Resumo Técnico: Estabelecimento de Rastreamento Ocular Retiniano Robusto via Framework Algorítmico Fracamente Supervisionado

1. Declaração do Problema

O rastreamento ocular baseado em imagens retinianas oferece o potencial para uma precisão de olhar significativamente maior em comparação com os métodos tradicionais baseados em pupila ou córnea utilizados em RA/RV, pois mede o olhar diretamente observando a distribuição de luz na retina em relação à fóvea. No entanto, os algoritmos existentes dependem principalmente de registro clássico por correspondência de modelos (por exemplo, correlação cruzada) ou técnicas padrão de registro por aprendizado profundo. Essas abordagens enfrentam limitações críticas em cenários reais de rastreamento retiniano:

• Variabilidade de Características: O desempenho degrada-se sob grandes mudanças no olhar e acomodação, que induzem variações complexas nas características retinianas devido a mudanças no ângulo de visão e na profundidade focal.
• Pequeno Campo de Visão (FoV): Sistemas de rastreamento retiniano de alta resolução frequentemente possuem pequenos campos de visão (<10°). Nessas regiões, características vasculares robustas (artérias e veias) estão frequentemente ausentes ou esparsas, tornando os métodos de registro dependentes de vasos ineficazes.
• Degradação de Imagem: Métodos tradicionais que costuram múltiplas imagens em um mapa de referência explícito sofrem com degradação de características devido a artefatos de mistura de imagens, mesmo com registro perfeito, porque a aparência retiniana varia entre imagens na mesma localização anatômica.

2. Metodologia

Os autores propõem um framework inovador, baseado em aprendizado e fracamente supervisionado, projetado para operar de forma robusta com imageamento retiniano de pequeno campo de visão. O sistema consiste em três etapas principais:

A. Construção do Espaço de Características Canônico

Em vez de criar um mapa de referência explícito e misturado, os autores introduzem um Espaço de Características Canônico (EFC).

• Processo: Uma varredura em grade retangular da retina é adquirida. Começando a partir de uma imagem de referência central (olhar 0°, 0°), o registro par a par é realizado entre imagens adjacentes.
• Ajuste de Feixe: Um algoritmo de ajuste de feixe estima a pose espacial de todas as imagens dentro da varredura.
• Transformação de Características: Pontos-chave detectados são mantidos em suas localizações estimadas e transformados para um sistema de coordenadas canônico compartilhado (originado no centro da imagem de referência). Crucialmente, os descritores originais da imagem são preservados sem mistura, evitando degradação de características.
• Estimativa de Olhar: O olhar é estimado ao corresponder uma imagem de origem a este EFC, localizar o centro da imagem nas coordenadas canônicas e converter o deslocamento de pixels em ângulos de olhar via calibração do sistema.

B. Modelo de Registro Fracamente Supervisionado

Um modelo especializado de aprendizado profundo lida tanto com a construção do EFC quanto com a subsequente estimativa de olhar. Ele apresenta duas inovações-chave:

1. Melhoria de Imagem e Descrição de Pontos-Chave Conjuntas:
   • O modelo utiliza uma rede de melhoria de imagem leve (Zero-DCE) como backbone para prever ajustes de curvas polinomiais por pixel.
   • Emprega um backbone SuperPoint (codificador compartilhado, duas cabeças decodificadoras) para detecção e descrição de pontos-chave.
   • Estratégia de Treinamento: Como pontos-chave de verdade fundamental são inviáveis de obter para imagens retinianas, o codificador e o detector são congelados usando pesos pré-treinados em um conjunto de dados sintético, não retiniano. O decodificador de descritores é ajustado finamente usando uma perda de triplet.
   • Perda de Preservação de Pontos-Chave: Uma função de perda novel ($L_{kp}$) incentiva a rede de melhoria a produzir imagens onde o detector pré-treinado identifica mais pontos-chave e produz descritores mais robustos, sem exigir novas anotações de verdade fundamental.
2. Rejeição de Outliers:
   • Correspondências grosseiras são estabelecidas via correspondência bidirecional (vizinho mais próximo mútuo).
   • Uma rede neural gráfica atencional (adaptada do SuperGlue) prevê pontuações de confiança para essas correspondências.
   • Supervisão Fraca: O modelo é treinado usando apenas uma matriz de tradução de verdade fundamental grosseira (derivada da anotação manual de 3+ correspondências por par) em vez de correspondências densas de verdade fundamental. Um viés aleatório é aplicado às localizações de destino durante o treinamento para melhorar a generalização.

