Resumo Técnico: Reconhecimento de Anatomia Cirúrgica com Aprendizado de Contexto usando Representações de Fundação

Declaração do Problema

O reconhecimento preciso de estruturas anatômicas é crítico para uma cirurgia minimamente invasiva (CMI) segura e eficaz. No entanto, o progresso na visão computacional cirúrgica para esta tarefa específica tem sido dificultado por dois fatores primários:

1. Escassez de Dados: Uma falta de conjuntos de dados de grande escala, diversos e ricamente anotados que capturem a variabilidade da prática cirúrgica real. Os conjuntos de dados existentes frequentemente sofrem com diversidade procedural limitada, poucos vídeos e cobertura incompleta de classes anatômicas, o que restringe a generalização do modelo.
2. Limitações Metodológicas: Abordagens convencionais muitas vezes priorizam o rastreamento de objetos ou são adaptadas para cenas naturais, falhando em aproveitar as pistas contextuais específicas (ex: tipo de procedimento, fase cirúrgica) das quais os cirurgiões dependem para identificar a anatomia sob visões limitadas e sem feedback tátil.

Metodologia

1. O Conjunto de Dados ATLAS-120k

Os autores introduzem o ATLAS-120k, um conjunto de dados de segmentação semântica em nível de clipe de grande escala, projetado para abordar as limitações de dados.

• Escala e Diversidade: Composto por mais de 120.000 quadros anotados de 100 vídeos cirúrgicos, o conjunto de dados abrange 14 procedimentos distintos (incluindo laparoscopia e cirurgia robótica assistida) e cobre 42 classes anatômicas.
• Pipeline de Anotação: Um fluxo de trabalho escalável foi empregado envolvendo:
  • Rotulagem manual de quadros iniciais por especialistas em pesquisa cirúrgica sob supervisão de cirurgiões.
  • Propagação automatizada usando um modelo de rastreamento de objetos leve.
  • Refinamento iterativo onde o rastreador foi ajustado (fine-tuning) nos dados anotados em intervalos (10k, 25k, 50k quadros).
  • Correção manual de erros de propagação e verificação independente do primeiro quadro de cada clipe por cirurgiões experientes.
• Padronização: Os vídeos foram reduzidos para 15 fps, com resoluções espaciais variando de 480×640 a 1080×1920.

2. O Modelo ATLAS

Os autores propõem o ATLAS (Anatomy Recognition with Context Learning using Foundation Representations), um modelo de segmentação semântica de vídeo especificamente arquitetado para anatomia cirúrgica. Diferente da segmentação de vídeo padrão, que foca pesadamente no rastreamento, o ATLAS integra embeddings de modelos de fundação com aprendizado de contexto.

• Arquitetura: Construído sobre o EoMT (um modelo de segmentação de imagem de última geração usando codificadores ViT e queries aprendíveis), o ATLAS estende isso para vídeo ao introduzir queries de contexto junto com as queries padrão de segmentação e rastreamento.
• Representação de Entrada: Para cada quadro $t$, a entrada do transformer $X_t$ inclui:
  • Tokens de patches visuais ($P_t$).
  • Queries de segmentação aprendíveis ($Q_{seg}$).
  • Queries propagadas do quadro anterior ($\hat{Q}_{t-1}$).
  • Queries de Contexto: Queries iniciais aprendíveis para o procedimento ($Q_{proc}$) e fase cirúrgica ($Q_{phase}$), que são refinadas ao longo do tempo para capturar o contexto global e temporal.
• Mecanismos de Contexto:
  • Queries de Procedimento: Codificadas via um Perceptron Multicamadas (MLP) para prever o rótulo do procedimento, supervisionadas por perda de entropia cruzada. Isso captura um contexto estável e de alto nível (ex: presença de instrumentos, padrões de exposição).
  • Queries de Fase: Codificadas para capturar variações temporais mais finas. Uma perda contrastiva InfoNCE é aplicada para garantir que os embeddings de quadros temporalmente adjacentes dentro do mesmo clipe sejam próximos, enquanto repelem embeddings de clipes diferentes ou timestamps distantes.
• Propagação Temporal: As queries são propagadas do quadro $t-1$ para $t$ usando uma camada linear, garantindo memória de curto prazo e consistência temporal de forma semelhante ao VidEoMT, mas aumentada com as novas dimensões de contexto.

Principais Contribuições

1. Conjunto de Dados ATLAS-120k: Um novo benchmark que oferece diversidade procedural sem precedentes (14 procedimentos) e escala (120k+ quadros), preenchendo a lacuna entre conjuntos de dados de procedimento único e a complexidade da prática cirúrgica real.
2. Modelo ATLAS: Uma arquitetura inovadora que combina representações de modelos de fundação com raciocínio temporal leve e queries de contexto explícitas (procedimento e fase). Este design permite que o modelo utilize o conhecimento procedimental para resolver ambiguidades no reconhecimento anatômico.
3. Recursos Abertos: Os modelos, as anotações do conjunto de dados e a plataforma de anotação foram liberados publicamente para facilitar futuras pesquisas.

Resultados Experimentais

O modelo foi avaliado em uma divisão por paciente (70 treino, 10 validação, 20 teste) com 30 classes consolidadas.

• Desempenho: A variante ATLAS ViT-L alcançou:
  • 0.64 AP (Precisão Média)
  • 0.49 mDice (Coeficiente Dice Médio)
  • 0.79 mVC24 (Consistência de Vídeo Média sobre 24 quadros)
  • 64 FPS de velocidade de inferência em uma NVIDIA H100, demonstrando viabilidade em tempo real.
• Comparações: O ATLAS superou consistentemente modelos de fundação de imagens naturais (ex: variantes DINOv2/3, SAM) e modelos de domínio médico (ex: EndoViT, SurgeNet).
• Estudos de Ablação:
  • Pré-treinamento: O pré-treinamento de domínio (usando DINOv3 no conjunto de dados SurgeNet) proporcionou um aumento substancial sobre os pesos padrão.
  • Componentes: A adição da propagação de query temporal melhorou o AP e o AP50. A incorporação de queries de contexto melhorou ainda mais as métricas de detecção, sobreposição de região e consistência temporal.
  • Eficiência: Essas melhorias resultaram em um aumento de >20% no AP em relação ao baseline, aumentando a contagem de parâmetros em menos de 1%.

Significância e Alegações

O artigo afirma que a combinação do conjunto de dados ATLAS-120k e do modelo ATLAS estabelece uma base prática para a compreensão robusta de cenas cirúrgicas. Os autores afirmam que:

• O Contexto é Crítico: A percepção anatômica robusta em CMI requer mais do que apenas rastreamento visual; necessita da integração de contexto dependente de procedimento e fase, o que o modelo proposto captura com sucesso.
• Preenchendo a Lacuna: O trabalho visa fechar a lacuna entre protótipos de pesquisa e sistemas de orientação clinicamente úteis e conscientes da anatomia.
• Aplicabilidade no Mundo Real: Ao demonstrar alta precisão e consistência temporal através de diversos procedimentos em tempo real, o framework suporta o desenvolvimento de sistemas de assistência mais seguros e inteligentes para a sala de operações.

Os autores mantêm um tom modesto em relação aos escores absolutos de Dice, reconhecendo a natureza desafiadora do conjunto de dados (classes altamente desbalanceadas, distribuição de cauda longa) e posicionando o ATLAS-120k como um benchmark exigente para modelos futuros, em vez de um problema resolvido.