该研究提出了一种新方法来评估光学成像技术，该方法基于可逆神经网络的概念，将多光谱测量映射到全概率分布中以表示解的不确定性，可以帮助优化光学相机设计。
Mar, 2019
基于可调焦液体透镜和深度强化学习算法的视频自动对焦方法，改善了手持实时高光谱成像系统的焦深度限制，提高了手术中高光谱成像技术的可用性和效果。
Jul, 2023
通过采用神经辐射场（NeRF）方法，我们展示了一种能够学习时间上动态且可变形的三维场景的方法，并能适应各种不同相机和场景设置的鲁棒性模型，该模型消除了已知相机姿态的限制，并克服了目前静态场景重构技术中依赖场景静态部分进行精准重构的缺点，为当前和未来的机器人外科手术系统提供了潜力。
Sep, 2023
利用Hyperspectral Imaging和Machine Learning相结合的方法，采用Graph Neural Networks以及Convolutional Neural Network，通过对局部图像特征和空间上下文信息的建模，实现在肿瘤和健康组织之间进行准确分割的目标。
Nov, 2023
通过将两个校准的多光谱实时摄像机结合成一个立体系统，我们提出了一种新方法来连续捕捉高光谱数据立方体，实现三维重建和光谱分析，以提高空间分辨率和光谱分辨率的视频流，旨在用于手术辅助监控。
Dec, 2023
应用深度学习模型来矫正与解混合光谱，以提高荧光引导的神经外科中的高光谱成像(HSI)技术，结果表明深度学习模型能够更准确地估算荧光素(PpIX)的浓度，进一步改善脑肿瘤切除手术的效果。
Feb, 2024
利用NeRFs的最新进展，我们提出了一种计算超光谱3D重建的方法，其中空间中的每个点和视角都以波长相关辐射和透射光谱为特征。通过对近2000个超光谱图像进行对比和消融测试，我们证明了超光谱NeRF的潜力，包括超分辨率和成像传感器模拟。我们展示了超光谱NeRF方法可以快速、准确地创建体积化的3D超光谱场景，并为未来研究提供了几个新的应用和领域。
Mar, 2024
本文通过比较五种不同高性能计算平台在处理空间-光谱方法分类高光谱图像时所提供的性能，评估其主要优势和缺点，研究了两种不同性能需求的医学应用：神经外科手术中的高光谱图像和皮肤病学介入中的高光谱图像，其中包括处理时间和能源效率两个主要考虑因素。
本研究解决了医学高光谱成像中由于标注数据有限和临床协议差异导致的分割挑战。提出了一种基于涂鸦的互动分割框架，结合深度学习和用户提供的涂鸦生成的测地距离图，实现更准确的分割效果。实验结果表明，与传统的分割方法相比，该方法在分割结果上具有显著提升，具有重要的临床应用价值。
Aug, 2024
本研究解决了手术图像数据中的几何领域迁移问题，首次分析了当面对几何超出分布数据时，先进语义分割模型的表现。通过提出一种名为“器官移植”的增强技术，研究显示其在RGB和高光谱数据上的性能提升分别达到67%和90%，为改善手术场景分割的通用性提供了有效工具。