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

技術要約：薄壁頭頸部OARセグメンテーションのためのFreqFuseNet

問題提起
耳管、前庭半規管、内耳道（IAC）、鼓室、および中耳といった薄壁のリスク臓器（OAR）を正確にセグメンテーションすることは、頭頸部放射線治療計画において極めて重要である。これらの構造は、壁の厚さが0.5～2 mmであり、体積も1.5 cm³未満であるため、標準的な臨床CTの解像度の限界に達していることが多い。空間ドメインの最先端アーキテクチャ（3D U-NetやMedNeXtなど）は、ボリューム全体のコンテキストについては優れた性能を示すが、これら微小な構造に求められる高周波な境界遷移の処理には苦慮することが多い。

著者らは、空間エンコーダと周波数ドメイン・ブランチ（FFTおよびFcaNet）を組み合わせたデュアル周波数融合アプローチを調査した。しかし、彼らが調査したFP16（混合精度）トレーニング設定における重大な失敗モード、すなわち深刻な特徴量スケールの不一致（feature-scale mismatch）を特定した。数値的安定性のために小さな値で初期化されたFFTブランチは、FcaNetブランチ（$\sigma_{FcaNet} \approx 0.586$）に対して、約863倍も小さい標準偏差（$\sigma_{FFT} \approx 0.0007$）を示した。

ナイーブな残差融合設計（$F_{fused} = F_{FFT} + \beta F_{FcaNet}$、公称係数 $\beta=0.05$）では、このスケール格差により、「残差」であるFcaNet項が約43倍（$\rho_{naive} \approx 43$）の割合で融合を支配してしまい、意図された設計（FFTを主とし、FcaNetによる微調整を加える）が逆転し、実質的にFcaNet主導のモデルへと変貌させてしまった。さらに、FP16オートキャスト下では、学習可能な融合重みが100エポック経過しても適応できず、初期値付近に留まったことから、最適化のみではこの不一致を克服できないことが示された。

手法：FreqFuseNet
これを解決するために、著者らはFreqFuseNetを提案する。これは**スケール正規化残差融合（scale-normalized residual fusion）*を導入するものである。コアとなるメカニズムは、残差注入の前*に、FFTの活性化統計量に一致するようにFcaNetブランチを正規化することである。

1. スケール正規化: FcaNetの特徴量は、2つのブランチの標準偏差の比率を用いて再スケーリングされる：
   $$\hat{F}_{FcaNet} = F_{FcaNet} \times \frac{\sigma_{FFT}}{\sigma_{FcaNet} + \epsilon}$$
   これにより、残差ブランチが主要なFFTブランチと同じ振幅スケールで動作することが保証される。

2. 残差注入: 正規化された特徴量は、固定された低振幅係数を用いて融合される：
   $$F_{fused} = F_{FFT} + \beta \hat{F}_{FcaNet}, \quad \text{ここで } \beta = 0.05$$
   正規化後の残差振幅比は $\rho_{norm} \approx \beta = 0.05$ となり、FcaNetが主導的な項ではなく、較正された5%の微調整として機能するという意図された設計が回復される。

3. アーキテクチャ: 本モデルは、ボトルネックに供給される3D U-Net空間エンコーダを利用する。ボトルネックは、3D実数FFTブランチとDCTベースのFcaNetブランチによって並列に処理される。スケール正規化融合の後、クロスドメイン・アテンションと、著者らの先行研究であるAFS-DSNから継承した適応型ルーターが適用され、最終的なセグメンテーションマスクを生成する。

4. トレーニングプロトコル: 本手法は、10種類の薄壁OARに対し、制御されたバイナリ・パーOARクロッププロトコル（128×128×128ボクセル）を用いて、SegRap2023ベンチマークで評価された。トレーニングには、FP16混合精度、AdamWオプティマイザ、およびDice + Cross-Entropy損失が使用された。

主な貢献

1. 特徴量スケールの不一致の特定: 著者らは、FP16設定におけるFFTとFcaNet間の約863倍の活性化スケールの格差を定量化し、公称5%の残差係数が、いかにして実質的に約43倍の支配的項となり、アーキテクチャの意図を反転させるかを実証した。
2. ナイーブな融合の失敗の分析: 彼らは残差振幅比（$\rho_{naive} \approx 43$）を定式化し、FP16設定におけるこの不一致の下では、学習可能な融合重みが意味のある値に収束できないという経験的証拠を提示した。
3. スケール正規化残差融合: 著者らはFreqFuseNetを提案する。これは、残差ブランチを主要ブランチのスケールに正規化することで、固定された $\beta=0.05$ が解釈可能な低振幅係数として機能するようにする、単一操作による補正策である。
4. 性能の効率性: 提案手法は、フルウェーブレット・ベースライン（414.6 Mパラメータ）と比較して、大幅に少ないパラメータ数（29.7 M）で競争力のある性能を実現した。

結果
SegRap2023データセットから抽出された180個のバイナリ・パーOARテストサンプル（18ケース × 10 OAR）を用いて評価した：

• 主要指標 (Seed 2): FreqFuseNetは、Diceスコア 0.849、HD95 0.824 mm、およびSDice@1mm 0.959を達成した。
• 再現性: 独立した第2のシードでも、同等の結果（Dice 0.843、HD95 0.823 mm）が得られた。
• 比較性能:
  • FreqFuseNetは、Dice、HD95、およびSDice@1mmにおいて、3D U-Net（Wilcoxon $p < 0.01$）およびMedNeXt-S（Wilcoxon $p < 0.05$）に対して、症例レベルの集計において統計的に有意な改善を示した。
  • DWT-Fullベースライン（414.6 Mパラメータ）を上回る性能を示しながら、92.8%少ないパラメータで動作した。
  • パーOAR分析では、10個の全構造において一貫したDiceの向上が見られ、最も幾何学的に複雑な構造（鼓室および内耳道）で最大の利得が得られた。
• アブレーション: 「FixedFusion」（正規化なしのナイーブな融合）は、HD95においてFcaNet単独ブランチよりも性能が悪く、正規化なしの融合がスケール不一致の下で失敗することを裏付けた。

意義と主張
本論文は、この文脈における効果的なデュアル周波数融合の主要な障壁は、情報量の多い周波数特徴の欠如ではなく、活性化スケールの不適合性、特に混合精度トレーニング下での不適合であると主張している。

FreqFuseNetの意義は以下の通りである：

• 設計意図の回復: スケールを正規化することで、本手法は残差ブランチが較正された微調整として機能することを保証し、主要な経路を圧倒することを防ぐ。
• 境界感度: HD95および表面Dice（SDice）における改善は、FFT主導の経路が、空間畳み込みが見逃す微細な境界遷移を（FcaNetと正しく融合されることで）捉えていることを示唆しており、これは薄壁OARにとって極めて重要である。
• パラメータ効率: 本手法は、重いウェーブレットベースのベースラインと比較して、軽量なアーキテクチャ（29.7 Mパラメータ）で高性能な境界敏感型セグメンテーションが可能であることを示している。

著者らは、本研究が非造影CT、特定のバイナリクロッププロトコル、および小規模なテストセット（18ケース）に限定されていることを述べ、臨床展開については慎重な姿勢を保っている。彼らは、本手法が線量評価に関連する幾何学的指標を改善する一方で、直接的な臨床的線量への影響（線量体積ヒストグラム解析）については、今後の研究での検証が必要であることを強調している。