将单目SLAM技术适配用于导航关节镜手术中的无表面追踪三维配准

《International Journal of Computer Assisted Radiology and Surgery》：Adapting monocular SLAM for surface-trace free 3D registration in navigated arthroscopy

　　摘要
目的
基于视频的外科导航（VBSN）依赖于将术前3D模型与术中数据配准，以便将手术计划叠加在患者的解剖结构上，提供实时指导。在当前系统中，配准是通过跟踪两个视觉标记来实现的：一个牢固地附着在解剖结构上，称为解剖标记；另一个安装在数字化工具上。外科医生通过用工具尖端接触解剖表面来手动收集3D点。这种工作流程要求解剖标记和工具标记同时可见，并且工具与组织保持持续接触，这既耗时又可能对患者构成风险。为了解决这些困难，本文研究了从VBSN中移除视觉标记的可能性。

方法
最近的单目同时定位与映射（SLAM）方法被适配到关节镜环境中，以估计相机姿态和从关节镜视频中重建3D场景。

结果
实验结果表明，解剖标记无法被移除，因为使用SLAM进行相机姿态估计无法同时满足外科导航所需的精度和实时性能。然而，可以消除数字化工具，从而使用基于SLAM的变体实现无接触配准。此外，即使没有解剖标记，SLAM也能在短时间内恢复结构和运动信息，使外科医生能够在不始终将解剖标记保持在视野中的情况下检查解剖结构的不同区域。

结论
所提出的基于SLAM的方法通过实现符合临床要求的实时、无接触配准来改进VBSN，这一点已在尸体关节镜实验中得到验证。

引言
关节镜是一种微创手术，用于治疗关节病变，其中通过小切口将关节镜和手术器械引入关节。尽管与开放手术相比，关节镜减少了手术创伤，但由于解剖结构的间接可视化和器械在关节内的操作受限，关节镜仍然具有挑战性。先前的研究表明，关节镜可以从外科导航中受益[1, 2]，其中通常在术前模型上定义的手术计划通过3D配准过程叠加到患者解剖结构上[3, 4]，并通过跟踪和确定器械相对于该解剖结构的6D姿态来指导手术执行。跟踪可以通过不同的方式或传感模式来完成，包括红外（IR）相机[5]、电磁线圈[6]和视频[7]。本文将重点介绍基于视频的外科导航（VBSN），因为它可以利用现有的视频来完成计算机导航。

图1
该图像的替代文本可能是使用AI生成的。

Arthro-vSLAM+是一种混合vSLAM系统，当解剖标记可见（红色）时，使用基于标记的相机姿态来重建解剖表面；当标记不可见（绿色）时，使用基于CudaSIFT-SLAM的Arthro-vSLAM模块。只有当解剖标记可见时，才会初始化3D地图，并且当姿态由解剖标记跟踪器提供时，会禁用vSLAM相机姿态优化。3D配准步骤[4]将重建的点（绿色和蓝色）与术前模型对齐，使得术前信息可以在增强现实中显示（右图中的蓝色覆盖层）。

VBSN首次在[1]中引入，它使用术中关节镜视频来跟踪牢固附着在目标解剖结构上的视觉标记（此后称为解剖标记），以及数字化工具和其他器械。解剖标记和数字化工具用于重建3D点，然后这些点被输入到配准算法[4]中，将术前3D模型与解剖结构对齐。当前的VBSN系统[1]在前交叉韧带（ACL）重建方面展示了高配准精度。然而，它存在两个主要限制：(a) 需要将解剖标记螺钉固定在骨头上以计算关节镜相机姿态，这必须始终可见才能确定相机姿态并完成导航；(b) 需要通过用数字化工具接触关节表面来获取3D点，这是一个耗时的过程，在手术中需要技巧，并且在特定情况下可能会因接触软骨等脆弱解剖结构而引入医源性损伤的风险。本文的目标是解决这些限制(a)和(b)。这些限制的示意图见补充材料中的图1。

一种解决上述限制的吸引人策略是使用视觉同时定位与映射（vSLAM）[7]。在这种情况下，限制(i)（涉及估计关节镜相机姿态的问题）可以通过vSLAM的定位组件来克服，而限制(ii)（涉及获取3D点的问题）可以通过其映射组件来解决，其中重建的结构被输入到配准算法中。在本文中，我们全面评估了VBSN背景下最先进的单目vSLAM流程，评估它们的定位和映射精度是否满足手术要求，以及它们的运行时性能是否满足手术室中的实时指导需求（至少15 fps）。

