SuPerPM：一种基于从物理约束仿真数据学习的深度点匹配的外科感知框架

在内镜组织形变跟踪过程中，跟踪误差的一个主要来源是观测传感器测量值与先前跟踪场景之间的错误数据关联。为缓解该问题，我们提出了一种外科感知框架 SuPerPM，其利用基于学习的非刚性点云匹配进行数据关联，从而比依赖迭代最近点（ICP）进行点关联的先前方法能适应更大的形变。学习模型通常需要带有真实点云对应关系的训练数据，而在外科环境中收集此类数据具有挑战性甚至不切实际。因此，为调优学习模型，我们采集了由手术机器人操控软组织的内镜数据，并建立不同时间点点云之间的对应关系作为真实值。这是通过采用基于位置的动力学（PBD）仿真来确保对应关系遵循物理约束而实现的。所提框架在多个以大体变为特征的极具挑战性的外科数据集上进行了验证，取得了优于先进外科场景跟踪算法的性能。