评估 AR 辅助神经外科系统的不同技术并提出了一种新的技术来系统化评估过程。此外，在手术的准备和术中阶段基于相应的反馈进行更深入的调查，发现物理反馈可以显著减少由全息图位移引起的错误，而全息图上的缺乏视觉反馈对用户的三维感知不会产生显著影响。

Nov, 2023

该研究提出了一种采用 ToF 深度传感器和反射标记的 AR 头戴式设备的新框架，可以实现高精度的 EVD 手术导航。通过深度校正和面部表面重建，可以大幅减少深度误差并实现亚毫米级精度，同时在仿真的 EVD 手术中实现了较高的定位精度。

Jun, 2023

在腔镜肝切除手术中，增强现实是一种可视化模式，能够帮助医生在腔镜图像上投影肿瘤和嵌入在肝脏内的血管，通过将其映射到术中腔镜图像中，从而实现定位。该研究主要针对 2D 和 3D 标志物自动检测和标记，以及 3D-2D 配准任务进行深入探讨，并提出了当前限制和未来研究方向。

Jan, 2024

我们的研究通过解决手术导航中的时间、成本、辐射和工作流整合等关键障碍，提出了一个从少量术中透视 X 光图像生成脊柱三维解剖模型的方法，并通过收集体现真实和虚拟透视 X 光图像的配对数据集，利用迁移学习和风格转移机制提高了深度学习模型在真实术中环境中的准确性，研究成果表明我们的方法在手术规划、导航和机器人技术领域有重要的应用潜力。

Jan, 2024

本研究开发了一个新的系统，通过无缝地融合人工智能模块和增强现实可视化，自动生成机器人手术教育的手术指导。该系统利用强化学习从专家演示中学习，生成 3D 指导轨迹，提供手术过程的先前上下文信息。将 3D 轨迹与文本提示等其他信息重叠在 dVRK 的立体视图中，让用户能够感知并学习该过程。通过 peg-transfer 手术的初步实验，证明了该系统的可行性和潜力，是下一代机器人辅助手术教育解决方案。

Jan, 2022

这篇论文提出了一种使用神经网络技术和自动标记方法，在髋部手术中实现完全自动注册和识别标记，从而提高手术效率和精度。

Nov, 2019

该研究提出了一种完全自动的注册方法，基于卷积神经网络，用于将术中获得的 X 光图像与预先获得的三维模型进行对齐，从而降低术中图像中重叠解剖结构对外科医生的心理负担。实验结果表明，该方法在盆腔注册中的平均目标配准误差为 3.79 毫米，在真实的术中 X 光图像中的投影下平均目标配准误差为 9.65 毫米。

Nov, 2023

本文提出了一种基于深度卷积神经网络的实时方法，用于在 2D X 射线透视序列中分割导管和导丝，使其在 X 射线成像指导下的介入手术中能够自动检测和追踪，该方法在 25 个介入操作的 237 个 X 射线序列图像上进行训练和测试，得到了极高的分割精度。

Jul, 2017

该论文探讨了增强现实在医疗行业中的应用，重点研究了基于增强现实的解决方案在脑室 - 腹腔分流手术中的应用，通过创建颅骨和脑室的 3D 模型，实验结果表明该解决方案能够显著减少手术准备时间和手术持续时间。

Apr, 2024

本文提出了一种无辐射方法的自动注册方案，使用深度神经网络自动解决腰椎融合手术的注册问题，并结合增强现实导航系统提供直观的手术引导。在公开数据集上验证了注册方法并获得较高的注册成功率和精度，在离体手术中也取得了良好的结果，展现了 RGB-D 数据在自动注册方法和增强现实引导中的潜力。

Aug, 2023