通过定量分析，我们使用自监督方法对内窥镜定位进行了定量分析，采用与高分辨率计算机断层扫描相结合的内窥镜序列和光学跟踪获取的 9 个离体标本的结果显示，所生成的重建与解剖结构高度一致，重建与 CT 分割间的平均点对网格误差为 0.91 毫米，然而，在点对点匹配场景中，即对内窥镜跟踪和导航至关重要的情况下，我们发现平均目标注册误差为 6.58 毫米。我们发现姿态与深度估计的不准确性对此误差贡献相等，并且具有更短轨迹的局部一致性序列生成更准确的重建。因此，为了改进重建并促进临床应用，实现相对相机姿态和估计深度与解剖学的全局一致性至关重要。

Oct, 2023

本文提出了一种基于表面感知性约束的深度估计方法，将相机参数纳入训练管道以增加深度估计的控制和透明度，并整合了去除高光模块以恢复更多 buried image 信息，且实验和用户研究证明了该方法的有效性。

Mar, 2022

基于解剖识别的深度学习方法，通过无监督学习从手术视频中构建手术路径，从而解决内窥镜手术中由于缺乏可区分的纹理和地标以及内窥镜设备的局限性（如有限的视野和光照条件）所带来的定位问题。

May, 2024

通过将 NeuS 应用于内窥镜图像并辅以单帧深度图，我们在结肠切片重建方面引入了一种新的方法，该方法解决了单目结肠镜图像重建中的组织纹理表示不足和尺度混淆问题，通过严格的实验证明了其在渲染结肠切片方面的异常精确性，为稳定和一致缩放重建打开了新的途径，为癌症筛查和治疗干预提供了更好的质量。

Apr, 2024

结直肠癌是世界上最常见的癌症之一。本文描述了 2022 年 EndoVis 挑战赛中的人工结直肠三维重建问题及其解决方案的研究成果，并展示了虚拟结直肠镜检查中深度预测问题的可靠解决方案，同时指出姿态估计问题仍然是一个待解决的研究方向。

Jul, 2023

在腔镜肝切除手术中，增强现实是一种可视化模式，能够帮助医生在腔镜图像上投影肿瘤和嵌入在肝脏内的血管，通过将其映射到术中腔镜图像中，从而实现定位。该研究主要针对 2D 和 3D 标志物自动检测和标记，以及 3D-2D 配准任务进行深入探讨，并提出了当前限制和未来研究方向。

Jan, 2024

该研究提出一种基于双目内窥镜深度估计和光流的深度声明网络，通过减小两个几何损失优化相机姿态估计，并且引入了两个自适应的像素权重映射来平衡贡献，实现在挑战性的内窥镜手术场景中更加鲁棒的相机姿态估计，具有推进微创外科领域相关任务（如 SLAM 或 3D 重建）的研究意义。

Apr, 2023

本研究提出了一种不需要蓝靛胭脂喷洒的胃内整体三维重建方法，通过基于图像风格转换的方法生成虚拟蓝靛胭脂喷洒的图像用于提高结构运动法的表面纹理匹配，结果表明将未喷洒蓝靛胭脂的绿色通道图像转换为喷洒蓝靛胭脂的红色通道图像可以获得最佳的重建效果。

Apr, 2020

该研究提出了使用神经场方法进行腹腔镜视频追踪的技术，可以同时追踪手术工具和解剖结构，具有较高的追踪精度，并能生成与预训练深度估计器相媲美的伪深度图像，从而展示了使用神经场进行单目腹腔镜场景的 3D 重建的可行性。

Mar, 2024

我们提出了一种新的方法来从单眼内窥镜获取的图像序列中进行三维重建。该方法基于两个关键观点：内腔是密封的，可以通过使用符号距离函数来建模；场景照明是变化的，来自内窥镜的光源并随着到表面的距离的平方反比而衰减。通过修改 NeuS 架构以考虑亮度和深度之间的关系，并引入经过校准的内窥镜相机和光源的光度模型，我们的方法是第一个在整个结肠部分产生密封重建的方法。我们在幻影影像上展示了出色的准确性。密封先验结合照明衰减的显著性使得我们能够以可接受的准确性完成未见过表面的重建，为癌症筛查探测的自动质量评估、测量观察到的黏膜的全局百分比铺平了道路。

Sep, 2023