C. Estimativa Final de Olhar

Para cada imagem de origem em uma sequência de vídeo, características são extraídas e correspondidas ao EFC. A estimativa final de olhar é computada como uma média ponderada pelas pontuações de correspondência dos deslocamentos entre o centro da imagem de origem e os pontos correspondentes no espaço canônico.

3. Contribuições Principais

O artigo delineia três contribuições principais:

1. Framework Algorítmico Novel: Uma abordagem fracamente supervisionada para rastreamento ocular retiniano que melhora significativamente a robustez e a precisão sobre os métodos mais avançados, abordando especificamente os desafios de pequeno campo de visão e escassez de características.
2. Registro em Espaço de Características Canônico: Um método que constrói um mapa de referência em um espaço de características em vez de espaço de pixels, preservando características originais da imagem e evitando artefatos de mistura enquanto permite correspondência de características robusta.
3. Modelo de Registro Especializado: Um modelo conjunto de melhoria de imagem e descrição de características que opera sob supervisão fraca, utilizando uma perda de preservação de pontos-chave para adaptar detectores pré-treinados à imagiologia retiniana sem exigir anotações densas de verdade fundamental.

4. Resultados Experimentais

O método foi avaliado em conjuntos de dados de olho fantasma e olho real (6 participantes humanos) em uma faixa de olhar de ±5°.

• Métricas de Desempenho: O método proposto alcançou um erro de olhar no percentil 95 ($E_{95}$) de < 0,45° (especificamente 0,38° em olhos reais) em toda a coorte.
• Comparações: Como mostrado na Tabela 1, o método proposto superou significativamente métodos clássicos (SIFT, ORB), registradores gerais de aprendizado profundo (SuperPoint, SuperGlue) e um método de rastreamento retiniano de última geração (Substrip NCC).
  • Erro Médio em Olho Real: Proposto (0,18°) vs. Substrip NCC (2,10°) vs. SuperGlue (1,41°).
  • $E_{95}$ em Olho Real: Proposto (0,38°) vs. Substrip NCC (8,06°) vs. SuperGlue (3,55°).
• Estudo de Ablação: A Tabela 3 demonstra que remover qualquer componente degrada o desempenho. Notavelmente, remover o Registro em Espaço de Características Canônico (RECC) causou uma queda massiva na precisão (erro médio aumentou de 0,18° para 4,51°), destacando a importância de evitar a mistura de imagens. O módulo de rejeição de outliers também foi crítico para manter baixas taxas de erro.

5. Significado e Alegações

Os autores afirmam que este trabalho estabelece um framework robusto, preciso e prático para rastreamento ocular baseado em imagens retinianas. O significado reside em:

• Robustez à Variabilidade: A capacidade de rastrear o olhar de forma confiável apesar de mudanças no ângulo de visão, acomodação e da escassez de características vasculares em imagens de pequeno campo de visão.
• Escalabilidade: O algoritmo "mais leve" suporta tanto a construção do mapa de referência quanto a estimativa de olhar usando um único modelo treinado, evitando a necessidade de pipelines complexos de múltiplas etapas.
• Praticidade: A natureza fracamente supervisionada do treinamento reduz a dependência de anotações densas de verdade fundamental difíceis de obter, tornando a abordagem mais viável para implantação no mundo real.

O artigo conclui que, embora os resultados atuais sejam promissores, trabalhos futuros podem investigar etapas de alinhamento fino (por exemplo, fluxo óptico) e expandir a avaliação para coortes maiores e mais diversas com faixas de olhar mais amplas.