Resumo Técnico: Adaptação em Tempo de Teste em OCT Usando Fluxo Independente de Tempo Alinhado à Trajetória

Declaração do Problema

A Tomografia de Coerência Óptica (OCT) é um pilar da oftalmologia, mas a análise automatizada via aprendizado profundo é dificultada pela qualidade inconsistente das imagens, particularmente em dispositivos de varredura de baixo custo. Esses dispositivos introduzem características de ruído severas e desvios de distribuição que raramente são representados nos conjuntos de dados de treinamento padrão. Consequentemente, o desempenho do modelo deteriora-se significativamente ao encontrar esses hiatos de domínio. Embora métodos de Adaptação em Tempo de Teste (TTA) tenham sido propostos para abordar isso, as abordagens existentes enfrentam limitações:

• TTA Baseada em Pesos: Métodos como TENT e CoTTA dependem de entropia de predição ou pseudo-rótulos, o que frequentemente resulta em melhorias inconsistentes em tarefas de segmentação devido à dificuldade de projetar funções de perda robustas sem acesso à distribuição de treinamento.
• TTA Generativa: Métodos baseados em difusão tratam as imagens de teste como pontos intermediários em uma trajetória de difusão. No entanto, eles frequentemente assumem ruído Gaussiano ideal de magnitude fixa. O ruído do mundo real desvia-se disso, e tentativas de compensação (ex: re-ruído ou downsampling) correm o risco de borrar lesões pequenas e críticas ou falhar em alinhar-se com as distribuições de ruído reais.

Metodologia: TTA-Flow

Os autores propõem o TTA-Flow, um framework de TTA baseado em flow matching projetado para gerar imagens substitutas de alta qualidade a partir de entradas ruidosas, alinhando-as com a variedade (manifold) dos dados de treinamento. O framework introduz duas modificações críticas ao flow matching padrão para lidar com os desvios de ruído do mundo real:

1. Alinhamento de Trajetória via Correspondência de Histograma

Para reduzir a lacuna entre as distribuições de ruído teóricas e os dados de teste reais, o método emprega um processo de geração de trajetória de referência:

• Geração de Referência: O modelo de fluxo treinado simula $n$ trajetórias de amostra a partir de ruído puro até os dados alvo. A partir destas, os autores calculam os histogramas de intensidade média do alvo ($\bar{H}_s$) para cada passo de tempo discreto $s$.
• Alinhamento de Inferência: Durante a inferência, uma amostra ruidosa de teste $\zeta$ passa por uma correspondência de histograma contra um histograma de referência específico $\bar{H}_{s_{target}}$. Esta etapa de pré-processamento alinha a distribuição de intensidade da amostra com a distribuição esperada das trajetórias de referência em um passo de tempo pré-determinado $s_{target}$.
• Reconstrução: A amostra alinhada é usada para inicializar o solver da Equação Diferencial Ordinária (ODE) para os passos restantes, efetivamente mapeando a imagem para a distribuição alvo sem exigir termos explícitos de fidelidade de dados.

2. Fluxo Independente de Tempo

Redes de flow matching padrão tipicamente condicionam o processo de denoising ao tempo (ou nível de ruído) para guiar o processo. Os autores argumentam que, como os níveis de ruído do mundo real desviam-se da trajetória de referência, forçar uma condição de tempo específica pode levar a suposições imprecisas.

• Abordagem: A rede omite intencionalmente o condicionamento explícito de tempo.
• Racional: Ao remover esta restrição, a rede é forçada a gerenciar implicitamente níveis de ruído desconhecidos do mundo real, uma estratégia que se mostrou superior quando o nível de ruído real é desconhecido.