总结
本文的主要贡献包括：
1. 引入了Arthro-vSLAM和Arthro-vSLAM+。前者是CudaSIFT-SLAM流程在关节镜场景中的专门化版本，已被证明在内窥镜应用中比ORB-SLAM更有效[8]；后者进一步利用解剖标记的存在来准确确定相机姿态，并在标记在视野（FOV）内时加速点匹配。
2. 在使用VBSN进行的7次离体ACL手术实验中，对Arthro-vSLAM进行了实验测试，这些实验获得了准确的相机姿态和结构基准数据。测试评估了相机运动恢复（定位）和结构估计（映射），而不依赖于解剖基准。尽管Arthro-vSLAM获得的结果令人鼓舞，明显优于文献中报道的其他适用于关节镜的vSLAM流程[9]，但显示其相机姿态估计的精度和鲁棒性不足以在手术中安全地指导动力工具。
3. 考虑到需要将基准标记固定在解剖结构上，证明了Arthro-vSLAM+仅使用视觉信息即可实现无接触的骨骼3D配准，其精度可与使用跟踪触针获取3D结构的传统VBSN相媲美。这种性能的实现得益于在标记不可见的情况下仍能完成相机姿态估计，最终能够重建更广泛的区域，对最终配准产生积极影响（参见补充材料中的图1和视频1）。

背景与相关工作
SLAM框架的文献非常丰富，提供了几种可能适用于此处描述应用的解决方案。一些工作是专门针对关节镜的[10, 11]，但它们通常依赖于关节镜相机之外的传感器，即外部相机和机械臂的里程计。另一类SLAM流程使用视频RGB-D作为输入[12,13,14]。由于我们打算依赖关节镜相机提供的现有视频，因此我们将重点关注视觉SLAM（vSLAM）。

文献中存在几种基于深度学习的vSLAM方法，它们在室内和室外场景中表现良好。然而，其中一些方法不适用于关节镜中的VBSN，因为它们无法实现近乎实时的操作[15,16,17,18]。在关节镜手术中，如ACL重建（膝关节）或FAI切除（髋关节），导航的目标是控制动力工具的位置以打开隧道并进行切除。这需要vSLAM具有(i) 合理的帧率（不低于15 fps），(ii) 对突然遮挡的抵抗力，以及(iii) 在每个帧时刻的高精度姿态估计，而不依赖于循环闭合时的回顾性优化。其他基于深度学习的vSLAM方法可以在近乎实时的情况下运行[19, 20]。这些方法的问题在于它们不提供相机姿态或重建的点云作为输出，需要进一步处理才能获得这些信息。

另一类SLAM方法包括经典方法。经典的SLAM流程通常包括四个主要阶段：点跟踪、定位、映射和循环闭合[21]。ORB-SLAM3[21]是最先进的经典vSLAM方法之一，在现实世界场景中表现出色。然而，当应用于不同的内窥镜领域（如结肠镜[8]和关节镜[9]）时，其性能会显著下降。CudaSIFT-SLAM[8]和OneSLAM[9]最近被提出以克服这一限制。CudaSIFT-SLAM通过(i)集成CudaSIFT实现[22]（SIFT的开源GPU实现）来加速关键点检测，以及(ii)使用GPU加速的暴力（BF）匹配进行重新定位和位置识别，这在纹理低或重复的具有挑战性的场景中具有优势，因为它支持超越局部纹理相似性的更全局推理。Elvira等人[8]证明，CudaSIFT-SLAM生成更可重复的特征，跟踪更多的关键点，并生成更大、更准确的地图。由于这一点，以及它完全是单目的同时提供相机姿态和场景的3D地图，这种经典方法成为在关节镜中进行VBSN的可行解决方案。OneSLAM[9]采用深度学习进行特征跟踪，在关节镜中表现出优于ORB-SLM的性能，将作为本工作的基准。

