Sintesi Tecnica: Adattamento al Tempo di Test in OCT tramite Flusso Indipendente dal Tempo e Allineato alla Traiettoria

Definizione del Problema

La Tomografia a Coerenza Ottica (OCT) è un pilimento fondamentale dell'oftalmologia, tuttavia l'analisi automatizzata tramite deep learning è ostacolata da una qualità d'immagine inconsistente, in particolare nei dispositivi di scansione a basso costo. Questi dispositivi introducono caratteristiche di rumore e shift di distribuzione severi che sono raramente rappresentati nei dataset di addestramento standard. Di conseguenza, le prestazioni del modello si deteriorano significamente quando incontra questi gap di dominio. Sebbene siano stati proposti metodi di Test-Time Adaptation (TTA), gli approcci esistenti presentano dei limiti:

• TTA basata sui pesi: Metodi come TENT e CoTTA si affidano all'entropia della predizione o a pseudo-label, che spesso producono miglioramenti inconsistenti nelle attività di segmentazione a causa della difficoltà di progettare funzioni di perdita robuste senza l'accesso alla distribuzione di addestramento.
• TTA generativa: I metodi basati sulla diffusione trattano le immagini di test come punti intermedi in una traiettoria di diffusione. Tuttavia, essi spesso assumono un rumore gaussiano ideale a magnitudo fissa. Il rumore del mondo reale devia da questo, e i tentativi di compensazione (ad esempio, re-rumore o downsampling) rischiano di sfocare lesioni piccole ma critiche o di non allinearsi alle reali distribuzioni di rumore.

Metodologia: TTA-Flow

Gli autori propongono TTA-Flow, un framework di TTA basato sul flow matching progettato per generare immagini surrogate di alta qualità da input rumorosi allineandoli con il manifold dei dati di addestramento. Il framework introduce due modifiche critiche allo standard del flow matching per gestire le deviazioni del rumore nel mondo reale:

1. Allineamento della Traiettoria tramite Corrispondenza degli Istogrammi

Per colmare il divario tra le distribuzioni di rumore teoriche e i dati di test reali, il metodo impiega un processo di generazione della traiettoria di riferimento:

• Generazione del Riferimento: Il modello di flow addestrato simula $n$ traiettorie di campionamento dal rumore puro verso i dati target. Da queste, gli autori calcolano gli istogrammi medi dell'intensità target ($\bar{H}_s$) per ogni step temporale discreto $s$.
• Allineamento in Inferenza: Durante l'inferenza, un campione di test rumoroso in ingresso $\zeta$ subisce una corrispondenza di istogramma rispetto a un istogramma di riferimento specifico $\bar{H}_{s_{target}}$. Questo passaggio di pre-elaborazione allinea la distribuzione dell'intensità del campione con la distribuzione attesa delle traiettorie di riferimento a un determinato step temporale $s_{target}$.
• Ricostruzione: Il campione allineato viene utilizzato per inizializzare il solver dell'equazione differenziale ordinaria (ODE) per gli step rimanenti, mappando efficacementamente l'immagine nella distribuzione target senza richiedere termini espliciti di fedeltà ai dati.

2. Flusso Indipendente dal Tempo

Le reti di flow matching standard tipicamente condizionano il processo di denoising al tempo (o livello di rumore) per guidarlo. Gli autori sostengono che, poiché i livelli di rumore del mondo reale deviano dalla traiettoria di riferimento, forzare una specifica condizione temporale può portare ad assunzioni imprecise.

• Approccio: La rete omette intenzionalmente il condizionamento esplicito al tempo.
• Razionale: Rimuovendo questo vincolo, la rete è costretta a gestire implicitamente i livelli di rumore sconosciuti del mondo reale, una strategia che si è dimostrata capace di produrre risultati superiori quando il vero livello di rumore è ignoto.

