Aug, 2023

视频-仪器协同网络用于机器人手术中的视频仪器引用分割

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 使用深度学习进行机器人辅助手术中的自动仪器分割

    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

  • 基于注意力机制和多尺度特征融合的手术器械实时实例分割

    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

  • 手术中基于视觉动力学图学习的适用于任何程序的机器人手术器械尖端分割

    通过图学习、多模态信息和交叉验证，我们提出了一种新的视觉-运动学图学习框架，精确地对给定的各种手术过程中的手术器械尖端进行分割。

    Sep, 2023

  • 部分到整体：协同提示手术器械分割

    通过将手术器械结构知识与SAM的通用分割知识集成，我们提出了SP-SAM（手术器械的分割模型），它通过文本提示将器械分解为细粒度部分，并通过选择性融合和分层解码策略将部分级别的表示组合成一个整体，以实现精确的器械分割。在EndoVis2018和EndoVis2017数据集上的广泛实验证明了SP-SAM具有最先进的性能。

    Dec, 2023

  • Surgical-DeSAM: 机器人手术中仪器分割的SAM解耦

    研究通过开发Surgical-DeSAM方法，利用Bounding Box提示和实时机器人手术，实现了实时仪器分割，并在MICCAI手术仪器分割挑战EndoVis 2017和2018数据集上显著改进仪器分割方法的性能。

    Apr, 2024

  • 基于音频驱动的外科器械分割与外科医生意图理解

    本研究解决了现有外科器械分割算法无法根据外科医生意图精确分割特定器械的问题。通过引入音频驱动的分割框架ASI-Seg，该方法能够解析外科医生的音频指令并进行加权的器械分割，显著减少外科医生的认知负担，提高手术室的工作效率。实验结果显示，ASI-Seg在语义分割和意图导向分割方面优于传统先进模型及医疗SAM。

    Jul, 2024

  • 无人工干预的外科仪器分割重访：图划分视角

    本研究针对外科图像中的仪器分割问题，提出了一种无监督的方法，通过将视频帧分割视为图划分问题，显著降低了对人工标注的依赖。使用自监督预训练模型提取特征，并通过拉普拉斯矩阵实现有效的分割，不仅在多个数据集上表现优异，还展示了其在临床应用上的潜在影响。

    Aug, 2024

  • 深度学习在机器人辅助手术中的外科器械识别与分割：系统评估

    本研究系统评估了深度学习在机器人辅助手术中对外科器械的识别与分割的应用，填补了这一领域的研究空白。研究发现，先进的深度学习模型显著提升了器械检测与分割的精度和效率，并为外科手术提供了实时指导和客观评估。未来的研究应集中于自动化处理以及扩展深度学习技术在各类手术领域的应用。

    Oct, 2024

  • AMNCutter：亲和力注意力引导的多视图归一化切割器用于无监督外科器械分割

    本研究解决了现有无监督外科器械分割方法在复杂内镜场景中的有效性和通用性不足的问题。我们提出了一种无标签的无监督模型，采用名为多视图归一化切割器的创新模块，通过图切割损失函数，而不依赖伪标签，显著提高了模型的效果与泛化能力。实验结果表明该方法在多个外科器械分割数据集上表现出色，具备作为预训练模型的巨大潜力。

    Nov, 2024

  • AMNCutter: 基于亲和力注意力的多视角归一化切割器用于无监督外科器械分割

    本研究针对传统无监督外科器械分割方法在复杂内窥镜场景中的有效性和泛化能力不足的问题，提出了一种无标签的无监督模型AMNCutter，其中引入了多视角归一化切割器模块。该方法通过图切损失函数结合补丁亲和力进行训练，能够有效整合低层和高层特征，显著提升了模型的性能和通用性。

    Nov, 2024