Resumo Técnico: Otimização de Retração Bayesiana para Mapeamento de Adesão de Tecidos em Dissecção Cirúrgica

Definição do Problema

O artigo aborda o desafio de automatizar a dissecção cirúrgica, especificamente a tarefa de identificar onde o tecido está aderido a estruturas subjacentes (por exemplo, durante a ressecção de tumores). A prática cirúrgica atual envolve ciclos iterativos de retração de tecido para expor limites ocultos e conexões tensionadas, seguidos de incisão. Os autores formalizam isso como um problema de sensoriamento ativo, onde o objetivo é estimar probabilisticamente a localização dos pontos de adesão ($S^{(1)}_t$) em uma superfície de ressecção ($S$) usando nuvens de pontos de visão parcial ($P_t$) adquiridas durante a manipulação robótica.

A dificuldade central reside na incerteza dessas localizações de adesão. Abordagens anteriores basearam-se em políticas manuais que não conseguem quantificar a incerteza ou em métodos baseados em simulação que exigem suposições de modelagem fortes e, muitas vezes, irreais (por exemplo, aproximações de casca fina) e sofrem de lacunas significativas entre simulação e realidade (sim-to-real gap). Os autores propõem um framework que evita o modelo explícito de tecido deformável, tratando, em vez disso, a identificação de adesão como um problema de inferência probabilística atualizado sequencialmente através de retração e observação robótica.

Metodologia

O framework proposto, Otimização de Retração Bayesiana (BRO - Bayesian Retraction Optimization), opera em um ciclo fechado de retração, sensoriamento, inferência e corte. Ele depende de três componentes principais:

1. Mapa de Hilbert Bayesiano Sequencial (SBHM)

Para representar o estado de adesão e sua incerteza sem um modelo físico de tecido, os autores utilizam um Mapa de Hilbert Bayesiano Sequencial.

• Representação: A superfície de adesão é discretizada em um conjunto de pontos de consulta $Q$. O SBHM mantém um mapa probabilístico global da probabilidade de cada ponto estar aderido ($y=1$) ou não ($y=0$).
• Modelo: O mapa é codificado por parâmetros Gaussianos $(m, S)$ que representam uma distribuição sobre os pesos $w$. A probabilidade de adesão para um ponto $q$ é computada via uma função sigmoide de um vetor de características baseado em kernel $\phi(q)$.
• Atualização: À medida que novos dados chegam, os parâmetros $(m, S)$ são atualizados usando Regressão Logística Bayesiana Variacional (um algoritmo de Expectativa-Maximização). Isso permite que o sistema funda evidências incertas de múltiplos pontos de vista ao longo do tempo.

2. Classificador de Pontos de Adesão de Tecido

Como o sistema deve operar sem um modelo de verdade fundamental (ground-truth) durante a execução, ele utiliza um conjunto (ensemble) de classificadores aprendidos para fornecer rótulos binários "ruidosos".

• Arquitetura: Um conjunto de classificadores baseados em PointNet prevê o estado de cada ponto de consulta (aderido, não aderido ou ocluído) com base em nuvens de pontos de visão parcial.
• Robustez: A abordagem de ensemble reduz a sensibilidade a dados fora da distribuição (out-of-distribution). As previsões são filtradas para remover pontos ocluídos, e os dados restantes formam um conjunto de dados $D$ usado para atualizar o SBHM.
• Treinamento Zero-Shot: Os classificadores são treinados inteiramente em simulação e aplicados de forma zero-shot a dados do mundo real, o que exige estratégias de robustez como a média de ensemble e limiares de confiança ajustados.

3. Otimização de Retração Bayesiana (BRO)

Para selecionar ativamente a retração robótica mais informativa, o sistema emprega a BRO.

• Função de Aquisição: O sistema seleciona um ponto de consulta específico $q^*$ para ser revelado à câmera. Este ponto é escolhido para maximizar uma função de aquisição (por exemplo, Melhoria Esperada, Limite Superior de Confiança) que quantifica o ganho de informação esperado em relação ao estado de adesão.
• Planejamento de Movimento: Uma vez que $q^*$ é selecionado, uma otimização separada (utilizando DeformerNet) planeja uma trajetória de garra robótica. Isso envolve definir um plano vertical para levantar uma região específica de tecido, expondo $q^*$ enquanto minimiza a probabilidade de rasgar o tecido.

4. Estratégia de Incisão

Quando o SBHM indica confiança suficiente (baseada em probabilidades preditivas e consistência espacial com vizinhos), o sistema identifica candidatos à incisão. Em simulação, estes são removidos deletando discos de adesão; em experimentos no mundo real, o sistema identifica os locais para um cirurgião ou robô realizar o corte.

Principais Contribuições

O artigo descreve quatro contribuições primárias:

1. Um Framework Bayesiano: Um método para representar e atualizar sequencialmente mapas de adesão de tecido usando um SBHM, eliminando a necessidade de modelos explícitos de tecido deformável.
2. Otimização de Retração Bayesiana (BRO): Um algoritmo para gerar ações de retração altamente informativas que maximizam o ganho de informação sob restrições de segurança.
3. Validação em Simulação: Avaliação extensiva em diversos cenários de tecidos moles volumétricos (geometrias BOX, CYLINDER, ELLIPSOID) demonstrando a capacidade do método em localizar pontos de adesão.
4. Transferência Zero-Shot: Demonstração bem-sucedida de transferência para experimentos de dissecção robótica no mundo real usando tecido de peito de frango ex vivo e o da Vinci Research Kit (dVRK), sem retreinar os classificadores.

Resultados

Os autores validaram sua abordagem através de simulações e experimentos no mundo real:

• Desempenho em Simulação: A BRO superou significativamente uma estratégia de linha de base "sem aquisição" (retração aleatória) na identificação de pontos de adesão, conforme medido pela Área Sob a Curva de Precisão-Recall (AUPRC). A abordagem SBHM também demonstrou robustez superior em comparação ao uso de um único classificador ruidoso, mantendo a precisão mesmo quando ruído Gaussiano foi adicionado aos logits do classificador.
• Precisão de Incisão: Em simulação, o sistema alcançou precisões de incisão variando de 0,549 a 0,760, dependendo da geometria do tecido.
• Transferência para o Mundo Real: Em quatro experimentos reais com tecido de peito de frango, o método identificou com sucesso regiões de adesão. Em três casos, todos os discos de adesão foram identificados em uma única iteração; em um caso, duas iterações foram necessárias. Apesar do ruído nas nuvens de pontos RGB-D reais e do domínio de lacuna (domain gap) da simulação, a abordagem Bayesiana sequencial permitiu que o sistema refinasse progressivamente suas previsões e identificasse corretamente os pontos de adesão.

Significância e Alegações

O artigo afirma que este trabalho destaca como estratégias de sensoriamento ativo podem ser aplicadas efetivamente à manipulação cirúrgica. Ao tratar a identificação de adesão de tecido como um problema probabilístico, o sistema pode raciocinar sobre a incerteza e guiar tarefas cirúrgicas complexas sem depender de suposições de simulação proibitivas.

Os autores enfatizam que sua abordagem oferece um passo promissor para reduzir a carga de trabalho do cirurgião e expandir o acesso dos pacientes diante da crescente escassez de cirurgiões. Eles concluem que a exploração consciente da incerteza é um caminho viável para automatizar sub-tarefas cirúrgicas, embora notem modestamente que trabalhos futuros são necessários para lidar com geometrias não planas e anatomicamente realistas e para melhorar a adaptação de domínio para um desempenho robusto no mundo real.