Resumen Técnico: Reconocimiento de la Anatomía Quirúrgica mediante el Aprendizaje de Contexto utilizando Representaciones Fundacionales

Planteamiento del Problema

El reconocimiento preciso de las estructuras anatómicas es crítico para una cirugía mínimamente invasiva (CMI) segura y efectiva. Sin embargo, el progreso en la visión computacional quirúrgica para esta tarea específica se ha visto obstaculizado por dos factores principales:

1. Escasez de Datos: Una falta de conjuntos de datos a gran escala, diversos y ricamente anotados que capturen la variabilidad de la práctica quirúrgica real. Los conjuntos de datos existentes suelen sufrir de una diversidad procedimental limitada, pocos videos y una cobertura incompleta de clases anatómicas, lo que restringe la generalización del modelo.
2. Limitaciones Metodológicas: Los enfoques convencionales suelen priorizar el seguimiento de objetos o están adaptados a escenas naturales, fallando al no aprovechar las pistas contextuales específicas (p. ej., tipo de procedimiento, fase quirúrgica) en las que los cirujanos se apoyan para identificar la anatomía bajo puntos de vista limitados y sin retroalimentación táctil.

Metodología

1. El Conjunto de Datos ATLAS-120k

Los autores presentan ATLAS-120k, un conjunto de datos de segmentación semántica a nivel de clip a gran escala diseñado para abordar las limitaciones de datos.

• Escala y Diversidad: Compuesto por más de 120,000 fotogramas anotados de 100 videos quirúrgicos, el conjunto de datos abarca 14 procedimientos distintos (incluyendo cirugía laparoscópica y asistida por robot) y cubre 42 clases anatómicas.
• Flujo de Trabajo de Anotación: Se empleó un flujo de trabajo escalable que involucró:
  • Etiquetado manual experto de fotogramas iniciales por parte de becarios de investigación quirúrgica bajo la supervisión de cirujanos.
  • Propagación automatizada utilizando un modelo de seguimiento de objetos ligero.
  • Refinamiento iterativo donde el rastreador fue ajustado (fine-tuned) sobre los datos anotados en intervalos (10k, 25k, 50k fotogramas).
  • Corrección manual de errores de propagación y verificación independiente del primer fotograma de cada clip por parte de cirujanos experimentados.
• Estandarización: Los videos fueron submuestreados a 15 fps, con resoluciones espaciales que oscilan entre 480×640 y 1080×1920.

2. El Modelo ATLAS

Los autores proponen ATLAS (Anatomy Recognition with Context Learning using Foundation Representations), un modelo de segmentación semántica de video específicamente arquitecturizado para la anatomía quirúrgica. A diferencia de la segmentación de video estándar que se enfoca fuertemente en el seguimiento, ATLAS integra embeddings de modelos fundacionales con aprendizaje de contexto.

• Arquitectura: Construido sobre EoMT (un modelo de segmentación de imágenes de vanguardia que utiliza codificadores ViT y consultas aprendibles), ATLAS extiende esto al video introduciendo consultas de contexto junto con las consultas de segmentación y seguimiento estándar.
• Representación de Entrada: Para cada fotograma $t$, la entrada del transformador $X_t$ incluye:
  • Tokens de parches visuales ($P_t$).
  • Consultas de segmentación aprendibles ($Q_{seg}$).
  • Consultas propagadas del fotograma anterior ($\hat{Q}_{t-1}$).
  • Consultas de Contexto: Consultas iniciales aprendibles para el procedimiento ($Q_{proc}$) y la fase quirúrgica ($Q_{phase}$), que se refinan a lo largo del tiempo para capturar el contexto global y temporal.
• Mecanismos de Contexto:
  • Consultas de Procedimiento: Codificadas mediante una Perceptrón Multicapa (MLP) para predecir la etiqueta del procedimiento, supervisadas por una pérdida de entropía cruzada. Esto captura un contexto estable y de alto nivel (p. ej., presencia de instrumentos, patrones de exposición).
  • Consultas de Fase: Codificadas para capturar variaciones temporales más finas. Se aplica una pérdida contrastiva InfoNCE para asegurar que los embeddings de fotogramas temporalmente adyacentes dentro del mismo clip estén cerca, mientras se repelen los embeddings de diferentes clips o marcas de tiempo distantes.
• Propagación Temporal: Las consultas se propagan del fotograma $t-1$ al $t$ utilizando una capa lineal, asegurando la memoria a corto plazo y la consistencia temporal de manera similar a VidEoMT, pero aumentada con las nuevas dimensiones de contexto.

