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

技术摘要：用于薄壁头颈部危及器官（OAR）分割的 FreqFuseNet

问题陈述
对于薄壁危及器官（OAR）——特别是耳蜗、前庭半规管、内听道（IAC）、鼓室和中耳——进行精确分割，对于头颈部放射治疗计划至关重要。这些结构的壁厚仅为 0.5–2 mm，体积小于 1.5 cm³，往往处于标准临床 CT 的分辨率极限边缘。虽然最先进的空间域架构（如 3D U-Net、MedNeXt）在处理体积上下文方面表现良好，但它们往往难以处理这些微小结构所需的高频边界转换。

作者研究了一种结合空间编码器与频率域分支（FFT 和 FcaNet）的双频融合方法。然而，他们发现了一个在所研究的 FP16（混合精度）训练设置中的关键失效模式：严重的特征尺度失配（feature-scale mismatch）。由于 FFT 分支在初始化时为了数值稳定性使用了较小的值，其激活标准差（$\sigma_{FFT} \approx 0.0007$）比 FcaNet 分支（$\sigma_{FcaNet} \approx 0.586$）小了约 863 倍。

在一种朴素的残差融合设计（$F_{fused} = F_{FFT} + \beta F_{FcaNet}$）中，使用标称系数 $\beta=0.05$，这种尺度差异导致“残差”项 FcaNet 以约 43 倍的比例主导了融合（$\rho_{naive} \approx 43$）。这反转了预期的设计意图（即以 FFT 为主、FcaNet 为辅的微调），实际上将该架构变成了以 FcaNet 为主导的模型。此外，在 FP16 自动混合精度训练下，可学习的融合权重无法进行自适应调整，在 100 个 epoch 后仍保持在初始化值附近，这表明仅靠优化本身无法克服这种失配。

方法论：FreqFuseNet
为了解决这一问题，作者提出了 FreqFuseNet，引入了尺度归一化残差融合（scale-normalized residual fusion）。其核心机制是在进行残差注入之前，将 FcaNet 分支归一化以匹配 FFT 的激活统计特性。

1. 尺度归一化： 使用两个分支标准差的比值对 FcaNet 特征进行重缩放：
   $$\hat{F}_{FcaNet} = F_{FcaNet} \times \frac{\sigma_{FFT}}{\sigma_{FcaNet} + \epsilon}$$
   这确保了残差分支在与主要 FFT 分支相同的振幅尺度上运行。

2. 残差注入： 将归一化后的特征与一个固定的低振幅系数进行融合：
   $$F_{fused} = F_{FFT} + \beta \hat{F}_{FcaNet}, \quad \text{其中 } \beta = 0.05$$
   经过归一化后，残差量级比变为 $\rho_{norm} \approx \beta = 0.05$，从而恢复了预期的设计，即让 FcaNet 作为经过校准的 5% 微调项，而非主导项。

3. 架构： 该模型利用 3D U-Net 空间编码器输入瓶颈层（bottleneck）。瓶颈层通过并行处理，分别进入一个 3D 实值 FFT 分支和一个基于 DCT 的 FcaNet 分支。尺度归一化融合后，通过跨域注意力机制和自适应路由（继承自作者之前的 AFS-DSN 工作）生成最终的分割掩码。

4. 训练协议： 该方法在 SegRap2023 基准测试上进行了评估，采用受控的二元逐 OAR 裁剪协议（128×128×128 体素），涵盖 10 种薄壁 OAR。训练使用 FP16 混合精度、AdamW 优化器以及结合了 Dice + Cross-Entropy 的损失函数。

核心贡献

1. 识别特征尺度失配： 作者量化了 FP16 环境下 FFT–FcaNet 融合中约 863 倍的激活尺度差异，证明了标称的 5% 残差系数实际上变成了约 43 倍的主导项，从而反转了架构意图。
2. 分析朴素融合的失效： 他们形式化了残差量级比（$\rho_{naive} \approx 43$），并提供了经验证据，表明在 FP16 设置下，可学习的融合权重无法收敛到有意义的值。
3. 尺度归一化残差融合： 他们提出了 FreqFuseNet，这是一种单操作校正方法，通过将残差分支归一化到与主分支相同的尺度，使得固定的 $\beta=0.05$ 能够作为一个可解释的低振幅系数发挥作用。
4. 性能效率： 与全波形基准模型（414.6 M 参数）相比，该方法实现了极具竞争力的性能，且参数量显著减少（仅 29.7 M）。

结果
在来自 SegRap2023 数据集的 180 个二元逐 OAR 测试样本（18 例 × 10 种 OAR）上进行评估：

• 主要指标（种子 2）： FreqFuseNet 实现了 0.849 的 Dice 分数、0.824 mm 的 HD95 以及 0.959 的 SDice@1mm。
• 可重复性： 独立的第二个种子产生了相当的结果（Dice 0.843, HD95 0.823 mm）。
• 对比性能：
  • 在 Dice、HD95 和 SDice@1mm 指标上，FreqFuseNet 相比 3D U-Net（Wilcoxon $p < 0.01$）和 MedNeXt-S（Wilcoxon $p < 0.05$）展现出具有统计学意义的病例级聚合改进。
  • 它在参数量减少 92.8% 的情况下，超越了 DWT-Full 基准模型（414.6 M 参数）。
  • 逐 OAR 分析显示，在所有 10 种结构中均有持续的 Dice 提升，其中在几何结构最复杂的结构（鼓室和内听道）上增益最大。
• 消融实验： “FixedFusion”（未进行归一化的朴素融合）在 HD95 指标上表现甚至差于仅含 FcaNet 的分支，证实了朴素融合在尺度失配下的失效。

意义与主张
论文指出，在此背景下，有效双频融合的主要障碍并非缺乏信息丰富的频率特征，而是分支之间激活尺度的不兼容性，尤其是在混合精度训练的情况下。

FreqFuseNet 的意义在于：

• 恢复设计意图： 通过归一化尺度，该方法确保了残差分支作为校准后的微调路径发挥作用，防止其淹没主路径。
• 边界敏感性： HD95 和表面 Dice (SDice) 的提升表明，当 FFT 主导路径与 FcaNet 正确融合时，能够捕捉到空间卷积容易忽略的精细边界转换，这对于薄壁 OAR 至关重要。
• 参数效率： 该方法证明，与沉重的基于小波的基准模型相比，可以通过轻量化架构（29.7 M 参数）实现高性能的边界敏感分割。

作者对临床部署保持谨慎，指出本研究局限于非增强 CT、特定的二元裁剪协议以及较小的测试集（18 例）。他们强调，虽然该方法改善了与剂量学相关的几何指标，但其对临床剂量学影响（剂量体积直方图分析）的直接作用仍需在未来工作中进一步验证。