Data-Efficient Surgical Phase Segmentation in Small-Incision Cataract Surgery: A Controlled Study of Vision Foundation Models

Título: Segmentação de Fase Cirúrgica Eficiente em Dados na Cirurgia de Catarata com Pequena Incisão: Um Estudo Controlado de Modelos Fundamentais de Visão

1. Problema e Motivação

A compreensão do fluxo de trabalho cirúrgico a partir de vídeos é crucial para assistência intraoperatória, documentação automática e avaliação de habilidades. No entanto, o desenvolvimento de modelos robustos é limitado pelo alto custo de anotação, especialmente para a Segmentação de Fases Cirúrgicas, que exige rótulos densos ao nível de quadro (frame-level) para procedimentos longos.

Este desafio é agudo na Cirurgia de Catarata com Pequena Incisão (SICS - Small-Incision Cataract Surgery), frequentemente realizada em ambientes de baixos recursos onde a capacidade de anotação e infraestrutura especializada são limitadas. O conjunto de dados alvo, SICS-155, contém apenas 155 vídeos com 19 fases distintas, apresentando um desequilíbrio de classes severo (longa cauda) e ruído de anotação. O objetivo é desenvolver modelos que funcionem bem com poucos dados rotulados, explorando representações visuais pré-treinadas.

2. Metodologia

Os autores propõem um estudo controlado para isolar a qualidade das representações visuais, mantendo a arquitetura temporal constante.

• Abordagem de "Dados Eficientes": Em vez de treinar modelos de vídeo do zero (o que levaria a overfitting em conjuntos pequenos), o estudo utiliza Modelos Fundamentais de Visão (Foundation Models) pré-treinados em grandes corpora não rotulados.
• Pipeline Controlado:
  • Codificador Visual (Frozen): Os extratores de características são congelados após o pré-treinamento (ou adaptação).
  • Caching de Características: As características visuais são extraídas uma vez offline e armazenadas em cache, desacoplando o custo computacional pesado da codificação do aprendizado temporal leve.
  • Modelo Temporal Fixo: Um único modelo temporal, MS-TCN++, é treinado sobre as características cacheadas para todas as comparações. Isso garante que qualquer melhoria no desempenho seja atribuída à qualidade do extrator de características, e não a ajustes na arquitetura temporal.
• Comparação de Codificadores:
  • Supervisionados: ResNet-50 (ImageNet) e I3D (Kinetics).
  • Auto-supervisionados (Foundation Models): DINOv3 (ViT-B, L, 7B) e V-JEPA2 (ViT-L, g).
• Adaptação de Domínio (CataractFT): Uma extensão exploratória que utiliza vídeos não rotulados de catarata (Cataract-1K) para:
  1. Continuação do pré-treinamento auto-supervisionado (SSL).
  2. Adaptação leve via LoRA (Low-Rank Adaptation) em um pequeno conjunto de vídeos rotulados de catarata.
  3. Extração de características congeladas para o SICS-155.

3. Contribuições Principais

1. Benchmark Controlado: Apresentação de um benchmark onde codificadores supervisionados e modelos fundamentais auto-supervisionados são avaliados sob o mesmo fluxo de trabalho de caching, mesmo cabeçalho temporal (MS-TCN++) e divisões estratificadas.
2. Análise de Escala e Trade-offs: Estudo empírico sobre como o tamanho do modelo e a escala de pré-treinamento afetam a segmentação, com interpretações cuidadosas sobre a relação entre parâmetros e desempenho.
3. Análise de Transferência de Domínio (CataractFT): Investigação detalhada de quando a transferência de dados de catarata não rotulados ajuda ou prejudica a tarefa de SICS, revelando que a adaptação pode melhorar a discriminação quadro a quadro sem necessariamente melhorar a consistência temporal.
4. Insight Prático: Demonstração de que, em cenários com poucos rótulos, características de modelos fundamentais podem ser uma alternativa superior aos codificadores supervisionados tradicionais quando o modelo temporal é fixo.

4. Resultados

• Desempenho Geral: Os modelos fundamentais auto-supervisionados superaram consistentemente os codificadores supervisionados.
  • O DINOv3 ViT-7B obteve os melhores resultados globais: 83,4% de precisão e 87,0 de pontuação Edit (Edit Score).
  • Seguiu-se uma tendência de escala dentro da família DINOv3: ViT-B < ViT-L < ViT-7B.
  • O V-JEPA2 (nativo de vídeo) teve desempenho inferior ao DINOv3 (nativo de imagem) neste contexto específico, possivelmente devido à suavização de transições rápidas causada pela extração de clips e interpolação linear, além de domain shift.
• Impacto da Adaptação (CataractFT):
  • A adaptação foi mista e dependente do backbone.
  • Para o ViT-B, a adaptação completa (SSL + LoRA) melhorou significativamente a precisão e o F1 macro em relação à base.
  • Para o ViT-L, a adaptação às vezes piorou a precisão agregada em comparação com a base congelada, embora tenha melhorado a pontuação Edit (consistência temporal) em alguns casos.
  • Observação Crítica: A adaptação via LoRA melhorou a discriminação de fases específicas (ex: sutura, cautério), mas às vezes introduziu oscilações de fronteira, reduzindo a pontuação Edit em comparação com a continuação SSL pura. Isso sugere que a adaptação espacial pode não ser acompanhada por uma recalibração temporal adequada quando o cabeçalho temporal é fixo.
• Eficiência Computacional: O estudo destaca que o ViT-L pode oferecer um melhor equilíbrio entre precisão e custo computacional para implantação, dado que o ViT-7B exige grande quantidade de VRAM.

5. Significado e Conclusão

O estudo valida que modelos fundamentais de visão modernos possuem forte transferibilidade para a compreensão de fluxos de trabalho cirúrgicos, mesmo em cenários de dados escassos e desbalanceados.

• Guia Prático: Para equipes construindo sistemas cirúrgicos com poucos rótulos, o uso de características de modelos fundamentais (especialmente DINOv3) com um cabeçalho temporal fixo é uma estratégia robusta e superior aos métodos supervisionados tradicionais.
• Aviso de Implantação: A melhoria na precisão quadro a quadro não garante automaticamente uma segmentação temporal suave. Métricas de nível de segmento (como Edit Score e F1@k) são essenciais para avaliar a qualidade clínica real.
• Futuro: O trabalho aponta para a necessidade de desenvolver modelos temporais mais fortes que possam se adaptar melhor às mudanças nas representações espaciais e de dissecar melhor a dependência entre instrumentos visíveis e o contexto operacional geral.

O código e os dados estão disponíveis no repositório do projeto, promovendo a reprodutibilidade e o avanço na área de visão computacional médica.