通过公共数据集来推动机器学习算法性能比较和改进已在计算机视觉等领域成为主流，而在机器人辅助手术方面，由于缺乏公共数据集和基准测试方法，这种方法的使用有限。2017 年，一项机器人仪器分割挑战赛涉及了 10 个团队，参与了基于二进制、部分和类型的分割，取得了令人瞩目的进展。

Feb, 2019

通过 EndoVis 工作坊提出的机器人仪器分割数据集，在模拟真实手术时应用于学习适用的技术，其中包括了最先进的 U-Net 和其他流行的 CNN 架构，并且逐步增加这个数据集的复杂性，包括针对器械，类型和解剖器官的分割。

Jan, 2020

本文基于深度学习技术，提出一种轻量级单阶段实例分割模型结合卷积块关注模块的方案，通过数据增强和最优锚定策略进一步提高准确性，实现了对手术器械的实时跟踪和分割，并在 ROBUST-MIS 挑战中取得了 44% 以上的优异表现。

Nov, 2021

该综述文章着重介绍了目前基于纯视觉的、不附加任何标记的单帧和带有时间信息的最小侵入性手术图像中手术工具分割和跟踪方法，重点关注深度学习方法和公开数据集的使用，讨论了存在的不足之处和未来发展的潜能。

Apr, 2023

本文介绍了一项比较研究，探讨了在机器人以及传统腹腔镜手术中，基于视觉的不同方法用于器械分割和追踪的效果。研究表明，现代的深度学习方法在器械分割任务中表现优异，但结果还不完美。此外，合并不同方法的结果实际上显著提高了准确性。与此同时，器械追踪任务的结果表明，在传统腹腔镜手术中这仍然是一个待解决的挑战。

May, 2018

该研究论文探索了一项新的任务：引用外科手术视频仪器分割（RSVIS），旨在根据给定的语言表达自动识别和分割相应的外科手术器械。通过设计了一种新颖的视频 - 仪器协同网络（VIS-Net）和基于图的关系感知模块（GRM），该方法在两个 RSVIS 数据集上验证，实验结果表明 VIS-Net 可以显著优于现有的最先进的引用分割方法。

Aug, 2023

该研究旨在通过利用机器学习模型，使用手术器械的安装数据作为弱标签，实现对内窥镜视频中的手术器械进行跟踪和定位。SurgToolLoc 2022 挑战赛的结果表明，通过自动检测和跟踪手术器械，既可以提高手术效率和运营，又可以为机器学习和手术数据科学的更广泛应用提供支持。

May, 2023

本篇研究提出了一种新的神经网络框架，该框架基于实例分割模型添加分类模块以提高手术工具实例分割的准确性，并采用度量学习技术来处理手术器械类别的低变异性，并在评测数据集上证明了其优越性。

Nov, 2022

基于深度神经网络的语义分割可提高机器人辅助手术中手术器械和组织的精确性。然而，在生物学学习中，深度神经网络无法随着时间的推移学习增量任务，表现出灾难性遗忘现象。为了解决这个问题，本研究开发了一种隐私保护的合成持续语义分割框架，通过合成背景和新器械来均衡地融合旧模型和持续学习模型，同时引入了多尺度特征蒸馏以保持语义对象之间的长短距离空间关系。

Feb, 2024

利用深度学习，将 2D 的手术工具姿态估计重构为热力图回归，与分割同时进行。实验证明，该方法可以显著提高性能，超越现有技术在 Retinal Microsurgery 和 MICCAI EndoVis Challenge 2015 的表现。

Mar, 2017