该研究论文介绍了一种利用视频数据进行手术阶段识别的方法，旨在为自动化工作流分析提供手术程序的全面理解。研究表明，在手术阶段识别任务中，视频基分类器相比于基于图片的分类器具有更高的效果。
Jun, 2024
通过图像分割和自监督学习，我们提出了一种基于随机游走的算法来实现逐帧术期预测，并利用稀疏时间戳或少样本学习的形式进行弱监督。在使用公共的腹腔镜胆囊切除术视频数据集进行实验验证时，我们的方法表现出了低复杂度和在小数据情况下的良好性能。
Oct, 2023
手术阶段识别是计算机辅助手术中的一个关键任务，本研究提出了一种能够有效处理缺失阶段标注并减少标注成本的手术阶段识别方法，该方法在两个具有挑战性的数据集上取得了竞争性结果，为手术工作流程识别的进展做出了贡献。
通过提出 SurgPLAN，一种基于时间检测原理的外科手术阶段定位网络，利用金字塔慢速 - 快速（PSF）架构和时间相位定位（TPL）模块，可以准确稳定地识别手术阶段，克服了现有方法不能捕获可区分的视觉特征和运动信息以及帧逐帧识别范式导致的不稳定预测的问题。
Nov, 2023
本文提出了一种名为 ARST 的自回归手术变压器，用于从腹腔镜视频中实时识别手术阶段。通过条件概率分布隐式地建模了阶段间相关性，并采用一致性约束推断策略以减少推断偏差和增强阶段一致性。在知名的公共数据集 Cholec80 上进行了综合验证，实验结果表明，我们的方法在定量和定性上都优于现有的最先进方法，并实现了每秒 66 帧的推断速率。
Sep, 2022
我们提出了一种 Surgical Temporal Action-aware Network with sequence Regularization (STAR-Net) 来更准确地从输入视频中识别手术阶段。通过使用多尺度手术时态行动模块（MS-STA）和双分类器序列正则化（DSR），我们的方法可以有效利用手术行动的视觉特征，并在手术阶段识别方面取得卓越性能。
该研究介绍了一种基于强化学习的离线手术阶段转换检测模型，相较于传统基于分类的方法，该模型能够更准确地探测手术过程中的连续阶段块，且在处理视频过程中可以节省时间和计算量，适用于腔镜手术等现代微创手术的研究应用。
Aug, 2022
本文提出了一种多级时间卷积网络（MS-TCN），可以用于手术阶段识别，具有层次化预测细化和因果扩张卷积的特点。本文的方法经过多组数据集的评估，并在胆囊手术视频中得到成功应用。
Mar, 2020
本文提出了一种新的基于综合外科场景理解的实验框架，通过介绍 PSI-AVA 数据集和 TAPIR 模型，展示了这种框架和其他公共数据库上实验结果的优越性和多级注释的好处。
Dec, 2022
本文概述了自动手术阶段识别方法的评估过程中常见的偏差和对先前报告的结果进行了结构化的概述，以考虑评估协议的差异，并提出更加注重评估细节可能有助于在手术阶段识别任务上获得更一致和可比较的结果，并最终实现对该领域进展的可靠结论及其在临床实践中的应用。
May, 2023