本研究提出了一种迁移学习框架，通过合成数据训练并适应领域知识，解决了支气管镜图像中缺乏标记数据的问题，从而提高了真实影像的深度估计准确性。

本研究提出了一种基于深度学习的实时视觉导航支气管镜框架，利用支气管镜视频数据提高气道定位准确性，解决内窥镜手术中的定位问题，具有重要的应用价值。

该文章介绍了一种创新的实时内窥镜动态重建方法，通过使用4D高斯飞溅和无需地面真实深度数据，提高机器人辅助微创手术效果。方法通过引入时间组件和轻量级MLP捕捉时间高斯变形，实现了具有可变条件的动态手术场景的重建。同时，通过整合Depth-Anything，从单目视图中生成伪深度图，增强了深度引导重建过程。该方法在两个手术数据集上验证了实时渲染、高效计算和重建准确性，展示了改善手术辅助的巨大潜力。

本文介绍了B-UNet和B-CE-UNet两种基于U-Net结构的网络，比较了它们在相同数据集上的预测结果。这两种网络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特征。还使用不确定性估计算法提高预测结果的可靠性。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，进行分割的细化和修剪。