DOI: https://doi.org/10.1109/tmi.2025.3579213
PMID: https://pubmed.ncbi.nlm.nih.gov/40504718
تاريخ النشر: 2025-06-12
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: كشف وتصنيف أورام الدماغ
نظرة عامة
تقدم البحث شبكة دمج التردد المتناغم (HFF-Net)، وهي إطار عمل جديد لتجزئة أورام الدماغ يتناول التحديات المتعلقة بتحديد المناطق المعززة بالتباين بدقة في صور الرنين المغناطيسي. تكافح طرق التجزئة التقليدية مع هذه المناطق بسبب فشلها في أخذ في الاعتبار بشكل كافٍ القوام المعقد والتغيرات الاتجاهية المتأصلة في بيانات الرنين المغناطيسي. تستخدم HFF-Net وحدة تحليل التردد (FDD) لفصل صور الرنين المغناطيسي إلى مكونات ذات تردد منخفض، والتي تلتقط ملامح الأورام السلسة، ومكونات ذات تردد عالي، والتي تبرز القوام والتفاصيل الدقيقة. بالإضافة إلى ذلك، تعزز وحدة الالتفاف اللابلاسي التكيفية (ALC) الحساسية لحدود الأورام من خلال ضبط نوى الالتفاف ديناميكيًا للتركيز على التفاصيل الحرجة ذات التردد العالي. يسمح دمج آلية الانتباه المتقاطع في مجال التردد (FDCA) بدمج الميزات بشكل فعال عبر مقاييس متعددة.
تظهر التجارب الواسعة على أربعة مجموعات بيانات عامة أن HFF-Net تحقق تحسينًا نسبيًا متوسطًا قدره 4.48% في متوسط درجات Dice عبر المناطق الفرعية الرئيسية للأورام وتحسينًا قدره 7.33% في تجزئة المناطق المعززة بالتباين، كل ذلك مع الحفاظ على الكفاءة الحسابية. يبرز الدراسة الإمكانية للعمل المستقبلي لتعزيز المتانة ضد طرق التصوير غير المكتملة وتحسين النموذج للنشر في البيئات ذات الموارد المحدودة. علاوة على ذلك، تقترح توسيع النهج القائم على مجال التردد ليشمل طرق تصوير وهياكل تشريحية أخرى، مما يوسع من قابليته السريرية. بشكل عام، يضع هذا البحث نمذجة مجال التردد كبديل قيم لطرق المجال المكاني التقليدية في تجزئة الصور الطبية، مما يساهم في تطوير حلول أكثر متانة وقابلية للتفسير.
مقدمة
تعزز وحدة الانتباه المتقاطع في مجال التردد (FDCA) تمثيل الميزات من خلال تحسين الميزات الأعمق المستخرجة من الالتفاف اللابلاسي التكيفي (ALC) وطبقات الترميز ذات التردد المنخفض (LF) من خلال آليات الانتباه المتقاطع. تعمل على خرائط الميزات متعددة المقاييس، تقوم FDCA بتفكيك الميزات المدخلة إلى مكونات حقيقية وتخيلية باستخدام تحويل فورييه السريع (FFT)، مما يسمح باستخراج الانتباه بكفاءة مع الحفاظ على تكاليف حسابية منخفضة. تحسب بشكل متسلسل خرائط الانتباه الدلالية والمكانية وشرائح الانتباه، والتي يتم تطبيقها على الجزء الحقيقي من خريطة الميزات عبر الضرب الموزع. ثم يتم تحويل الميزات المعدلة بواسطة الانتباه مرة أخرى إلى المجال المكاني باستخدام تحويل فورييه العكسي السريع (IFFT)، مما يدمج التفاصيل المحددة بالتردد لتحسين تمثيل الميزات في مراحل فك التشفير اللاحقة.
تعمل وحدة تحليل التردد (FDD) كخطوة أولية في إطار التجزئة، حيث تحول مسحات الرنين المغناطيسي متعددة التسلسل إلى نطاقات فرعية متميزة ذات تردد منخفض ومرتفع (HF). تلتقط الميزات ذات التردد المنخفض، المستخرجة باستخدام تحويل الموجات المعقدة ثنائية الشجرة (DTCWT)، معلومات هيكلية على نطاق واسع، بينما يتم استخدام تحويل الكنتور غير العينة (NSCT) للميزات ذات التردد العالي لاستخراج القوام المعقد متعدد الاتجاهات. يعزز هذا النهج المزدوج دقة التجزئة من خلال فصل مكونات التردد، مما يحافظ على دقة الهيكل ويحسن المتانة ضد العيوب مثل ضباب الحركة. يظهر تحليل مجال التردد أن الجمع بين DTCWT وNSCT يوازن بشكل فعال بين الاستقرار الهيكلي العالمي مع الحفاظ على التفاصيل الدقيقة، مما يؤدي إلى تحسين أداء التجزئة، على الرغم من أن الفعالية قد تتعرض للخطر في حالات عدم توافق التسلسل الشديد.
