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

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

通过改进的仿真环境为外科机器人提供了大规模、多样化的 6D 姿态估计数据集，证明了所提系统在培训和评估外科机器人视觉算法方面的成功。

Jun, 2024

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

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

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

本文提出了一种用于医学图像领域通用性问题的 Deep Stacked Transformations (DST) 方法，并通过对三种任务的测试表明，DST 模型对于未曾接触的数据集性能的下降仅有 11% 左右，可更好地应对图像域的差异，因此可以在更临床上的任务中发挥作用。

Jun, 2019

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

本文研究医疗图像处理中深度学习模型的单源域泛化问题，并针对不同采集过程引起的域偏移提出基于因果关系的数据增强方法，包括随机权重浅网络和因果干预方式。该方法在跨域分割任务中得到了验证并取得了较高的泛化性能。

Nov, 2021