本研究介绍了一种使用增强现实技术的手术导航方法，涉及手术导航、注册任务、椎弓根螺丝置入等方面，使用 Microsoft HoloLens，通过对患者体表进行数字化，利用全息投影进行直观的导航反馈，初步实验表明该方法能够满足临床精度要求。

Jan, 2020

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

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

提出了一种高保真度的非标记光学跟踪系统，用于手术器械的本地化，采用多视角相机布置，利用深度学习方法和数据融合技术，对不同输入模型和相机位置进行评估和比较，并且取得了比文献中相关方法更好的平均误差结果，从而展示了手术器械无标记跟踪已经成为了现实。

May, 2023

实现自动且鲁棒的纵向脊柱图像配准对于评估疾病进展和手术结果至关重要，本文提出了一种新颖的方法，通过深度学习模型自动定位、标记和生成三维表面，然后使用高斯混合模型表面配准实现纵向脊柱 CT 图像对齐并准确评估病变进展，实验证明该方法在 37 个椎体、5 名患者的基线和 3、6、12 个月后的随访图像上显示出了平均 Hausdorff 距离为 0.65 毫米和 Dice 分数为 0.92 的准确配准。

Feb, 2024

基于 CMA-ES 算法的粗糙到精细的注册框架对骨科手术机器人的导航系统至关重要，通过提供手术过程中手术工具和植入物的精确位置信息。本文通过使用来自脊柱不同部位的实际骨科脊柱手术数据对我们的方法进行了广泛测试，结果显示了该提出的框架在真实骨科脊柱手术临床数据上的有效性。

Feb, 2024

通过 2D/3D 图像配准，利用不依赖手动标注数据的自监督方法和可微分物理渲染，实现了精确的手术决策，提高了手术速度，并超越了有监督基线模型。

Dec, 2023

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实时观察的机器人脊柱手术规划方法，利用 Safe Deep Reinforcement Learning（DRL）计算钻孔路径，同时通过引入一个基于距离的不确定性感知安全过滤器保证安全，为手术提供尽可能高的成功率。实验表明，该方法是第一种在正畸手术上应用安全 DRL 方法，且能同时满足成功率和安全保障。

May, 2023

我们使用 3D Slicer 作为基础平台，利用单目相机将人头进行 3D 模型重建，实时通过单目视觉传输头部姿态，并演示了利用 ArUco Marker 追踪工具实时指向头部姿态变化的可行性，为鼻咽拭子采集或插管等提供了一个可行的实时仿真平台。

Jun, 2024