Principais Contribuições

1. Novo Framework de TTA: Introdução do TTA-Flow, que utiliza flow matching para adaptar imagens de OCT de dispositivos de baixo custo (Topcon, Cirrus) para distribuições de referência de alta qualidade (Spectralis).
2. Alinhamento de Trajetória: Um método para alinhar os histogramas das imagens de teste com trajetórias de referência sintéticas, reduzindo efetivamente o hiato de domínio entre as distribuições de ruído teóricas e reais.
3. Arquitetura Independente de Tempo: A remoção do condicionamento de tempo da rede de fluxo para acomodar melhor os desvios nas distribuições de ruído do mundo real, demonstrando que o gerenciamento implícito de ruído supera o condicionamento explícito neste contexto.
4. Independência de Fidelidade de Dados: A abordagem alcança um desempenho robusto sem incorporar termos explícitos de fidelidade de dados, que são frequentemente sensíveis a hiperparâmetros e podem arriscar a alucinação de estruturas.

Resultados Experimentais

O método foi avaliado em dois conjuntos de dados: o conjunto público RETOUCH (focando em Fluido Intraretiniano, Fluido Subretiniano e Descolamento do Epitélio Pigmentar) e um conjunto de dados interno de Atrofia Geográfica (GA) em Degeneração Macular Relacionada à Idade (AMD).

• Desempenho de Segmentação:
  • Cirrus $\to$ Spectralis: O TTA-Flow (incondicional) alcançou um Coeficiente de Similaridade de Dice (DSC) médio de estado da arte de 58.6, superando significativamente os baselines (ex: flow matching padrão em 50.8, DDA em 40.3) e aproximando-se do limite superior supervisionado (61.6).
  • Topcon $\to$ Spectralis: O método manteve o maior DSC médio (51.0) no dataset Topcon, que é mais desafiador, superando baselines de difusão como CPDM e DDA.
  • Segmentação de GA: O método reduziu significativamente os erros de segmentação em comparação com os baselines, alcançando um DSC de 56.1 (incondicional) no dataset interno.
• Estudos de Ablação:
  • Correspondência de Histograma: Integrar a correspondência de histograma melhorou o DSC médio de 50.8 para 58.6 (Cirrus) e de 49.4 para 56.1 (In-house), confirmando sua eficácia.
  • Condicionamento de Tempo: A rede incondicional superou consistentemente a versão condicional na segmentação de fluidos e produziu uma qualidade perceptual superior (FID reduzido de 85.4 para 32.2). A abordagem incondicional também mostrou baixa sensibilidade à escolha do ponto de tempo inicial $s_{target}$.
• Resultados Qualitativos: As reconstruções preservaram a anatomia original enquanto reduziram visivelmente o ruído e mantiveram o alto contraste, levando a segmentações que se alinham bem com as anotações de verdade fundamental (ground-truth).

Significância e Alegações

O artigo afirma que o TTA-Flow oferece uma solução simples, porém altamente eficaz, para a adaptação de domínio em OCT. Ao alavancar o flow matching com alinhamento de trajetória e remover o condicionamento de tempo, o método gera com sucesso imagens substitutas de alta qualidade que permitem um desempenho de segmentação de estado da arte em dispositivos de baixo custo.

Os autores enfatizam que:

• A correspondência de histograma é uma técnica de pré-processamento computacionalmente eficiente que alinha os dados de teste com as expectativas da rede.
• A remoção do condicionamento de tempo melhora o desempenho de denoising e a fidelidade visual em comparação com configurações condicionais padrão.
• O método supera múltiplos baselines, incluindo aqueles que utilizam termos explícitos de fidelidade de dados, sem o risco de alucinar estruturas observado na prática.
• O framework é robusto através de diferentes dispositivos OCT de baixo custo e biomarcadores clínicos (fluidos e GA), demonstrando seu potencial para melhorar a análise automatizada em ambientes com recursos limitados.

O trabalho futuro foca em estimar dinamicamente os níveis de ruído diretamente das imagens de entrada para automatizar a seleção do alvo de correspondência de histograma ideal e acelerar ainda mais o processo de adaptação.