Contributi Chiave

1. Nuovo Framework TTA: Introduzione di TTA-Flow, che utilizza il flow matching per adattare le immagini OCT da dispositivi a basso costo (Topcon, Cirrus) a distribuzioni di riferimento ad alta qualità (Spectralis).
2. Allineamento della Traiettoria: Un metodo per allineare gli istogrammi delle immagini di test con le traiettorie di riferimento sintetiche, colmando efficacemente il gap di dominio tra le distribuzioni di rumore teoriche e quelle reali.
3. Architettura Indipendente dal Tempo: La rimozione del condizionamento temporale dalla rete di flow per meglio accomodare le deviazioni nelle distribuzioni di rumore del mondo reale, dimostrando che la gestione implicita del rumore supera il condizionamento esplicito in questo contesto.
4. Indipendenza dalla Fedeltà dei Dati: L'approccio raggiunge prestazioni robuste senza incorporare termini espliciti di fedeltà ai dati, che sono spesso sensibili agli iperparametri e possono rischiare di allucinare strutture.

Risultati Sperimentali

Il metodo è stato valutato su due dataset: il dataset pubblico RETOUCH (focalizzato su Fluido Intraretinico, Fluido Sottoretinico e Distacco dell'Epitelio Pigmentato) e un dataset interno di Atrofia Geografica (GA) nella degenerazione maculare senile (AMD).

• Prestazioni di Segmentazione:
  • Cirrus $\to$ Spectralis: TTA-Flow (unconditional) ha raggiunto un coefficiente di somiglianza Dice (DSC) medio state-of-the-art di 58,6, superando significativamente i baseline (ad esempio, standard Flow Matching a 50,8, DDA a 40,3) e avvicinandosi al limite superiore supervisionato (61,6).
  • Topcon $\to$ Spectralis: Il metodo ha mantenuto il DSC medio più elevato (51,0) sul dataset Topcon, più impegnativo, superando i baseline basati sulla diffusione come CPDM e DDA.
  • Segmentazione GA: Il metodo ha ridotto significativamente gli errori di segmentazione rispetto ai baseline, ottenendo un DSC di 56,1 (unconditional) sul dataset interno.
• Studi di Ablazione:
  • Corrispondenza degli Istogrammi: L'integrazione della corrispondenza degli istogrammi ha migliorato il DSC medio da 50,8 a 58,6 (Cirrus) e da 49,4 a 56,1 (in-house), confermandone l'efficacia.
  • Condizionamento Temporale: La rete unconditional ha costantemente superato la versione condizionale nella segmentazione dei fluidi e ha prodotto una qualità percettiva superiore (FID ridotto da 85,4 a 32,2). L'approccio unconditional ha anche mostrato una bassa sensibilità alla scelta del punto temporale di partenza $s_{target}$.
• Risultati Qualitativi: Le ricostruzioni hanno preservato l'anatomia originale riducendo visibilmente il rumore e mantenendo l'alto contrasto, portando a segmentazioni a valle che si allineano bene con le annotazioni ground-truth.

Significato e Rivendicazioni

Il paper sostiene che TTA-Flow offra una soluzione semplice ma altamente efficace per l'adattamento di dominio in OCT. Sfruttando il flow matching con l'allineamento della traiettoria e rimuovendo il condizionamento temporale, il metodo genera con successo immagini surrogate di alta qualità che consentono prestazioni di segmentazione state-of-the-art su dispositivi a basso costo.

Gli autori sottolineano che:

• La corrispondenza degli istogrammi è una tecnica di pre-elaborazione computazionalmente efficiente che allinea i dati di test con le aspettative della rete.
• La rimozione del condizionamento temporale migliora le prestazioni di denoising e la fedeltà visiva rispetto alle configurazioni condizionali standard.
• Il metodo supera molteplici baseline, inclusi quelli che utilizzano termini espliciti di fedeltà ai dati, senza il rischio di allucinare strutture osservato nella pratica.
• Il framework è robusto attraverso diversi dispositivi OCT a basso costo e biomarcatori clinici (fluidi e GA), dimostrando il suo potenziale per migliorare l'analisi automatizzata in contesti con risorse limitate.

Il lavoro futuro si concentrerà sulla stima dinamica dei livelli di rumore direttamente dalle immagini di input per automatizzare la selezione del target ottimale per la corrispondenza degli istogrammi e per velocizzare ulteriormente il processo di adattamento.