关节镜数据集创建
如引言部分简要提到的，VBSN系统使用带有视觉标记的解剖标记和数字化工具来实现外科导航。具有已知视觉模式的解剖标记是一个3毫米的金属立方体，带有一个螺纹轴，可以拧入骨头中。尽管其植入具有侵入性，但它被放置在骨头中而不是软骨或软组织中；因此，外科医生认为它不会造成永久性的解剖损伤，因为骨头具有自我再生的能力。植入过程通常持续不到30秒，不会干扰标准的临床工作流程。在导航过程中，这些校准的基准模式在关节镜图像中被检测和跟踪，并使用3D计算机视觉技术在每个帧时刻估计它们相对于相机的相对姿态[1]。同样，可以通过在每个帧中检测数字化工具的标记来计算其相对于相机的3D姿态（参见补充材料中的图1）。

在过去的几年中，我们的团队使用VBSN系统进行了多次生物技能实验，以获得术前模型和解剖标记之间的真实配准。该过程如下进行：在尸体实验中，进行多次配准尝试。在每次试验中，通过将数字化工具移动到解剖结构上，获取解剖表面的点云数据。然后使用[4]提供的配准算法计算出将术前模型与获取的点云对齐的刚性变换。每个得到的变换被称为术中配准解，代表了获取的术中3D点与术前模型之间的一种可能对齐方式。在收集了几组3D点数据并将其与术前模型配准后，会规划隧道的位置，并沿着规划好的轨迹钻入导丝。随后使用特殊仪器获取导丝相对于解剖标记的位置和方向，从而定义出捕获的隧道。术中阶段结束后，每个样本都会进行CT扫描。目标解剖结构和导丝会被手动分割，分割后的导丝定义了真实的隧道。导丝所定义的线与3D模型相交，得到两个极端点：位于髁间区域的入口点和出口点。通过配准术前和术后的3D模型，这些真实点被投影到术前模型上，由于它们有较大的重叠部分，这种几何对齐是直接的。

对于每个术中配准解，捕获的隧道都会被投影到术前模型上。捕获的隧道与真实隧道之间的误差，以入口点位移和隧道方向差异的形式，被用作评估配准精度的定量指标。在所有术中配准解中，最小化这两种误差的解被定义为真实的术中配准。这两个误差指标被用来评估第“Contactless registration using Arthro-vSLAM+”和“Contactless registration in VBSN”部分中基于vSLAM的配准性能。

**针对关节镜手术的vSLAM优化**

在CudaSIFT-SLAM框架的基础上（该框架在内窥镜应用中展示了有希望的结果[8]），我们开发了两种专门为关节镜手术场景定制的变体：Arthro-vSLAM和Arthro-vSLAM+，具体内容将在后续章节中描述。

**Arthro-vSLAM：针对关节镜手术场景优化CudaSIFT-SLAM**

Arthro-vSLAM通过结合基于深度学习的语义分割模型来扩展CudaSIFT-SLAM流程，以识别需要进行重建的目标解剖结构（骨骼和软骨），从而完成配准。尽管vSLAM可以从所有可见的关节内结构重建3D点，但用于导航的术前模型仅表示骨骼和软骨表面。正如[24]中所报告的，现有的配准算法无法处理在关节镜图像中重建的所有可见内容（例如韧带、脂肪组织和其他骨骼结构）所产生的过高比例的异常值。虽然可以通过极坐标几何验证来消除高度非刚性区域上的对应关系，但半刚性结构（如韧带）中的对应关系则不能轻易丢弃。语义分割模型通过排除不相关的结构来确保术中重建与术前模型之间的一致性；只有来自分割出的骨骼和软骨的3D点被用于配准。有关语义分割模型的详细信息，请参见补充材料中的“背景和相关工作”部分。Arthro-vSLAM使用整个关节镜图像进行相机姿态估计（定位），而分割掩模用于3D结构估计（映射）。除了引入语义过滤外，Arthro-vSLAM遵循原始的CudaSIFT-SLAM流程[8]，没有进一步修改。

