Resumo Técnico: Métodos de Adaptação em Tempo de Teste para Registro de Nuvem de Pontos em Cirurgia Laparoscópica

Declaração do Problema

Na cirurgia laparoscópica, o registro de nuvens de pontos 3D alinha uma malha pré-operatória de um órgão com uma superfície intraoperatória parcial reconstruída a partir de vídeo 2D. Embora modelos de aprendizado profundo supervisionados possam estimar a transformação rígida entre essas superfícies, eles exigem rótulos de verdade fundamental (ground-truth) indisponíveis durante a cirurgia. Consequentemente, os modelos são treinados em dados sintéticos, mas avaliados em dados intraoperatórios reais. Isso cria um desvio de domínio (domain shift) significativo: as reconstruções reais são ruidosas, esparsas, ocluídas e diferem em densidade de pontos e escala em comparação com os pares sintéticos de treinamento. Esse desvio degrada a estimativa de correspondência, podendo levar a um registro incorreto que induz o cirurgião ao erro.

Métodos padrão de Adaptação de Domínio (DA) são frequentemente impraticáveis porque os dados cirúrgicos não estão disponíveis para adaptação offline. A Adaptação em Tempo de Teste (TTA) oferece uma solução ao adaptar o modelo durante a inferência nos dados de destino recebidos. No entanto, aplicar métodos de TTA existentes ao registro apresenta desafios únicos:

1. Desvio Assimétrico: Diferente da classificação (entrada única), o registro envolve um par de nuvens de pontos (pré-operatória e intraoperatória). O desvio de domínio afeta primariamente a nuvem intraoperatória. Métodos de TTA de entrada única padrão correm o risco de deslocar incorretamente a nuvem pré-operatória se aplicados uniformemente.
2. Incompatibilidade de Métricas: A maioria dos métodos de TTA depende de sinais específicos de classificação, como logits, entropia ou protótipos de classe. O registro produz uma transformação, não probabilidades de classe, tornando esses mecanismos inaplicáveis.

Metodologia

O artigo analisa e modifica quatro métodos representativos de TTA através de três famílias: Adaptação de Modelo, Adaptação de Normalização e Adaptação de Entrada. As modificações abordam especificamente a natureza assimétrica do registro e a ausência de métricas de classificação.

1. Adaptação de Modelo: Point-TTA

• Mecanismo Original: Atualiza os pesos do modelo via retropropagação usando uma tarefa auxiliar autossupervisionada (ex: reconstrução de nuvem de pontos) junto à tarefa principal.
• Modificação: Os autores utilizam a tarefa auxiliar de reconstrução. Crucialmente, como o codificador de características é compartilhado entre as nuvens pré-operatória e intraoperatória, a adaptação utiliza embeddings de ambas as nuvens, em vez de apenas a intraoperatória deslocada.
• Limitação: Esta abordagem requer múltiplas passagens de forward e backward, introduzindo uma alta carga computacional.

2. Adaptação de Normalização: Normalização de Camada (LN)

• Mecanismo Original: Adapta estatísticas de normalização (média e variância) para alinhar os dados de destino com o conhecimento da fonte.
• Modificação: A LN padrão armazena um único conjunto de estatísticas. Os autores modificam isso para dividir as estatísticas por nuvem. Momentos distintos da fonte e do alvo são armazenados e calibrados para as nuvens pré-operatória e intraoperatória de forma independente. Isso evita que a adaptação "re-desloque" a nuvem pré-operatória limpa em direção à distribuição ruidosa da intraoperatória. Os momentos do alvo são estimados online.

3. Adaptação de Entrada

Esta família modifica os dados de entrada ou os embeddings antes do cabeçalho de registro, mantendo os pesos do modelo congelados.

• Purge-Gate:
  • Mecanismo Original: Remove tokens (pontos) cujos embeddings divergem de um protótipo da fonte, selecionando a razão de purga minimizando a entropia de classificação.
  • Modificação: O critério de entropia é substituído pela Razão de Inliers (IR), uma medida não supervisionada de qualidade de correspondência. A razão de purga é selecionada para maximizar a IR, garantindo que apenas os pontos que degradam a qualidade do registro sejam removidos. A adaptação é aplicada apenas aos embeddings da nuvem intraoperatória.
• Alinhamento de Embedding Progressivo (PEA):
  • Mecanismo Original: Alinha os embeddings de destino às estatísticas de características da fonte usando uma Média Móvel Exponencial (EMA).
  • Modificação: Semelhante ao Purge-Gate, o alinhamento é aplicado apenas à nuvem intraoperatória para evitar o deslocamento dos embeddings pré-operatórios. Os autores também implementam uma estratégia de EMA modificada para lidar com o viés na estimativa do primeiro lote ao usar amostras pequenas.

