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

Resumo Técnico: FreqFuseNet para Segmentação de OARs de Parede Fina em Cabeça e Pescoço

Definição do Problema
A segmentação precisa de órgãos de risco (OARs) de parede fina — especificamente a cóclea, os canais semicirculares vestibulares, o canal auditivo interno (IAC), a cavidade timpânica e o ouvido médio — é crítica para o planejamento de radioterapia de cabeça e pescoço. Estas estruturas, com espessuras de parede de 0,5–2 mm e volumes inferiores a 1,5 cm³, estão frequentemente no limite de resolução do CT clínico padrão. Embora as arquiteturas de domínio espacial de última geração (ex: 3D U-Net, MedNeXt) tenham um bom desempenho em contexto volumétrico, elas frequentemente têm dificuldade com as transições de borda de alta frequência necessárias para estas estruturas pequenas.

Os autores investigaram uma abordagem de fusão de dupla frequência combinando um codificador espacial com ramos de domínio de frequência (FFT e FcaNet). No entanto, identificaram um modo de falha crítico no cenário de treinamento FP16 (precisão mista) investigado: um severo desajuste de escala de características (feature-scale mismatch). O ramo FFT, inicializado com valores pequenos para estabilidade numérica, exibiu um desvio padrão de ativação ($\sigma_{FFT} \approx 0,0007$) aproximadamente 863 vezes menor que o ramo FcaNet ($\sigma_{FcaNet} \approx 0,586$).

Em um design de fusão residual ingênuo ($F_{fused} = F_{FFT} + \beta F_{FcaNet}$) com um coeficiente nominal $\beta=0,05$, este desajuste de escala fez com que o termo residual FcaNet dominasse a fusão por um fator de aproximadamente 43 ($\rho_{naive} \approx 43$). Isso inverteu o design pretendido (FFT-dominante com refinamento menor da FcaNet), transformando efetivamente a arquitetura em um modelo dominante de FcaNet. Além disso, sob autocast FP16, os pesos de fusão aprendíveis não conseguiram se adaptar, permanecendo próximos de sua inicialização após 100 épocas, indicando que a otimização sozinha não poderia superar o desajuste.

Metodologia: FreqFuseNet
Para resolver isso, os autores propõem a FreqFuseNet, que introduz a fusão residual normalizada por escala. O mecanismo central envolve a normalização do ramo FcaNet para corresponder às estatísticas de ativação do FFT antes da injeção residual.

1. Normalização de Escala: As características FcaNet são reescalonadas usando a razão dos desvios padrões dos dois ramos:
   $$\hat{F}_{FcaNet} = F_{FcaNet} \times \frac{\sigma_{FFT}}{\sigma_{FcaNet} + \epsilon}$$
   Isso garante que o ramo residual opere na mesma escala de amplitude do ramo primário FFT.

2. Injeção Residual: As características normalizadas são fundidas com um coeficiente fixo de baixa amplitude:
   $$F_{fused} = F_{FFT} + \beta \hat{F}_{FcaNet}, \quad \text{onde } \beta = 0,05$$
   Após a normalização, a razão de magnitude residual torna-se $\rho_{norm} \approx \beta = 0,05$, restaurando o design pretendido onde a FcaNet atua como um refinamento calibrado de 5%, em vez de um termo dominante.

3. Arquitetura: O modelo utiliza um codificador espacial 3D U-Net alimentando um gargalo (bottleneck). O gargalo é processado em paralelo por um ramo FFT de valor real 3D e um ramo FcaNet baseado em DCT. A fusão normalizada por escala é seguida por atenção cross-domain e um roteador adaptativo (herdado do trabalho anterior AFS-DSN dos autores) para produzir a máscara de segmentação final.

4. Protocolo de Treinamento: O método foi avaliado no benchmark SegRap2023 usando um protocolo controlado de corte binário por OAR (128×128×128 voxels) através de 10 OARs de parede fina. O treinamento utilizou precisão mista FP16, otimizador AdamW e uma perda combinada de Dice + Cross-Entropy.

