OphEdit: Training-Free Text-Guided Editing of Ophthalmic Surgical Videos

Resumo Técnico: OphEdit

Declaração do Problema
A geração de vídeos cirúrgicos de alta fidelidade é crítica para o treinamento médico e o desenvolvimento de IA, mas a obtenção de conjuntos de dados em grande escala e anotados permanece um gargalo significativo devido a regulamentações de privacidade, ao alto custo de anotação por especialistas e à sub-representação de eventos clínicos raros. Embora modelos recentes de texto-para-vídeo (T2V) tenham avançado na síntese de vídeos de domínio natural, aplicá-los à cirurgia oftálmica é desafiador. Abordagens existentes focam principalmente na regeneração de sequências de vídeo inteiras a partir do zero, o que é computacionalmente ineficiente e carece da controlabilidade em nível de detalhe necessária para modificar etapas específicas do procedimento (por exemplo, troca de instrumentos ou transições de fase) dentro de um vídeo existente. Além disso, frameworks padrão de edição de vídeo lutam para manter a integridade anatômica estrita e a consistência temporal essenciais para o realismo clínico, frequentemente introduzindo distorções estruturais ou artefatos de tremulação que comprometem a utilidade da saída para fins médicos.

Metodologia
OphEdit propõe um framework inovador, sem treinamento, para edição guiada por texto de vídeos de cirurgia oftálmica. O sistema opera sobre um vídeo cirúrgico pré-existente gerado por um modelo T2V (especificamente aproveitando a fundação Ophora) e o modifica com base em um prompt de texto alvo, sem exigir ajuste fino adicional do modelo ou conjuntos de dados pareados. A metodologia consiste em duas etapas principais:

1. Inversão Determinística com Armazenamento de Valores de Atenção:
   O processo começa invertendo o vídeo cirúrgico original em uma representação latente ruidosa usando um solucionador ODE determinístico de segunda ordem (DDIM-Solver). Durante essa inversão, o framework captura e armazena os tensores de Valor de Atenção (V) das camadas de autoatenção do transformador. Os autores focam nos tensores de Valor em vez dos tensores de Consulta ou Chave porque os tensores V encapsulam as estruturas anatômicas ricas e as texturas intrincadas do olho. Para equilibrar a eficiência computacional com a fidelidade estrutural, esses tensores são armazenados seletivamente apenas a partir dos últimos $m$ blocos de atenção (operando em alta resolução espacial) e dos últimos $n$ passos de inversão (onde o layout estrutural global é estabelecido).

   Para abordar o problema da tremulação temporal comum em vídeos cirúrgicos, a inversão emprega um esquema de integração de segunda ordem. Em vez de uma única discretização linear, a trajetória é refinada calculando um "meio-passo" intermediário no ponto médio do log-SNR. Isso envolve realizar duas passagens forward em cada passo: uma no passo completo e outra no ponto médio, garantindo um alinhamento espaço-temporal rigoroso.

2. Injeção de Valores de Atenção Alinhada ao Passo de Tempo:
   Na fase de edição (desruído), o sistema gera o vídeo editado guiando a trajetória de difusão reversa com o prompt de texto alvo ($p_t$). Para preservar a geometria anatômica original enquanto aplica alterações semânticas, o OphEdit utiliza um mecanismo de injeção seletiva. Um cronograma de injeção binária restringe a substituição do tensor de Valor condicional pelo tensor de Valor de origem armazenado ao regime inicial de alto ruído (os primeiros $n_{inject}$ passos).

   Durante esses passos iniciais, o framework impõe o alinhamento estrutural substituindo o tensor de Valor do ramo condicional pelo tensor de origem armazenado dentro da formulação de Guia Livre de Classificador (CFG). Isso força a rede a aderir aos priores espaciais e estruturais da anatomia original, permitindo que o prompt alvo guie os detalhes semânticos. Em passos posteriores, o modelo desruído livremente para sintetizar texturas finas e detalhes semânticos. O processo de edição espelha o esquema de integração de segunda ordem usado na inversão, realizando atualizações latentes de dupla via (passo completo e ponto médio) para garantir suavidade temporal e eliminar artefatos de cintilação.

