面向腹腔手术的基于物理引导的无缝式深度学习烟雾移除模型——SurgiATM

在腹腔手术过程中，组织电凝产生的烟雾会降低内窥镜画面的质量，从而增加手术风险，阻碍临床决策和计算机辅助视觉分析。因此，移除手术烟雾对于患者安全和手术效率至关重要。本研究提出了手术大气模型（SurgiATM）用于手术烟雾移除。SurgiATM将基于物理的大气模型与数据驱动的深度学习模型进行统计性建模，将前者的优异泛化能力与后者的高精度相结合。SurgiATM设计为轻量级、无缝式模块，可无缝集成到多种手术脱烟架构中，以提升其准确性和稳定性。该方法通过对任意深度学习方法输出端的Mixture of Experts（MoE）模型进行统计优化，特别利用拉普拉斯式误差分布来建模手术烟雾。输出端的MoE确保对原始架构的最小修改，同时手术烟雾的拉普拉斯式分布特性使重建公式仅需极少参数即可实现。因此，SurgiATM仅引入两个超参数且不增加任何可训练权重，保留原始网络架构的最小开销。我们在三个公开手术数据集上进行大规模实验，涉及多种网络架构，覆盖胆囊切除术、部分肾切除术和膈膜切开术等多种手术程序。结果表明，融合SurgiATM后，现有模型的恢复误差普遍降低，其泛化性也得到相对提升，期间不新增任何可训练层或权重。这凸显了该方法的便捷性、低成本、有效性和广泛适用性。