提出了一种用于医学图像分析中，基于深度学习的肺气道分割方法NaviAirway，该方法采取了支气管特异性损失函数和人视感迭代训练策略，细分支气管，提升模型性能，可用于支气管镜导航、肺部疾病诊断等领域，并通过提出两个新的评价指标，更全面公正地评估基于深度学习的肺气道分割方法。

Mar, 2022

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

本文提出了一种基于变形DeTR和语义对齐匹配模块的基于Transformer的标志检测解决方案，用于检测机器辅助气道插管中的标志。实验结果表明我们的解决方案在检测准确性方面具有竞争力。

Aug, 2023

通过对515篇文献的审查，我们更新了医学计算机视觉领域中基于相机的手术和诊断中的跟踪和场景建模的状况，并总结了算法的最新发展，重点关注可变形环境下的算法，并讨论了对未来算法的需求、量化的需求以及临床应用的可行性。

Oct, 2023

为了改善患者的预后，尤其是肺癌患者，早期诊断和治疗至关重要。本研究提出了一个新的公共基准数据集（AeroPath），包含27个CT图像，患者的病理范围从气肿到大肿瘤，以及相应的气管和支气管标注。同时，我们提出了一种多尺度融合设计的自动气道分割方法，并在ATM'22数据集上进行了训练和测试，并与竞争性开源方法进行了评估。结果表明，该方法对包括有挑战性的病理范围的患者进行了正确的分割预测，并能处理至少第五代气道的各种异常情况。AeroPath数据集和网络应用程序已公开提供。

Nov, 2023

提出了一种新颖的方法，在2D胸部放射学图像上训练深度学习模型进行自动肺气肿分割，通过将肺+空间作为约束来提高分割性能。

Nov, 2023

本文提出了两种不同的网络结构Branch-Level U-Net (B-UNet) 和Branch-Level CE-UNet (B-CE-UNet)，它们基于U-Net结构，并比较了相同数据集的预测结果。特别地，这两种网络都添加了分支损失和中央线损失，以学习气道的精细分支末端的特征。此外，还包括不确定性估计算法来获得自信的预测结果，从而增加整个模型的可靠性。此外，在后处理过程中，根据最大连接率计算和提取了基于肺气管的预测结果，以进行分割的细化和修剪。

Feb, 2024

创新的实时框架BronchoTrack在确保干预质量方面具有关键的分支级定位，包括腔内检测、跟踪和气道关联，通过使用轻量级检测器、多目标跟踪和基于语义气道图的训练无检测气道关联方法等解决了现有方法在速度和泛化性之间的平衡问题。

Feb, 2024

通过使用Depth-based Dual-Loop框架，本研究提出了一种基于深度的实时视觉导航支气管镜（DD-VNB）框架，能够在不重新训练的情况下在病例之间实现通用性，并实现单目深度估计的优于现有技术的准确性。

Mar, 2024