Principais Contribuições
O artigo delineia três contribuições principais:

• Primeiro Framework Sem Treinamento para Cirurgia Oftálmica: OphEdit é o primeiro framework adaptado especificamente para a edição guiada por texto de vídeos de cirurgia oftálmica, permitindo a manipulação precisa de elementos procedimentais (tipo de instrumento, resposta tecidual, fase cirúrgica) via linguagem natural, sem a necessidade de gravação manual exaustiva ou ajuste fino de modelo custoso.
• Pipeline Inovador de Inversão-Edição: Os autores introduzem um pipeline que captura tensores de Valor de Atenção (V) durante a inversão do solucionador de segunda ordem e os injeta seletivamente no processo de desruído. Essa abordagem preserva rigorosamente a fidelidade anatômica ao mapear modificações semânticas impulsionadas por texto sobre o fluxo de vídeo.
• Integração de Segunda Ordem para Consistência Temporal: Para prevenir artefatos de tremulação, o framework introduz um esquema de integração de segunda ordem. Ao calcular atualizações latentes de dupla via no ponto médio do log-SNR, o método garante um alinhamento espaço-temporal rigoroso, preservando a dinâmica procedural contínua essencial para o realismo clínico.

Resultados
O framework foi avaliado usando o conjunto de dados Ophora, que inclui 12 fases distintas de cirurgia oftálmica. O sistema foi testado contra uma linha de base de edição de vídeo de domínio geral adaptada, o FateZero. Um oftalmologista realizou uma avaliação cega em 19 intervenções específicas de fase distintas, classificando as edições em Consistência Anatômica, Operação Correta e Edição Geral.

• Desempenho Quantitativo: OphEdit (usando a variante DDIM-Solver) alcançou uma pontuação de Consistência Anatômica de 61,40% e uma pontuação de Operação Correta de 43,85%, superando o FateZero (57,89% e 24,56%, respectivamente). A variante OphEdit usando o solucionador de segunda ordem (DDIM-2ª Ordem) alcançou a maior taxa de geração de edições corretas (35,08%), comparada a 26,31% para o solucionador padrão e 24,56% para o FateZero.
• Observações Qualitativas: Comparações visuais demonstraram que o OphEdit substituiu com sucesso instrumentos (por exemplo, trocando uma peça de mão de facoemulsificação por uma peça de mão de irrigação e aspiração coaxial) e alterou substâncias procedimentais (por exemplo, injetando corante azul de tripano em vez de hialuronato de sódio) enquanto mantinha a correção anatômica. Em contraste, o FateZero frequentemente falhou em alterar objetos corretamente e produziu artefatos visíveis e inconsistências temporais.
• Distribuição: As pontuações da avaliação clínica mostraram que o OphEdit (DDIM-Segunda Ordem) teve a maior concentração de edições bem-sucedidas no quadrante superior direito da distribuição de desempenho, indicando modificações cirúrgicas precisas com estruturas oculares preservadas.

Significância
O artigo afirma que o OphEdit representa a primeira aplicação de edição de vídeo sem treinamento no domínio da cirurgia oftálmica. Sua significância reside em oferecer uma solução escalável para gerar conjuntos de dados médicos diversos e anotados sem os custos proibitivos associados à gravação manual ou ao ajuste fino de modelos. Ao abordar as restrições anatômicas e temporais estritas do domínio médico, o trabalho permite a criação de variações cirúrgicas realistas (como trocas de instrumentos e variações procedimentais) que são difíceis de capturar em ambientes clínicos reais. Essa capacidade apoia o desenvolvimento de sistemas de IA para treinamento cirúrgico, avaliação de desempenho e cirurgia assistida por robô, potencialmente superando os atuais gargalos de escassez de dados na IA médica.