Contribuciones Clave

1. Conjunto de Datos ATLAS-120k: Un nuevo conjunto de datos de referencia que ofrece una diversidad procedimental sin precedentes (14 procedimientos) y escala (120k+ fotogramas), cerrando la brecha entre los conjuntos de datos de un solo procedimiento y la complejidad de la práctica quirúrgica real.
2. Modelo ATLAS: Una arquitectura novedosa que combina representaciones de modelos fundacionales con razonamiento temporal ligero y consultas de contexto explícitas (procedimiento y fase). Este diseño permite al modelo utilizar el conocimiento procedimental para resolver ambigüedades en el reconocimiento anatómico.
3. Recursos Abiertos: Los modelos, las anotaciones del conjunto de datos y la plataforma de anotación se liberan públicamente para facilitar la investigación posterior.

Resultados Experimentales

El modelo fue evaluado con una división a nivel de paciente (70 entrenamiento, 10 validación, 20 prueba) con 30 clases consolidadas.

• Desempeño: La variante ATLAS ViT-L logró:
  • 0.64 AP (Precisión Promedio)
  • 0.49 mDice (Coeficiente Dice medio)
  • 0.79 mVC24 (Consistencia de Video media sobre 24 fotogramas)
  • 64 FPS de velocidad de inferencia en una NVIDIA H100, demostrando la viabilidad en tiempo real.
• Comparaciones: ATLAS superó consistentemente a los modelos fundacionales de imágenes naturales (p. ej., variantes de DINOv2/3 y SAM) y a los modelos médicos de dominio específico (p. ej., EndoViT, SurgeNet).
• Estudios de Ablación:
  • Preentrenamiento: El preentrenamiento en el dominio (usando DINOv3 en el conjunto de datos SurgeNet) proporcionó un aumento sustancial sobre los pesos por defecto.
  • Componentes: La adición de la propagación de consultas temporales mejoró el AP y el AP50. La incorporación de consultas de contexto mejoró aún más la detección, el solapamiento de regiones y las métricas de consistencia temporal.
  • Eficiencia: Estas mejoras resultaron en un aumento de >20% en el AP en relación con el baseline, incrementando el recuento de parámetros en menos del 1%.

Significado y Reivindicaciones

El artículo afirma que la combinación del conjunto de datos ATLAS-120k y el modelo ATLAS establece una base práctica para la comprensión robusta de la escena quirúrgica. Los autores sostienen que:

• El Contexto es Crítico: La percepción anatómica robusta en CMI requiere más que un simple seguimiento visual; requiere la integración del contexto procedimental y dependiente de la fase, lo cual el modelo propuesto captura con éxito.
• Cerrando la Brecha: El trabajo tiene como objetivo cerrar la brecha entre los prototipos de investigación y los sistemas de guía clínicamente útiles y conscientes de la anatomía.
• Aplicabilidad en el Mundo Real: Al demostrar una alta precisión y consistencia temporal a través de diversos procedimientos en tiempo real, el marco de trabajo respalda el desarrollo de sistemas de asistencia más seguros e inteligentes para el quirófano.

Los autores mantienen un tono modesto respecto a los puntajes absolutos de Dice, reconociendo la naturaleza desafiante del conjunto de datos (clases altamente desbalanceadas, distribución de cola larga) y posicionando a ATLAS-120k como un benchmark exigente para futuros modelos en lugar de un problema resuelto.