OphEdit: Training-Free Text-Guided Editing of Ophthalmic Surgical Videos

Resumen Técnico: OphEdit

Enunciado del Problema
La generación de videos quirúrgicos de alta fidelidad es crítica para la formación médica y el desarrollo de la inteligencia artificial, sin embargo, obtener conjuntos de datos a gran escala y anotados sigue siendo un cuello de botella significativo debido a las regulaciones de privacidad, el alto costo de la anotación experta y la subrepresentación de eventos clínicos raros. Aunque los modelos recientes de texto a video (T2V) han avanzado en la síntesis de video en dominios naturales, su aplicación a la cirugía oftálmica es un desafío. Los enfoques existentes se centran principalmente en regenerar secuencias de video completas desde cero, lo cual es computacionalmente ineficiente y carece de la capacidad de control granular necesaria para modificar pasos específicos del procedimiento (por ejemplo, cambios de instrumentos o transiciones de fase) dentro de un video existente. Además, los marcos de edición de video estándar luchan por mantener la integridad anatómica estricta y la consistencia temporal esenciales para el realismo clínico, introduciendo a menudo distorsiones estructurales o artefactos de parpadeo que comprometen la utilidad del resultado para fines médicos.

Metodología
OphEdit propone un marco novedoso, libre de entrenamiento, para la edición guiada por texto de videos de cirugía oftálmica. El sistema opera sobre un video quirúrgico preexistente generado por un modelo T2V (aprovechando específicamente la base Ophora) y lo modifica basándose en un prompt de texto objetivo sin requerir ajuste fino adicional del modelo ni conjuntos de datos emparejados. La metodología consta de dos etapas principales:

1. Inversión Determinista con Almacenamiento de Valores de Atención:
   El proceso comienza invirtiendo el video quirúrgico original en una representación latente ruidosa utilizando un solucionador de EDO determinista de segundo orden (DDIM-Solver). Durante esta inversión, el marco captura y almacena los tensores de Valor de Atención (V) de las capas de autoatención del transformador. Los autores se centran en los tensores de Valor en lugar de los tensores de Consulta o Clave porque los tensores V encapsulan las estructuras anatómicas ricas y las texturas intrincadas del ojo. Para equilibrar la eficiencia computacional con la fidelidad estructural, estos tensores se almacenan selectivamente solo desde los últimos $m$ bloques de atención (operando a alta resolución espacial) y los últimos $n$ pasos de inversión (donde se establece la disposición estructural global).

   Para abordar el problema del parpadeo temporal común en los videos quirúrgicos, la inversión emplea un esquema de integración de segundo orden. En lugar de una discretización lineal única, la trayectoria se refina calculando un "medio paso" intermedio en el punto medio del log-SNR. Esto implica realizar dos pasadas hacia adelante en cada paso: una en el paso completo y otra en el punto medio, asegurando una alineación espaciotemporal rigurosa.

2. Inyección de Valores de Atención Alineada al Paso de Tiempo:
   En la fase de edición (desruido), el sistema genera el video editado guiando la trayectoria de difusión inversa con el prompt de texto objetivo ($p_t$). Para preservar la geometría anatómica original mientras se aplican cambios semánticos, OphEdit utiliza un mecanismo de inyección selectiva. Un programa de inyección binario restringe la sustitución del tensor de Valor condicional con el tensor de Valor de la fuente almacenada al régimen inicial de alto ruido (los primeros $n_{inject}$ pasos).

   Durante estos pasos iniciales, el marco impone la alineación estructural reemplazando el tensor de Valor de la rama condicional con el tensor de fuente almacenado dentro de la formulación de Guía Libre de Clasificador (CFG). Esto obliga a la red a adherirse a los priores espaciales y estructurales de la anatomía original mientras permite que el prompt objetivo guíe los detalles semánticos. En pasos posteriores, el modelo desruido libremente para sintetizar texturas finas y detalles semánticos. El proceso de edición refleja el esquema de integración de segundo orden utilizado en la inversión, realizando actualizaciones latentes de doble vía (paso completo y punto medio) para asegurar la suavidad temporal y eliminar artefactos de parpadeo.

