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

该研究描述了他们在 MICCAI 2017 内窥镜视觉子挑战赛中赢得的机器人工具分割选手冠军的解决方案，该解决方案通过使用几种新颖的深度神经网络架构获得了比现有技术更好的结果来解决机器人手术中的工具语义分割问题。

Mar, 2018

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

发布了第一个多模态、公开可用的体内手术行为识别和语义仪器分割数据集，旨在通过利用提供的数据集的规模来开发在手术领域中稳健且高准确度的单任务行为识别和仪器分割方法，并进一步探索多任务学习方法的潜力及其相对优势。

Dec, 2023

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

本研究提出了一种基于一致性的方法，用于联合学习模拟和真实内窥镜数据的手术工具分割问题，实验结果表明，该方法在手术工具分割领域具有相对较好的效果。

Jul, 2020

本研究使用深度学习方法，基于视频数据进行自动技能评估，结果表明使用 3D ConvNet 直接从数据中学习有意义的模式可以高效评估外科技术技能，使得人工特征工程不再是必须的。

Mar, 2019

本文介绍了一种用于脊柱手术的首个实时分割方法，通过视频引导避免对脊神经的损伤，为外科医生提供重要的导航信息。此方法基于一份约 10,000 帧的细致注释分割数据集，针对语义分割问题，提出了 FUnet (Frame-Unet) 模型，通过利用帧间信息和自我注意机制，实现了业界最先进的性能。我们还对相似的息肉内窥镜视频数据集进行了拓展实验，结果表明该模型具有良好的泛化能力和优越的性能。本文提供了数据集和代码，详见此 https URL。

Jul, 2023