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

通过 Weakly Supervised Yolo Network (WS-YOLO)，从 da Vinci 手术机器人输出的粗粒度语义信息中生成细粒度的位置和类别信息，大幅减少人工注释工作量，实现手术工具在内窥镜视频中的定位。

Sep, 2023

提出了一种基于单目内窥镜数据的自监督卷积神经网络训练方法，无需解剖学或阴影的先验建模，仅需要单目内窥镜视频和多视角立体方法，如运动结构，以稀疏方式监督学习。

Feb, 2019

本文提出一种无监督的自我监督方法，用于训练卷积神经网络从单目内窥镜数据中密集地估计深度，而无需先验建模解剖或着色。

Jun, 2018

利用自我监督和最少数据标签，我们提出一个可以精准检测手术视频中出现的躯体外视频帧的框架，该方法使用大量无标记内窥镜图像进行自我监督学习，并使用辅助任务的预训练和有限监督的微调，可提高医疗数据隐私保护，该方法达到了 96.00-98.02 的平均 F1 分数。

Mar, 2023

本研究提出一种新颖的自监督方法，将卷积神经网络和基于注意力机制的图神经网络相结合，用于处理内窥镜图像中的特征匹配和对应关系问题，并在精度方面具有出色的表现。

Jun, 2023

该研究提出了一种新方法来利用标记的合成数据和未标记的真实数据，以实现对结肠镜序列的更具弹性和准确的深度图预测。

Oct, 2023

本论文介绍了在内窥镜图像中利用光度线索提高单目深度估计的方法，并通过使用自监督和监督训练的方法，结合教师 - 学生迁移学习，实现了对内窥镜图像的高质量深度估计。

Mar, 2024

本文提出了一种仅利用支气管镜视屏数据来实现导航引导的方法，通过 CNN 对气道分割进行单帧分类并采用基于状态转移的 HMM 模型应用解剖学约束和时间上文本信息对支气管树进行定位，能够在无需电磁跟踪和 CT 扫描的情况下，实现对支气管镜操作的视觉引导。

Jul, 2023

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