AcuSim: a Synthetic Dataset for Cervicocranial acupuncture Points Localisation

Este estudo inovador apresenta o desenvolvimento do AcuSim, um dataset sintético revolucionário para automatizar a localização de pontos de acupuntura na região cervicocranial (cabeça e pescoço). A pesquisa aborda uma limitação crítica na medicina tradicional chinesa: a dependência de especialistas para localizar com precisão os pontos de acupuntura, processo que é caro, demorado e sujeito a variações individuais. Os pesquisadores criaram 504 modelos anatômicos sintéticos fotorrealistas, representando diferentes tipos corporais, gêneros, penteados e características faciais. Utilizando técnicas avançadas de computação gráfica em software como Blender e DAZ Studio, geraram 63.936 imagens RGB-D de alta resolução (1024x1024 pixels), cada uma com anotações precisas de 174 pontos de acupuntura volumétricos.

A metodologia empregou domínio de randomização para capturar a diversidade anatômica humana, incluindo variações em altura, peso e proporções de gordura corporal. O sistema de anotação automática utilizou o método finger-cun tradicional baseado em diretrizes da Organização Mundial da Saúde, posicionando pontos tridimensionais como esferas volumétricas em vez de pontos 2D simples. Para validação, desenvolveram uma rede neural convolucional baseada na arquitetura VGG19 com camadas totalmente conectadas para previsão multitarefa de coordenadas e nomes dos pontos. O modelo foi treinado por 3.480 épocas, convergindo após aproximadamente 800 épocas para o conjunto de treinamento e 1.250 épocas para validação.

Os resultados demonstraram precisão excepcional de 99,73% na localização de pontos, com erro médio de apenas 0,12-0,17 pixels nas fases finais do treinamento. Quando comparado com anotações de especialistas em medicina tradicional chinesa, 92,86% das previsões ficaram dentro da margem de erro clinicamente aceitável de 5mm. O sistema incorporou filtros automáticos de oclusão para remover pontos não visíveis devido a cabelo ou outras obstruções, garantindo qualidade superior dos dados. A análise estatística com ANOVA de dois fatores confirmou que variações entre modelos anatômicos não afetaram significativamente a precisão, enquanto diferentes localizações de pontos mostraram variações esperadas devido à complexidade anatômica.

O dataset supera substancialmente trabalhos anteriores em escala e precisão, oferecendo mais de 11 milhões de anotações comparado aos máximos de 28.000 em estudos anteriores. As implicações clínicas são significativas: o sistema pode facilitar treinamento de acupunturistas, reduzir custos educacionais e melhorar a padronização dos tratamentos. A automação da localização de pontos pode tornar a acupuntura mais acessível e confiável, especialmente em regiões com escassez de especialistas. Limitações incluem a necessidade de validação adicional com imagens reais e expansão para outras regiões anatômicas.

Futuros desenvolvimentos planejam incorporar aprendizado por transferência e técnicas de adaptação de domínio para melhorar a generalização para cenários do mundo real. Este trabalho representa um marco na digitalização da medicina tradicional chinesa, demonstrando como inteligência artificial pode preservar e modernizar práticas milenares, mantendo sua eficácia terapêutica enquanto melhora precisão e acessibilidade.