该研究描述了他们在MICCAI 2017内窥镜视觉子挑战赛中赢得的机器人工具分割选手冠军的解决方案，该解决方案通过使用几种新颖的深度神经网络架构获得了比现有技术更好的结果来解决机器人手术中的工具语义分割问题。

Mar, 2018

本文介绍了一项比较研究，探讨了在机器人以及传统腹腔镜手术中，基于视觉的不同方法用于器械分割和追踪的效果。研究表明，现代的深度学习方法在器械分割任务中表现优异，但结果还不完美。此外，合并不同方法的结果实际上显著提高了准确性。与此同时，器械追踪任务的结果表明，在传统腹腔镜手术中这仍然是一个待解决的挑战。

May, 2018

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

本篇研究提出了一种新的神经网络框架，该框架基于实例分割模型添加分类模块以提高手术工具实例分割的准确性，并采用度量学习技术来处理手术器械类别的低变异性，并在评测数据集上证明了其优越性。

Nov, 2022

该综述文章着重介绍了目前基于纯视觉的、不附加任何标记的单帧和带有时间信息的最小侵入性手术图像中手术工具分割和跟踪方法，重点关注深度学习方法和公开数据集的使用，讨论了存在的不足之处和未来发展的潜能。

Apr, 2023

本文研究使用深度学习技术处理外科手术的数据，并通过数据合成技术建立一个更具普适性的数据集，提高模型的泛化性能，实现在真实数据领域取得了显著的成果。

Jun, 2023

该研究论文探索了一项新的任务：引用外科手术视频仪器分割（RSVIS），旨在根据给定的语言表达自动识别和分割相应的外科手术器械。通过设计了一种新颖的视频-仪器协同网络（VIS-Net）和基于图的关系感知模块（GRM），该方法在两个RSVIS数据集上验证，实验结果表明VIS-Net可以显著优于现有的最先进的引用分割方法。

Aug, 2023

通过图学习、多模态信息和交叉验证，我们提出了一种新的视觉-运动学图学习框架，精确地对给定的各种手术过程中的手术器械尖端进行分割。

Sep, 2023

通过使用场景图和图卷积网络对手术视频进行建模和分析，研究证明其在自动化手术工作流识别方面具有竞争性能，并对模型决策的解释性和稳健性提供了关键的临床支持。

Sep, 2023

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