Principais Contribuições

1. Identificação do Desajuste de Escala de Características: Os autores quantificam um desajuste de escala de ativação de ~863× na fusão FFT–FcaNet em FP16, demonstrando como um coeficiente residual nominal de 5% torna-se efetivamente um termo dominante de ~43×, invertendo a intenção arquitetural.
2. Análise da Falha de Fusão Ingênua: Eles formalizam a razão de magnitude residual ($\rho_{naive} \approx 43$) e fornecem evidência empírica de que os pesos de fusão aprendíveis falham em convergir para valores significativos sob este desajuste em configurações FP16.
3. Fusão Residual Normalizada por Escala: Propõem a FreqFuseNet, uma correção de operação única que normaliza a escala do ramo residual para a escala do ramo primário, permitindo que um $\beta=0,05$ funcione como um coeficiente interpretável de baixa amplitude.
4. Eficiência de Desempenho: O método proposto alcança um desempenho competitivo com significativamente menos parâmetros (29,7 M) em comparação com uma linha de base de wavelet completa (414,6 M).

Resultos
Avaliado em 180 amostras de teste binárias por OAR (18 casos × 10 OARs) do conjunto de dados SegRap2023:

• Métricas Primárias (Seed 2): A FreqFuseNet alcançou um Dice de 0,849, HD95 de 0,824 mm e SDice@1mm de 0,959.
• Reprodutibilidade: Uma segunda semente independente gerou resultados comparáveis (Dice 0,843, HD95 0,823 mm).
• Desempenho Comparativo:
  • A FreqFuseNet mostrou melhorias agregadas por caso estatisticamente significativas sobre a 3D U-Net (Wilcoxon $p < 0,01$) e MedNeXt-S (Wilcoxon $p < 0,05$) em Dice, HD95 e SDice@1mm.
  • Superou a linha de base DWT-Full (414,6 M parâmetros) utilizando 92,8% menos parâmetros.
  • A análise por OAR mostrou melhorias consistentes de Dice em todas as 10 estruturas, com os maiores ganhos nas estruturas geometricamente mais complexas (Cavidade Timpânica e IAC).
• Ablação: O "FixedFusion" (fusão ingênua sem normalização) teve um desempenho pior do que o ramo apenas FcaNet em HD95, confirmando a falha da fusão ingênua sob desajuste de escala.

Significância e Alegações
O artigo alega que a principal barreira para uma fusão de dupla frequência eficaz neste contexto não é a falta de características de frequência informativas, mas a incompatibilidade das escalas de ativação, particularmente sob treinamento de precisão mista.

A significância da FreqFuseNet reside em:

• Restaurar a Intenção do Design: Ao normalizar as escalas, o método garante que o ramo residual funcione como um refinamento calibrado, impedindo que ele sobrecarregue o caminho primário.
• Sensibilidade de Borda: As melhorias em HD95 e no Dice de superfície (SDice) sugerem que o caminho dominante de FFT, quando corretamente fundido com FcaNet, captura transições de borda finas que as convoluções espaciais perdem, o que é crucial para OARs de parede fina.
• Eficiência de Parâmetros: O método demonstra que um alto desempenho em segmentação sensível a bordas pode ser alcançado com uma arquitetura leve (29,7 M de parâmetros) em comparação com linhas de base pesadas baseadas em wavelet.

Os autores mantêm-se modestos quanto à implantação clínica, observando que o estudo é limitado a CT sem contraste, um protocolo específico de corte binário e um pequeno conjunto de teste (18 casos). Eles enfatizam que, embora o método melhore as métricas geométricas relevantes para a dosimetria, o impacto dosimétrico clínico direto (análise de histograma dose-volume) ainda precisa ser validado em trabalhos futuros.