طرق
في قسم الطرق، يناقش البحث التقدم في تجزئة أورام الدماغ باستخدام كل من الأساليب أحادية النمط ومتعددة الأنماط. تشمل الأساليب أحادية النمط، التي تعتمد بشكل أساسي على الشبكات العصبية الالتفافية (CNNs)، هياكل مثل UNet ونسخها، التي تعزز استخراج الميزات من خلال هياكل الترميز وفك الترميز. ومع ذلك، فإن هذه الطرق محدودة بسبب اعتمادها على تسلسل تصوير واحد، مما يقيد فهمها السياقي للخصائص المرضية المتنوعة لأورام الدماغ. في المقابل، تدمج الأساليب متعددة الأنماط البيانات من تقنيات تصوير مختلفة مثل الرنين المغناطيسي، والأشعة المقطعية، والتصوير المقطعي بالإصدار البوزيتروني (PET) لتوفير تحليل أكثر شمولاً. تشمل النماذج متعددة الأنماط الملحوظة TransUNet وH2NF-Net، التي تهدف إلى تحسين دقة التجزئة ولكن غالبًا ما تتجاهل الخصائص المحددة بالتردد، مما يعقد قابليتها السريرية.
لمعالجة هذه القيود، يقترح المؤلفون هيكلًا جديدًا يسمى HFF-Net، الذي يتضمن طبقات الانتباه المتقاطع في مجال التردد (FDCA) والالتفاف اللابلاسي التكيفي (ALC). يعمل هذا التصميم على التحليلات المبكرة للترددات لتعزيز التماسك المكاني والتمييز بين القوام عبر الأنماط. تظهر النتائج التجريبية أداءً متفوقًا لـ HFF-Net على مجموعات بيانات تجزئة أورام الدماغ المتعددة، حيث تحقق درجات Dice أعلى بكثير من الطرق الحالية، بما في ذلك تحسين قدره 8.29% في تحديد حدود نواة الورم المعزز مقارنةً بأحدث نموذج S2CA-Net. إطار العمل الشامل للنموذج، على الرغم من تعقيده، يلتقط خصائص الورم بشكل فعال، مما يعزز اتخاذ القرار السريري في حالات الدبقية.
مناقشة
تسلط المناقشة الضوء على التحديات الحرجة المرتبطة بتشخيص وعلاج أورام الدماغ، وخاصة الدبقيات، التي تشتهر بطبيعتها العدوانية وتوقعاتها السيئة. إن البقاء الوسيط لمرضى الورم الدبقي منخفض بشكل مثير للقلق، مما يبرز ضرورة وجود تقنيات تشخيصية مبكرة ودقيقة. يعد التصوير بالرنين المغناطيسي (MRI) هو النمط الرئيسي غير الجراحي لاكتشاف الأورام، ومع ذلك، فإن التجزئة اليدوية لمناطق الأورام مليئة بالصعوبات، بما في ذلك كثافة العمل والتباين بين المراقبين. وهذا يبرز الحاجة الملحة لطرق التجزئة الآلية، خاصة لمناطق الأورام المعززة بالتباين (ET)، والتي تعتبر حيوية لتخطيط العلاج والتوقعات.
يقدم البحث HFF-Net، وهو إطار عمل جديد للتجزئة الواعية بالتردد مصمم لتعزيز تحديد مناطق ET في بيانات الرنين المغناطيسي ثلاثية الأبعاد متعددة الأنماط. من خلال دمج تحويل الموجات المعقدة ثنائية الشجرة (DTCWT) وتحويل الكنتور غير العينة (NSCT)، تلتقط HFF-Net كل من الميزات ذات التردد المنخفض وذات التردد العالي، مما يحسن المتانة ضد الضوضاء ويعزز الحساسية الاتجاهية. يستخدم الإطار وحدة الالتفاف اللابلاسي التكيفية (ALC) لتحسين تمثيلات الحواف والقوام، بالإضافة إلى وحدات الانتباه المتقاطع في مجال التردد (FDCA) لتعزيز التماسك المكاني العالمي. النموذج المقترح هو الأول الذي يدمج بشكل منهجي تحولات متعددة في مجال التردد لتجزئة أورام الدماغ، مما يظهر أداءً متفوقًا في تحديد حدود الأورام الحرجة بدقة، وهو أمر ضروري للتدخل السريري الفعال.
DOI: https://doi.org/10.1109/tmi.2025.3579213
PMID: https://pubmed.ncbi.nlm.nih.gov/40504718
Publication Date: 2025-06-12
Author(s): Zhenyun Du et al.
Primary Topic: Brain Tumor Detection and Classification
Overview
The research presents the Harmonized Frequency Fusion Network (HFF-Net), a novel framework for brain tumor segmentation that addresses the challenges of accurately delineating contrast-enhancing regions in MRI scans. Traditional segmentation methods struggle with these areas due to their failure to adequately account for the complex textures and directional variations inherent in MRI data. HFF-Net employs a Frequency Domain Decomposition (FDD) module to separate MRI images into low-frequency components, which capture smooth tumor contours, and high-frequency components, which emphasize detailed textures and edges. Additionally, an Adaptive Laplacian Convolution (ALC) module enhances sensitivity to tumor boundaries by dynamically adjusting convolution kernels to focus on critical high-frequency details. The integration of a Frequency Domain Cross-Attention (FDCA) mechanism allows for effective feature fusion across multiple scales.
