OPTED: Open Preprocessed Trachoma Eye Dataset Using Zero-Shot SAM 3 Segmentation

O artigo apresenta o OPTED, um conjunto de dados aberto e pré-processado de imagens oculares para classificação de tracoma, construído na África Subsaariana utilizando um pipeline automatizado de quatro etapas baseado no modelo de segmentação zero-shot SAM 3 para extrair e padronizar regiões de interesse.

O essencial

Imagine que você é um médico tentando diagnosticar uma doença chamada Tracoma, que é a principal causa de cegueira infecciosa no mundo. Para fazer isso, você precisa olhar para o interior da pálpebra do paciente. O problema é que as fotos tiradas no campo são muito "bagunçadas": aparecem dedos de luva, pele ao redor, sombras e luzes estranhas. É como tentar achar uma agulha num palheiro, mas a agulha é um tecido vermelho doente e o palheiro é uma foto cheia de distrações.

Os pesquisadores deste artigo, liderados por Kibrom Gebremedhin e sua equipe, criaram uma solução genial chamada OPTED. Pense no OPTED não apenas como um conjunto de fotos, mas como uma linha de montagem de limpeza e organização para essas imagens médicas.

Aqui está como funciona, explicado de forma simples:

1. O "Detetive de Texto" (A Mágica do SAM 3)

Antes, os cientistas tinham que cortar as fotos manualmente ou usar regras complicadas de cor para tentar achar a pálpebra. Foi trabalhoso e nem sempre funcionava.

Neste novo método, eles usam uma inteligência artificial chamada SAM 3 (Segment Anything Model 3). Imagine que o SAM 3 é um detetive superinteligente que nunca viu um olho antes, mas você pode dar a ele uma instrução em linguagem natural.

Em vez de dizer "corte a pálpebra eversada" (que é muito técnico e o robô não entende), eles testaram várias frases simples. Descobriram que a frase mágica era: "superfície interna da pálpebra com tecido vermelho".

• A Analogia: É como se você estivesse em uma sala cheia de móveis e dissesse ao robô: "Pegue só a cadeira vermelha". O robô olha, entende o conceito de "vermelho" e "cadeira", e isola perfeitamente o que você quer, ignorando o resto da sala.

2. A Linha de Montagem (O Pipeline)

Depois que o "detetive" encontra a pálpebra, o resto do processo é como preparar uma foto para um álbum de família perfeito:

• Passo 1: O Recorte (Corte de Borda): O robô corta tudo o que não é a pálpebra (dedos, pele, fundo preto).
• Passo 2: O Alinhamento: Às vezes a foto vem de lado. O sistema gira a imagem para que a pálpebra fique sempre na posição horizontal, como se você estivesse olhando para ela de frente.
• Passo 3: O Ajuste de Tamanho (Lanczos): As fotos originais são gigantes e de tamanhos diferentes. O sistema as redimensiona para um quadrado perfeito de 224x224 pixels. Eles usaram uma técnica especial (chamada Lanczos) que é como um fotógrafo profissional usando uma lente de alta qualidade: em vez de apenas esticar a foto (o que deixaria tudo borrado), ele "reconstrói" os detalhes finos, mantendo a nitidez das pequenas bolinhas e vasos sanguíneos que indicam a doença.

3. O Resultado: O "Kit de Ferramentas" (OPTED)

O resultado final é o conjunto de dados OPTED.

• O que é? Uma coleção de 2.832 fotos de olhos, todas limpas, alinhadas e prontas para serem usadas por outras inteligências artificiais para aprender a diagnosticar o tracoma.
• Por que é importante? Antes, não existia um "kit de ferramentas" público e gratuito feito com fotos da África Subsaariana (onde a doença é mais grave). Era como tentar aprender a cozinhar um prato típico sem nunca ter visto os ingredientes originais. Agora, qualquer pesquisador no mundo pode baixar essas fotos, usar o código aberto e criar seus próprios diagnósticos automáticos.

4. O Desafio das "Fotos Difíceis"

O sistema é muito bom, mas não é perfeito. Em algumas fotos, a pálpebra estava muito fechada, borrada ou coberta por um dedo. O sistema detectou isso (como um guarda de trânsito que vê um carro com defeito) e usou um "plano B" com outras frases de comando para tentar salvar essas imagens. No final, quase 100% das fotos foram salvas e organizadas.

Resumo em uma frase

Os autores criaram uma fábrica automática que pega fotos bagunçadas de olhos de pacientes na África, usa uma IA que entende linguagem humana para recortar apenas a parte doente, e entrega um arquivo de imagem perfeito e padronizado, permitindo que cientistas de todo o mundo criem ferramentas para acabar com a cegueira por tracoma até 2030.

É um trabalho que transforma o caos de fotos de campo em dados organizados, dando uma chance real de usar a tecnologia para salvar a visão de milhões de pessoas.

Resumo técnico

Aqui está um resumo técnico detalhado do artigo "OPTED: Open Preprocessed Trachoma Eye Dataset Using Zero-Shot SAM 3 Segmentation", apresentado em português:

1. O Problema

O tracoma continua sendo a principal causa infecciosa de cegueira no mundo, com mais de 85% da carga global concentrada na África Subsaariana e mais da metade dos casos ocorrendo apenas na Etiópia. Apesar da necessidade urgente de ferramentas de triagem escaláveis para atingir a meta de eliminação da OMS até 2030, existem barreiras significativas para o desenvolvimento de modelos de aprendizado de máquina (ML) eficazes:

• Escassez de Dados: Não há conjuntos de dados públicos pré-processados de tracoma originários da região mais afetada (África Subsaariana).
• Ruído nas Imagens: Fotografias clínicas brutas de pálpebras contêm muito ruído de fundo (dedos com luvas, pele, iluminação variável), o que impede o uso direto em pipelines de ML.
• Falta de Padronização: Trabalhos anteriores utilizaram métodos manuais ou classificadores de cor de pele para extração de região de interesse (ROI), mas nenhum liberou seu pipeline de pré-processamento, dificultando a reprodutibilidade.

