深度学习引导的自主手术：将细针导引至亚毫米级血管

我们提出一种将针自主导引并插入视网膜血管的一般策略。该任务的核心挑战在于将针尖精确置于目标静脉上，并执行审慎的插针操作以避免静脉被二次刺穿，同时应对苛刻的运动学约束与深度估计不确定性。效仿外科医生仅基于视觉反馈执行该任务的方式，我们开发了一个仅依赖\emph{单目}视觉线索的系统，结合数据驱动的运动学与接触估计、视觉伺服与基于模型的最优控制。通过依托已知运动学模型及基于深度学习的感知模块，系统可定位手术针尖并检测针-组织交互与静脉穿刺事件。这些感知模块的输出随后与运动规划框架结合，该框架利用视觉伺服与最优控制实现目标静脉插管，同时遵守考量操作安全性的运动学约束。我们证明能够在视网膜手术领域可靠且稳定地执行插针，具体而言为视网膜静脉插管。利用猪尸体眼，我们证明系统可导航至目标静脉，XY 精度在 22$\mu m$ 内，平均全程耗时少于 35 秒，且在 4 只猪眼上进行的全部 24 次试验均成功。与人工操作者的初步对比研究表明，我们的系统持续更具准确性与安全性，尤其在安全关键的针-组织交互期间。据作者所知，本工作首次在具临床相关性的环境下使用动物组织演示了自主视网膜静脉插管。