Resumen Técnico: Adaptación en Tiempo de Prueba en OCT mediante Flujo Independiente del Tiempo y Alineado con la Trayectoria

Declaración del Problema

La Tomografía de Coherencia Óptica (OCT) es un pilar fundamental en la oftalmología; sin embargo, el análisis automatizado mediante aprendizaje profundo se ve obstaculizado por la calidad inconsistente de las imágenes, particularmente en dispositivos de escaneo de bajo costo. Estos dispositivos introducen características de ruido severas y cambios de distribución que rara vez están representados en los conjuntos de datos de entrenamiento estándar. En consecuencia, el rendimiento del modelo se deteriora significativamente al encontrarse con estas brechas de dominio. Si bien se han propuesto métodos de Adaptación en Tiempo de Prueba (TTA, por sus siglas en inglés), los enfoques existentes enfrentan limitaciones:

• TTA basado en pesos: Métodos como TENT y CoTTA dependen de la entropía de la predicción o de etiquetas pseudo-etiquetadas, lo que a menudo produce mejoras inconsistentes en tareas de segmentación debido a la dificultad de diseñar funciones de pérdida robustas sin acceso a la distribución de entrenamiento.
• TTA Generativo: Los métodos basados en difusión tratan las imágenes de prueba como puntos intermedios en una trayectoria de difusión. Sin embargo, estos suelen asumir un ruido gaussiano ideal de magnitud fija. El ruido del mundo real se desvía de esto, e intentar compensarlo (por ejemplo, mediante el re-ruido o el submuestreo) conlleva el riesgo de desenfocar lesiones pequeñas críticas o de no alinearse con las distribaciones de ruido reales.

Metodología: TTA-Flow

Los autores proponen TTA-Flow, un marco de trabajo de TTA basado en el ajuste de flujo (flow matching) diseñado para generar imágenes sustitutas de alta calidad a partir de entradas ruidosas, alineándolas con la variedad (manifold) de los datos de entrenamiento. El marco introduce dos modificaciones críticas al ajuste de flujo estándar para manejar las desviaciones de ruido del mundo real:

1. Alineación de Trayectoria mediante Coincidencia de Histogramas

Para cerrar la brecha entre las distribuciones de ruido teóricas y los datos de prueba reales, el método emplea un proceso de generación de trayectoria de referencia:

• Generación de Referencia: El modelo de flujo entrenado simula $n$ trayectorias de muestra desde el ruido puro hacia los datos objetivo. A partir de estas, los autores computan los histogramas de intensidad media del objetivo ($\bar{H}_s$) para cada paso de tiempo discreto $s$.
• Alineación de Inferencia: Durante la inferencia, una muestra de prueba ruidosa entrante $\zeta$ se somete a una coincidencia de histogramas contra un histograma de referencia específico $\bar{H}_{s_{target}}$. Este paso de preprocesamiento alinea la distribución de intensidad de la muestra con la distribución esperada de las trayectorias de referencia en un paso de tiempo determinado $s_{target}$.
• Reconstrucción: La muestra alineada se utiliza para inicializar el resolvedor de la Ecuación Diferencial Ordinaria (ODE) para los pasos restantes, mapeando efectivamente la imagen hacia la distribución objetivo sin requerir términos explícitos de fidelidad de datos.

2. Flujo Independiente del Tiempo

Las redes de ajuste de flujo estándar suelen condicionarse al tiempo (o nivel de ruido) para guiar el proceso de eliminación de ruido. Los autores argumentan que, debido a que los niveles de ruido del mundo real se desvían de la trayectoria de referencia, forzar una condición de tiempo específica puede conducir a suposiciones inexactas.

• Enfoque: La red omite intencionalmente el condicionamiento explícito al tiempo.
• Racional: Al eliminar esta restricción, la red se ve obligada a gestionar implícitamente los niveles de ruido desconocidos del mundo real, una estrategia que ha demostrado ofrecer resultados superiores cuando el nivel de ruido real es desconocido.

