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

通过引入SegMatch方法，在手术仪器分割中使用半监督学习，减少了对昂贵标注的需求，并在MICCAI仪器分割挑战数据集上展示出性能的提升，超过了全监督学习方法和其他半监督语义分割模型。

Aug, 2023

SurgicalSAM是一种针对显著改善SAM泛化性能的新型端到端高效调优方法，引入了轻量级基于原型的类提示编码器，并提出了对比原型学习以进一步增强类原型的区分力，通过在EndoVis2018和EndoVis2017数据集上进行广泛实验，证明其达到了最先进的性能，仅需要少量可调参数。

Aug, 2023

我们提出了一种新的弱监督手术器械实例分割方法，名为基于点的弱监督实例分割（PWISeg）。该方法通过采用基于FCN的架构，使用点到框和点到掩模分支来建模特征点与边界框以及特征点与分割掩模之间的关系，在单个模型中联合完成手术器械的检测和分割任务。我们提供了一个详细的手术器械数据集，并进行了广泛的实验验证，结果表明我们的PWISeg在手术器械分割任务上具有卓越的性能。

Nov, 2023

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

通过应用共现损失并使用图像级别标签，以便快速且高效地检测手术工具，我们提出了一种在大规模图像数据集上实现手术工具检测的方法，并在Endovis2018数据集上的实验证明了其有效性。

Jan, 2024

通过使用光流估计在手术器械分割任务中作为额外输入nnU-Net框架的OF图，可以在进一步不修改架构的情况下提高其性能。使用CholecSeg8k数据集，结果显示OF图的使用可以提高具有高运动的类别的检测效果，即使这些类别在数据集中很少出现。

Mar, 2024

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

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

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