Extensive experiments on four public datasets demonstrate that HFF-Net achieves an average relative improvement of 4.48% in mean Dice scores across major tumor subregions and a 7.33% improvement in segmenting contrast-enhancing regions, all while maintaining computational efficiency. The study highlights the potential for future work to enhance robustness against incomplete imaging modalities and to optimize the model for deployment in resource-limited settings. Furthermore, it suggests extending the frequency-domain approach to other imaging modalities and anatomical structures, thereby broadening its clinical applicability. Overall, this research positions frequency-domain modeling as a valuable alternative to conventional spatial-domain methods in medical image segmentation, contributing to the development of more robust and interpretable solutions.
Introduction
The Frequency Domain Cross-Attention (FDCA) module enhances feature representation by refining deeper features extracted from the Adaptive Laplacian Convolution (ALC) and low-frequency (LF) encoding layers through cross-attention mechanisms. Operating on multiscale feature maps, the FDCA decomposes input features into real and imaginary components using the Fast Fourier Transform (FFT), allowing for efficient attention extraction while maintaining low computational costs. It sequentially computes semantic, positional, and slice attention maps, which are applied to the real part of the feature map via broadcasted multiplication. The attention-modulated features are then transformed back to the spatial domain using the Inverse Fast Fourier Transform (IFFT), consolidating frequency-specific details for improved feature representation in subsequent decoding phases.
The Frequency Domain Decomposition (FDD) module serves as the initial step in the segmentation framework, transforming multi-sequence MRI scans into distinct LF and high-frequency (HF) sub-bands. The LF features, extracted using the Dual-Tree Complex Wavelet Transform (DTCWT), capture large-scale structural information, while the Nonsubsampled Contourlet Transform (NSCT) is employed for HF features to extract complex multi-directional textures. This dual approach enhances segmentation precision by disentangling frequency components, thus preserving structural fidelity and improving robustness against artifacts such as motion blur. A frequency-domain analysis demonstrates that the combination of DTCWT and NSCT effectively balances global structural stability with detailed texture preservation, leading to improved segmentation performance, although the effectiveness may be compromised in cases of severe inter-sequence misalignment.
Methods
In the methods section, the paper discusses advancements in brain tumor segmentation using both single-modality and multi-modality approaches. Single-modality methods, primarily based on Convolutional Neural Networks (CNNs), include architectures such as UNet and its variants, which enhance feature extraction through encoder-decoder structures. However, these methods are limited by their reliance on a single imaging sequence, which restricts their contextual understanding of the diverse pathological characteristics of brain tumors. In contrast, multi-modality methods integrate data from various imaging techniques like MRI, CT, and PET to provide a more comprehensive analysis. Notable multi-modality models include TransUNet and H2NF-Net, which aim to improve segmentation accuracy but often overlook frequency-specific characteristics, complicating their clinical applicability.
To address these limitations, the authors propose a novel architecture called HFF-Net, which incorporates Frequency Domain Cross Attention (FDCA) and Adaptive Laplacian Convolution (ALC) layers. This design operates on early-stage frequency decompositions to enhance spatial coherence and texture discrimination across modalities. The experimental results demonstrate HFF-Net’s superior performance on multiple brain tumor segmentation datasets, achieving Dice scores significantly higher than existing methods, including an 8.29% improvement in the enhancing tumor core delineation compared to the state-of-the-art S2CA-Net. The model’s end-to-end framework, despite its complexity, effectively captures tumor characteristics, thereby enhancing clinical decision-making in glioma cases.
Discussion
The discussion highlights the critical challenges associated with the diagnosis and treatment of brain tumors, particularly gliomas, which are notorious for their aggressive nature and poor prognosis. The median survival for glioblastoma patients is alarmingly low, underscoring the necessity for early and precise diagnostic techniques. Magnetic Resonance Imaging (MRI) is the primary non-invasive modality for tumor detection, yet the manual segmentation of tumor regions is fraught with difficulties, including labor intensity and variability among observers. This emphasizes the urgent need for automated segmentation methods, especially for contrast-enhancing tumor (ET) regions, which are vital for treatment planning and prognosis.
The paper introduces HFF-Net, a novel frequency-aware segmentation framework designed to enhance the delineation of ET regions in multi-modal 3D MRI data. By integrating Dual-Tree Complex Wavelet Transform (DTCWT) and Nonsubsampled Contourlet Transform (NSCT), HFF-Net captures both low-frequency and high-frequency features, improving robustness against noise and enhancing directional sensitivity. The framework employs an Adaptive Laplacian Convolution (ALC) module to refine edge and texture representations, along with Frequency Domain Cross Attention (FDCA) modules to bolster global spatial coherence. The proposed model is the first to systematically integrate multiple frequency-domain transformations for brain tumor segmentation, demonstrating superior performance in accurately delineating critical tumor boundaries, which is essential for effective clinical intervention.