基于迭代联合学习网络的增强现实导航系统在深前板层角膜移植术（DALK）缝合中的应用研究

本综述提出了一种创新的迭代联合学习网络，用于增强现实（AR）辅助的深前板层角膜移植术（DALK）缝合导航。通过结合分割、光流估计和修复模块，系统在严重遮挡条件下实现了实时（28FPS）的高性能修复（PSNR 36.86, SSIM 0.976），为外科医生提供无遮挡视野和稳定导航，显著提升手术精度与效率。

　　

亮点 (Highlights)

• 提出新型联合学习迭代手术导航框架，在严重遮挡条件下为眼科医生提供稳定、清晰、准确的AR引导和无遮挡视野

• 基于迭代结构设计分割、光流估计和输出修复模块，通过共享编码器提升特征复用效率

• 创新数据合成策略利用非配对标注图像构建数据集，显著降低数据需求

方法 (Methods)

本研究提出基于增强现实的缝合导航联合学习迭代网络。该网络通过特征复用、迭代模块和掩膜传播结构大幅降低计算成本，在缝合过程中严重遮挡下提升修复性能，可同步输出原始器械、修复后的角膜掩膜及修复帧。针对端到端训练需求，开发了新型数据集合成方法，构建包含遮挡/非遮挡图像对、掩膜和光流标注的数据集。基于网格传播方法和修复光流输出，开发了生成清晰稳定修复帧的新流程。

结果 (Results)

在合成数据集上，相较于近期优秀修复网络，我们的框架在性能与计算效率间取得更好平衡。Iter-S模型最终达到平均端点误差（mEPE）1.69、峰值信噪比（PSNR）36.86、结构相似性指数（SSIM）0.976，以及16.26毫秒的低修复推理时间。基于Iter-S构建的新型AR导航系统平均帧率达35.14毫秒/28FPS。

结论 (Conclusions)

迭代模块可通过迭代次数选择逐步优化输出，在视觉性能与实时计算效率间实现良好平衡。我们的AR导航框架能在严重遮挡条件下实时提供稳定准确的跟踪输出和高质量修复结果，显著提升角膜手术中缝合操作的指导效果。

引言 (Introduction)

当前全球每年约150万新增因角膜疾病致盲病例。深前板层角膜移植术（DALK）作为主流治疗技术，具有并发症风险低、恢复期短等优势。角膜缝合是DALK的核心环节，需要丰富经验与技巧，缝合位置的准确性与均匀性直接影响并发症风险和再次手术需求。增强现实（AR）导航系统在提升缝合过程方面展现巨大潜力，无遮挡的角膜区域视野可帮助医生更好规划缝合位置。

缝合导航系统面临双重挑战：一方面器械遮挡同时影响角膜轮廓识别和术野视野，被遮挡的角膜区域掩膜和碎片化轮廓会严重影响椭圆拟合过程和AR引导构建，导致导航信息不稳定；另一方面眼球操作可能引发移动，要求系统具备实时能力以确保导航稳定性。为解决这些临床挑战，我们设计了新型DALK缝合AR导航系统，可在提供清晰术野的同时实现实时计算。

先前研究[3]提出基于CNN的角膜轮廓跟踪方法和AR手术导航框架，采用光流修复网络恢复器械遮挡导致的光流缺失区域。但该方法仅适用于临时遮挡场景，无法应对长时间连续遮挡，且级联网络计算成本较高。当前自然场景修复方法多采用复杂网络且需额外遮挡检测流程，难以满足手术导航的实时性、时间一致性和在线处理要求。

如图1、图2所示，我们提出新型端到端联合学习迭代网络，通过多任务迭代模块实现分割、光流估计和输出修复的协同处理。借助模块间信息交换和共享编码器特征复用，显著减少视频场景的参数需求。迭代结构设计不仅大幅降低网络参数，还可通过迭代设置灵活平衡计算成本与性能。针对端到端训练需求，提出基于非配对掩膜标注图像的新型合成策略构建包含真实光流和掩膜标注的数据集。实验表明该多任务网络较级联网络显著降低时间消耗，在未大幅降低分辨率的前提下提升整体性能与稳定性。

结论 (Conclusion)

本文提出用于在线视频修复和DALK手术导航任务的新型迭代联合学习网络。迭代模块使网络在性能与计算效率间实现更好平衡，通过新合成方法构建的训练数据集有效支持端到端网络训练。实验表明导航框架能在严重遮挡条件下实时提供稳定准确的跟踪输出和高质量修复结果。