Contribuciones Clave

1. Nuevo Marco de TTA: Introducción de TTA-Flow, que utiliza el ajuste de flujo para adaptar imágenes de OCT de dispositivos de bajo costo (Topcon, Cirrus) a distribuciones de referencia de alta calidad (Spectralis).
2. Alineación de Trayectoria: Un método para alinear los histogramas de las imágenes de prueba con las trayectorias de referencia sintéticas, cerrando eficazmente la brecha de dominio entre las distribuciones de ruido teóricas y reales.
3. Arquitectura Independiente del Tiempo: La eliminación del condicionamiento temporal de la red de flujo para acomodar mejor las desviaciones en las distribuciones de ruido del mundo real, demostrando que la gestión implícita del ruido supera al condicionamiento explícito en este contexto.
4. Independencia de la Fidelidad de Datos: El enfoque logra un rendimiento robusto sin incorporar términos explícitos de fidelidad de datos, los cuales suelen ser sensibles a los hiperparámetros y pueden arriesgarse a la alucinación de estructuras.

Resultados Experimentales

El método fue evaluado en dos conjuntos de datos: el conjunto público RETOUCH (centrado en Fluido Intraretiniano, Fluido Subretiniano y Desprendimiento del Epitelio Pigmentario) y un conjunto de datos propio de Atrofia Geográfica (GA) en la degeneración macular relacionada con la edad (AMD).

• Rendimiento de Segmentación:
  • Cirrus $\to$ Spectralis: TTA-Flow (incondicional) alcanzó un coeficiente de similitud de Dice (DSC) medio de estado del arte de 58.6, superando significativamente a los modelos base (por ejemplo, el ajuste de flujo estándar en 50.8, y DDA en 40.3) y acercándose al límite superior supervisado (61.6).
  • Topcon $\to$ Spectralis: El método mantuvo el DSC medio más alto (51.0) en el más desafiante conjunto de datos Topcon, superando a los modelos base de difusión como CPDM y DDA.
  • Segmentación de GA: El método redujo significamente los errores de segmentación en comparación con los modelos base, logrando un DSC de 56.1 (incondicional) en el conjunto de datos propio.
• Estudios de Ablación:
  • Coincidencia de Histogramas: La integración de la coincidencia de histogramas mejoró el DSC medio de 50.8 a 58.6 (Cirrus) y de 49.4 a 56.1 (in-house), confirmando su eficacia.
  • Condicionamiento de Tiempo: La red incondicional superó consistentemente a la versión condicional en la segmentación de fluidos y produjo una calidad perceptual superior (el FID se redujo de 85.4 a 32.2). El enfoque incondicional también mostró baja sensibilidad a la elección del punto de tiempo inicial $s_{target}$.
• Resultados Cualitativos: Las reconstrucciones preservaron la anatomía original mientras reducían visiblemente el ruido y mantenían un alto contraste, lo que condujo a segmentaciones posteriores que se alinearon bien con las anotaciones de la verdad de campo (ground-truth).

Significado y Reivindicaciones

El artículo afirma que TTA-Flow ofrece una solución simple pero altamente efectiva para la adaptación de dominio en OCT. Al aprovechar el ajuste de flujo con alineación de trayectoria y eliminar el condicionamiento de tiempo, el método genera con éxito imágenes sustitutas de alta calidad que permiten un rendimiento de segmentación de estado del arte en dispositivos de bajo costo.

Los autores enfatizan que:

• La coincidencia de histogramas es una técnica de preprocesamiento computacionalmente eficiente que alinea los datos de prueba con las expectativas de la red.
• Eliminar el condicionamiento de tiempo mejora el rendimiento de la eliminación de ruido y la fidelidad visual en comparación con las configuraciones condicionales estándar.
• El método supera a múltiples modelos base, incluyendo aquellos que utilizan términos explícitos de fidelidad de datos, sin el riesgo de alucinar estructuras observado en la práctica.
• El marco es robusto a través de diferentes dispositivos de OCT de bajo costo y biomarcadores clínicos (fluidos y GA), demostrando su potencial para mejorar el análisis automatizado en entornos con recursos limitados.

Se señala que el trabajo futuro se centrará en estimar dinámicamente los niveles de ruido directamente desde las imágenes de entrada para automatizar la selección del objetivo óptimo de coincidencia de histogramas y acelerar aún más el proceso de adaptación.