Configuração Experimental

• Datasets: P2P (pares de fígado sintéticos) e P2ILReg (pares de fígado sintéticos e reais).
• Corrupções: Oito tipos de corrupções (ruído uniforme, ruído Gaussiano, fundo, impulso, diminuição de densidade global/local, cutout, oclusão) aplicadas em cinco níveis de severidade aos dados intraoperatórios sintéticos de alvo.
• Avaliação de Dados Reais: Dados intraoperatórios reais (92 nuvens de pontos) são usados sem modificação, pois representam inerentemente o desvio de domínio do alvo.
• Métricas: Erro de Rotação Relativa (RRE), Erro de Translação Relativa (RTE), Erro Quadrático Médio (RMSE) para dados sintéticos; Distância de Chamfer (CD) e pontuação Dice para dados reais.
• Configurações: Foram testadas as configurações tanto Episódica (adaptação de lote independente) quanto Contínua (estatísticas acumuladas entre lotes).

Principais Resultados

Desempenho em Dados Sintéticos (Corrompidos)

• Dataset P2P: Todos os métodos modificados melhoraram o erro de registro (RMSE). A Normalização de Camada (LN) alcançou a melhor redução (aprox. -4,80 mm RMSE).
• Dataset P2ILReg: A LN degradou o desempenho significativamente (+8,61 mm RMSE), provavelmente porque as estatísticas do alvo tornaram-se pouco confiáveis sob grandes desvios, afastando as características ainda mais da fonte. PEA e Purge-Gate permaneceram robustos, reduzindo os erros em aproximadamente -1,80 mm e -1,63 mm, respectivamente.

Desempenho em Dados Reais

• LN: Continuou a degradar o desempenho em dados reais.
• Adaptação de Entrada (Purge-Gate & PEA): Mostraram melhorias consistentes, embora modestas.
  • Purge-Gate: Reduziu o CD de 4,45 mm para 4,36 mm e melhorou o Dice de 72,60 para 73,47.
  • PEA Contínua: Reduziu o CD para 4,32 mm.
  • PEA Episódica: Melhorou o CD para 4,26 mm, mas degradou levemente o escore Dice.

Eficiência Computacional

• Point-TTA (Adaptação de Modelo): Latência extremamente alta (1226 ms/amostra) e uso de memória (5370 MB), tornando-o inadequado para cirurgia em tempo real.
• Adaptação de Entrada (Purge-Gate/PEA): Baixa latência (184–189 ms) e uso de memória comparável ao baseline (~1128 MB).
• Normalização (LN): Baixa latência (184 ms), mas desempenho inconsistente.

Significância e Alegações

O artigo conclui que a família de Adaptação de Entrada é a mais promissora para a cirurgia laparoscópica. Embora os ganhos de desempenho em dados reais sejam modestos (reduzindo os erros por margens pequenas em relação aos altos erros de base de ~30°/14mm), esses métodos oferecem um equilíbrio crítico:

1. Robustez: Eles melhoram ou mantêm consistentemente o desempenho através de diferentes datasets e tipos de corrupção, ao contrário da Adaptação de Normalização que falhou em datasets complexos.
2. Eficiência: Operam com baixa latência de inferência e overhead mínimo de memória, um pré-requisito para assistência cirúrgica em tempo real.
3. Viabilidade: Eles conseguem se adaptar ao desvio de domínio assimétrico sem exigir rótulos de verdade fundamental ou recursos computacionais pesados.

Os autores observam que, embora as melhorias sejam limitadas, a família de adaptação de entrada fornece um caminho viável para a TTA em tarefas de registro rígido, sugerindo que trabalhos futuros possam focar em mecanismos de alinhamento mais robustos ou estratégias de adaptação progressiva.