2. Metodologia

Os autores apresentaram o OPTED, um conjunto de dados aberto e um pipeline de pré-processamento totalmente reprodutível baseado no modelo Segment Anything Model 3 (SAM 3) da Meta, utilizado em configuração zero-shot (sem treinamento específico para a tarefa).

O pipeline consiste em quatro etapas principais aplicadas a 2.832 imagens brutas:

1. Segmentação Zero-Shot com Prompt de Texto: O SAM 3 é usado para gerar máscaras binárias da conjuntiva tarsal (a área de interesse clínica) utilizando descrições em linguagem natural.
2. Remoção de Fundo e Recorte (Cropping): A máscara é aplicada para remover o fundo (definido como preto), e um retângulo delimitador (bounding box) é calculado com um preenchimento (padding) de 5%.
3. Alinhamento: As imagens recortadas são orientadas para que o eixo mais longo seja horizontal, garantindo consistência espacial.
4. Redimensionamento: As imagens são redimensionadas para 224 × 224 pixels usando interpolação Lanczos, escolhida por preservar melhor os detalhes finos do tecido (como folículos e padrões vasculares) em comparação com outros métodos (vizinho mais próximo, bilinear, bicúbica).

Seleção de Prompt:
Uma etapa crítica envolveu a avaliação sistemática de cinco prompts de texto candidatos em todas as 2.832 imagens. O prompt vencedor foi "inner surface of eyelid with red tissue" (superfície interna da pálpebra com tecido vermelho).

• Observação Importante: Termos médicos técnicos (ex: "conjuntiva tarsal") falharam em gerar máscaras, enquanto descrições visuais funcionaram melhor, indicando que o SAM 3 responde melhor a descrições visuais do que a terminologia clínica em seu conjunto de dados de treinamento.

3. Principais Contribuições

1. Primeiro Dataset Pré-processado da África Subsaariana: O OPTED é o primeiro conjunto de dados público de tracoma originado de estudos de campo na região que carrega a maior parte da carga da doença.
2. Pipeline de Pré-processamento Aberto: Um código completo e reprodutível para extração de ROI usando SAM 3, eliminando a necessidade de anotação manual ou métodos de segmentação complexos.
3. Avaliação Sistemática de Prompts: Demonstração de que descrições visuais simples superam terminologia médica especializada em modelos de fundação de visão-linguagem para tarefas médicas específicas.
4. Formatos Duplos: O dataset é disponibilizado em dois formatos: imagens recortadas/alinhadas (preservando a proporção original) e imagens padronizadas de 224 × 224 px prontas para arquiteturas pré-treinadas (ResNet, ViT, etc.).

4. Resultados

• Desempenho de Segmentação: O prompt selecionado alcançou uma taxa de detecção de 99,5% (apenas 13 imagens de 2.832 falharam e foram recuperadas via prompts de fallback).
• Confiança: A pontuação média de confiança foi de 0,872 (desvio padrão de 0,070). Imagens com TI (inflamação intensa) tiveram a maior confiança média (0,902), seguidas por TF (0,888) e Normal (0,870).
• Qualidade de Imagem: A interpolação Lanczos obteve os melhores resultados em PSNR (39,16 dB) e SSIM (0,9713), superando bicúbica e bilinear.
• Estatísticas do Dataset:
  • Total: 2.832 imagens.
  • Classes: Normal (2.487), TF (324), TI (21).
  • Divisão: 70% Treino / 15% Validação / 15% Teste, mantendo a distribuição de classes.
• Eficiência: O pipeline processa todas as imagens em aproximadamente 1 hora em uma GPU NVIDIA RTX 2000 Ada (8 GB VRAM), com um tempo médio de ~1,3 segundos por imagem.

5. Significância e Impacto

O trabalho do OPTED é fundamental para a pesquisa em saúde global e visão computacional médica por várias razões:

• Reprodutibilidade: Ao liberar o código, os prompts otimizados e os dados pré-processados, os pesquisadores podem comparar modelos de classificação de forma justa e reprodutível, algo que era impossível anteriormente devido à falta de padrões.
• Acesso à Região Crítica: Preenche uma lacuna crítica ao fornecer dados da Etiópia e de outros países africanos, onde a doença é mais prevalente, permitindo o desenvolvimento de modelos mais robustos para essas populações.
• Descoberta Metodológica: A descoberta de que prompts visuais superam termos médicos no SAM 3 para segmentação de tecidos oculares oferece um insight valioso para outras tarefas de segmentação de imagens médicas.
• Suporte à Eliminação do Tracoma: Facilita o desenvolvimento de ferramentas de triagem automatizadas e escaláveis, essenciais para a meta da OMS de eliminar o tracoma como problema de saúde pública até 2030.

Limitações Notadas: O dataset apresenta um desequilíbrio de classes significativo (apenas 21 imagens da classe TI), o que exige cuidado na avaliação de modelos para essa categoria específica. Além disso, a validação da qualidade da segmentação foi baseada na confiança do modelo, com validação por IoU/Dice planejada para trabalhos futuros.