处理完成 肝脏掩码引导的SAM增强型双解码器网络在AR辅助手术中肝部标志点分割的应用研究

　　针对AR辅助腹腔镜肝部手术中精确3D-2D配准的关键问题，研究人员开发了一种基于肝脏掩码预测的新型双解码器网络模型(SAM增强型)。该方法通过建立肝脏区域与标志点间的精细空间一致性约束，显著提升了复杂手术场景下的分割性能，为术中应用提供了更准确、鲁棒的解决方案。

　　

在增强现实(AR)引导的腹腔镜肝脏手术中，准确分割肝脏标志点对于实现精确的3D-2D配准至关重要。然而，现有方法在处理复杂结构、有限数据和类别不平衡方面存在困难。

本研究提出了一种新颖的方法，通过利用肝脏掩码预测来改善标志点分割性能。具体而言，开发了一个由预训练的Segment Anything Model(SAM)编码器增强的双解码器模型，其中一个解码器负责分割肝脏，另一个专注于肝脏标志点。SAM编码器为肝脏掩码预测提供了稳健的特征，提高了泛化能力。肝脏引导的一致性约束建立了肝脏区域与标志点之间的细粒度空间一致性，通过详细的空间建模增强了分割准确性。

所提出的方法在两个公开的腹腔镜数据集中实现了最先进的肝脏标志点分割性能。通过解决特征纠缠问题，带有SAM和一致性约束的双解码器框架显著改善了复杂手术场景中的分割效果。

这项SAM增强型双解码器网络结合肝脏引导一致性约束的技术，为AR引导腹腔镜手术中的2D标志点分割提供了有前景的解决方案。通过相互强化肝脏掩码和标志点分割，该方法为术中应用实现了更高的准确性和鲁棒性。