DenseTRF: 基於紋理感知的無監督表示自適應用於手術場景密集預測

在計算機輔助手術領域，密集預測任務（如手術器械分割和手術區域預測）對於腹腔鏡和機器人手術具有重要的指導意義。然而，由於訓練資料集往往無法覆蓋實際部署中遇到的各種變化，這些模型常常面臨分佈偏移的問題，導致泛化能力不足。為了解決這一挑戰，來自研究團隊的最新成果提出了一種名為DenseTRF的自監督表示自適應框架。該框架基於紋理中心注意力，透過槽注意力機制學習紋理感知的表示，從而捕捉視覺結構中不變的特徵。DenseTRF能夠在無需監督的情況下將這些表示自適應到目標分佈，顯著提升模型對域偏移的魯棒性。其實現方式包括將密集預測條件化於槽注意力以及模型合併策略。實驗結果表明，在多種手術流程中，DenseTRF在跨分佈泛化方面優於當前最先進的分割模型和針對密集預測任務的測試分佈自適應方法。該工作已被2026年國際醫學影像計算與計算機輔助干預會議（MICCAI 2026）接收。DenseTRF的核心創新在於利用了槽注意力機制來學習紋理感知的表示，這種表示能夠捕獲視覺結構中不變的特徵，從而在不同的手術場景中保持穩定。與傳統的監督學習方法不同，DenseTRF不需要標註的目標域資料，而是透過自監督的方式將源域學到的表示遷移到目標域。這大大降低了實際部署中資料標註的成本，並且提高了模型的適應能力。在實驗中，研究者們使用了多個手術流程的資料集，包括腹腔鏡膽囊切除術和機器人攝護腺切除術等，驗證了DenseTRF在跨分佈泛化上的優越效能。此外，DenseTRF還採用了模型合併策略，進一步提升了框架的穩定性和效率。這項研究不僅為手術視覺領域提供了新的解決方案，也為其他領域中的密集預測任務提供了借鑑。未來，DenseTRF有望被整合到手術導航系統和機器人輔助手術平臺中，為外科醫生提供更準確的即時反饋。