Contribuciones Clave
El artículo describe tres contribuciones principales:

• Primer Marco Libre de Entrenamiento para Cirugía Oftálmica: OphEdit es el primer marco diseñado específicamente para la edición guiada por texto de videos de cirugía oftálmica, que permite la manipulación precisa de elementos procedimentales (tipo de instrumento, respuesta tisular, fase quirúrgica) mediante lenguaje natural sin necesidad de grabación manual exhaustiva o ajuste fino costoso del modelo.
• Pipeline de Inversión-Edición Novel: Los autores introducen un pipeline que captura tensores de Valor de Atención (V) durante la inversión con solucionador de segundo orden e inyecta selectivamente en el proceso de desruido. Este enfoque preserva rigurosamente la fidelidad anatómica mientras mapea modificaciones semánticas impulsadas por texto sobre el flujo de video.
• Integración de Segundo Orden para Consistencia Temporal: Para prevenir artefactos de parpadeo, el marco introduce un esquema de integración de segundo orden. Al calcular actualizaciones latentes de doble vía en el punto medio del log-SNR, el método asegura una alineación espaciotemporal rigurosa, preservando la dinámica procedimental continua esencial para el realismo clínico.

Resultados
El marco se evaluó utilizando el conjunto de datos Ophora, que incluye 12 fases distintas de cirugía oftálmica. El sistema se probó contra una línea base de edición de video de dominio general adaptada, FateZero. Un oftalmólogo realizó una evaluación ciega en 19 intervenciones específicas de fase distintas, puntuando las ediciones en Consistencia Anatómica, Operación Correcta y Edición General.

• Rendimiento Cuantitativo: OphEdit (utilizando la variante DDIM-Solver) logró una puntuación de Consistencia Anatómica del 61.40% y una puntuación de Operación Correcta del 43.85%, superando a FateZero (57.89% y 24.56%, respectivamente). La variante de OphEdit que utiliza el solucionador de segundo orden (DDIM-2nd Order) logró la tasa más alta de generación de ediciones correctas (35.08%), en comparación con el 26.31% para el solucionador estándar y el 24.56% para FateZero.
• Observaciones Cualitativas: Las comparaciones visuales demostraron que OphEdit reemplazó con éxito instrumentos (por ejemplo, cambiando un cabezal de facoemulsificación por un cabezal coaxial de irrigación-aspiración) y alteró sustancias procedimentales (por ejemplo, inyectando tinte azul de tripano en lugar de hialuronato de sodio) mientras mantenía la corrección anatómica. Por el contrario, FateZero falló frecuentemente en cambiar objetos correctamente y produjo artefactos visibles e inconsistencias temporales.
• Distribución: Las puntuaciones de la evaluación clínica mostraron que OphEdit (DDIM-Segundo Orden) tenía la mayor concentración de ediciones exitosas en el cuadrante superior derecho de la distribución de rendimiento, indicando modificaciones quirúrgicas precisas con estructuras oculares preservadas.

Significado
El artículo afirma que OphEdit representa la primera aplicación de edición de video libre de entrenamiento en el dominio de la cirugía oftálmica. Su importancia radica en ofrecer una solución escalable para generar conjuntos de datos médicos diversos y anotados sin los costos prohibitivos asociados a la grabación manual o al ajuste fino del modelo. Al abordar las estrictas restricciones anatómicas y temporales del dominio médico, el trabajo permite la creación de variaciones quirúrgicas realistas (como cambios de instrumentos y variaciones procedimentales) que son difíciles de capturar en entornos clínicos reales. Esta capacidad apoya el desarrollo de sistemas de IA para la formación quirúrgica, la evaluación del rendimiento y la cirugía asistida por robots, superando potencialmente los cuellos de botella actuales de escasez de datos en la IA médica.