).

Risultati
Valutato su 180 campioni di test binari per singolo OAR (18 casi × 10 OAR) dal dataset SegRap2023:

• Metriche Primarie (Seed 2): FreqFuseNet ha raggiunto un punteggio Dice di 0,849, HD95 di 0,824 mm e SDice@1mm di 0,959.
• Riproducibilità: Un secondo seed indipendente ha prodotto risultati comparabili (Dice 0,843, HD95 0,823 mm).
• Prestazioni Comparative:
  • FreqFuseNet ha mostrato miglioramenti statisticamente significativi a livello di caso rispetto a 3D U-Net (Wilcoxon $p < 0,01$) e MedNeXt-S (Wilcoxon $p < 0,05$) in termini di Dice, HD95 e SDice@1mm.
  • Ha superato la baseline DWT-Full (414,6 M parametri) utilizzando il 92,8% in meno di parametri.
  • L'analisi per singolo OAR ha mostrato miglioramenti costanti del Dice in tutte le 10 strutture, con i maggiori guadagni sulle strutture geometricamente più complesse (Cavità Timpanica e IAC).
• Ablazione: Il modello "FixedFusion" (fusione ingenua senza normalizzazione) ha ottenuto prestazioni peggiori rispetto al solo ramo FcaNet su HD95, confermando il fallimento della fusione ingenua sotto disallineamento di scala.

Significatività e Rivendicazioni
L'articolo sostiene che la barriera primaria per un'efficace fusione a doppia frequenza in questo contesto non sia la mancanza di feature di frequenza informative, ma l'incompatibilità delle scale di attivazione tra i rami, particolarmente sotto l'addestramento a precisione mista.

La significatività di FreqFuseNet risiede nel:

• Ripristinare l'Intento di Design: Normalizzando le scale, il metodo assicura che il ramo residuo funzioni come un raffinamento calibrato, impedendo che sovrasti il percorso primario.
• Sensibilità ai Bordi: I miglioramenti in HD95 e nel Dice superficiale (SDice) suggeriscono che il percorso dominante FFT, quando correttamente fuso con FcaNet, cattura transizioni di bordo fini che le convoluzioni spaziali perdono, il che è cruciale per gli OAR a parete sottile.
• Efficienza dei Parametri: Il metodo dimosta che una segmentazione ad alte prestazioni e sensibile ai bordi può essere ottenuta con un'architettura leggera (29,7 M di parametri) rispetto alle pesanti baseline basate su wavelet.

Gli autori rimangono modesti riguardo all'impiego clinico, notando che lo studio è limitato a CT senza contrasto, a un protocollo di ritaglio binario specifico e a un piccolo set di test (18 casi). Enfatizzano che, sebbene il metodo migliori le metriche geometriche rilevanti per la dosimetria, l'impatto dosimetrico clinico diretto (analisi dell'istogramma dose-volume) deve ancora essere validato in lavori futuri.