Ada-Tracker：基于帧间与自适应模板匹配的软组织跟踪

软组织跟踪对于计算机辅助干预至关重要。现有方法主要依赖从模板和视频中提取具有判别性的特征来恢复对应的匹配。然而，在外科手术场景中，组织在整个手术过程中形状和外观不断变化，使得这些技术难以适用。为了解决这个问题，我们利用光流自然地捕捉像素级组织形变，并自适应地校正被跟踪的模板。具体而言，我们首先实现一种帧间匹配机制，基于连续帧的光流提取粗略的感兴趣区域。为了适应外观变化并减轻漂移，我们随后提出一种自适应模板匹配方法，该方法根据估计的可靠性更新被跟踪的模板。我们的方法 Ada-Tracker 既通过捕捉局部形变享有短期动力学建模，又通过引入全局时间补偿享有长期动力学建模。我们在由 Hamlyn、SCARED 和 Kidney boundary 数据集生成的公开 SurgT 基准上评估了我们的方法。实验结果表明，Ada-Tracker 实现了卓越的准确性，并且比先前的工作表现得更鲁棒。代码可在 https://github.com/wrld/Ada-Tracker 获取。