本研究提出了一种基于一致性的方法，用于联合学习模拟和真实内窥镜数据的手术工具分割问题，实验结果表明，该方法在手术工具分割领域具有相对较好的效果。

Jul, 2020

本研究提出了一种名为SUPRA的方法，结合SLICLoss和BCE loss，使用数据聚类技术对内窥镜图像进行分割处理，能够有效提升深度学习方法的跨模态泛化性能，减小因颜色变化造成的误差，实验结果表明本方法相较于传统方法可以提升近20%的目标领域分割精度。

Nov, 2022

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

通过使用时间一致性自我监督的有效简单方式，在内窥镜图像的低数据情况下，相对单眼深度对训练模型进行了改进，并在该任务中优于现有的自我监督技术，同时也显著优于内窥镜领域的最先进方法。我们还发布了我们的代码、模型和集成的元-医学数据集Meta-MED，为未来的工作建立了一个强大的基准。

Mar, 2024

通过多中心性能基准测试，我们研究了面向未见域泛化的以目标为中心的方法，确定了关键的性能因素，并提出了一种优化方法，明显优于现有方法。

Mar, 2024

我们提出了一种高效的自监督深度估计框架EndoDAC，它通过采用动态向量化低秩适应方法（DV-LoRA）和卷积颈块，利用极少的可训练参数将基础模型适应于外科手术领域，从而在更少的训练时期和未了解相机内参数的情况下获得卓越的性能。

May, 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

本研究解决了现有深度估计网络在内窥镜图像应用中的局限性。我们提出了一种新颖的微调策略，结合内在的无监督单目深度估计框架，利用随机向量的低秩适应技术，提高模型对不同尺度的适应能力。实验结果表明，该方法在精度和安全性上显著增强了微创内窥镜手术的效果。

Sep, 2024

本研究旨在解决传统结肠镜图像深度估计面临的挑战，尤其是在真实临床场景下获取真实深度图的困难。提出的一种结合卷积神经网络和 Transformer 的框架，通过不确定性融合块提升了模型的泛化能力，能够有效处理多种数据分布和表面反射问题。研究结果表明，该方法在多个数据集上具有出色的泛化能力，有望推动内窥镜自动导航及其他临床任务的发展。

Sep, 2024

本研究解决了内窥镜中的深度与姿态估计问题，尤其在复杂的胃肠道条件下现有方法的局限性。通过引入生成潜在库和变分自编码器，提出了一种稳健的自监督框架，有效提升了深度预测的真实感与准确性。实验结果表明，该方法在深度与姿态估计方面显著优于现有自监督技术，具有重要的临床应用潜力。

Nov, 2024