**Arthro-vSLAM+：结合附着在解剖结构上的基准标记**

第“Can Arthro-vSLAM avoid the need of a fiducial marker attached to anatomy?”章节中的实验表明，Arthro-vSLAM在定位相机和在关节内映射结构时仍然难以达到足够的准确性和鲁棒性，无法安全地引导整个手术过程的导航，特别是在需要精确控制动力工具时。这促使了Arthro-vSLAM+的开发，它要求将标记牢固地附着在解剖结构上，就像在标准的VBSN系统中一样，以准确确定相机的相对姿态，同时保持Arthro-vSLAM的无接触3D重建能力。当解剖标记在相机的视野（FOV）内时，Arthro-vSLAM+接收基于标记的相机姿态作为输入并重建3D地图。当标记不可见时，无论是因为它离开了FOV还是被遮挡，都会激活Arthro-vSLAM模块，允许连续进行场景的3D映射。地图初始化遵循与CudaSIFT-SLAM[8]相同的策略，需要两帧具有足够视觉内容和视差的照片。只有当解剖标记可见时才会初始化地图，并且当姿态由解剖标记跟踪器提供时，才会禁用相机姿态优化。这种混合方法使得原本因解剖标记必须始终可见而无法重建的解剖区域得以重建，从而可能扩大了可重建的区域。通过提供更大的重建区域，Arthro-vSLAM+为需要同时使用触探针接触目标解剖结构并且保持解剖标记始终在视野内的FAI手术和其他程序打开了可能性。

Arthro-vSLAM+还提供了两个额外的优势。首先，与无法依赖回顾性优化的动力工具控制不同，对于解剖标记视线之外的区域的重建可以从回顾性束调整中受益，以提高整体精度。其次，通过利用提供高精度相机姿态估计的解剖标记，Arthro-vSLAM+中的特征匹配是以引导的方式进行的。具体来说，它不是使用BF匹配将第一幅图像中的每个描述符与第二幅图像中的所有描述符进行比较，而是将匹配过程限制在距离相应极坐标线固定距离（10像素）内的特征上。当解剖标记不可见且相机姿态由SLAM估计时，则使用标准的BF匹配（详见补充材料中的“Specializing vSLAM for arthroscopy”部分）。

**实验**

本节描述了数据集，并将Arthro-vSLAM与最先进的技术进行了比较，随后使用从7个膝关节获取的关节镜视频片段评估了Arthro-vSLAM和Arthro-vSLAM+在相机姿态估计和3D重建方面的性能。相机姿态估计是通过将估计的姿态与通过跟踪解剖标记获得的姿态进行比较来评估的，而3D重建的质量则是通过分析配准性能来评估的。表1列出了内部关节镜序列的描述。

**使用所提出的SLAM方法进行相机姿态估计**。使用了表1中的序列A1–A4，因为它们为大多数帧提供了真实姿态（GT）。为了说明姿态误差的潜在临床影响，考虑了2.5毫米的平移偏差或10度的旋转偏差。右侧图像显示了假设相机姿态存在这些误差时（红线）将获得的股骨ACL隧道位置，与通过亚毫米级精度跟踪解剖标记获得的真实隧道（绿线）进行比较。

**数据集**

实验使用了从尸体ACL重建程序中获得的7个内部关节镜序列。在所有序列中，股骨作为配准的目标解剖结构。每个序列的记录分辨率为1080×1920像素，大约15帧每秒。真实相机姿态是通过跟踪解剖标记获得的。表1总结了实验中使用的所有关节镜序列。对于每个序列，它指出了通过跟踪解剖标记获得的具有真实相机姿态的帧的百分比。序列Ai（i = 1...4）被用来评估Arthro-vSLAM恢复相机姿态的能力（参见“Arthro-vSLAM与最先进技术的比较”和“Can Arthro-vSLAM avoid the need of a fiducial marker attached to anatomy?”部分）。序列A4偶尔会有手术工具遮挡解剖结构和标记（见图2最右侧的图像）。序列Bi（i = 1...6）包括解剖标记不可见的片段。这些序列在“Contactless registration using Arthro-vSLAM+”部分中用于评估Arthro-vSLAM+在扩展重建区域超出解剖标记视野范围方面的有效性。

**表2**列出了两种方法获得的绝对轨迹误差（ATE）、相对姿态误差（RPE）和恢复相机百分比（覆盖率）的均方根。

**将Arthro-vSLAM与最先进技术进行比较**

本节介绍了所提出的Arthro-vSLAM框架与最先进的技术OneSLAM[9]在相机姿态估计方面的比较评估。OneSLAM的作者在具有真实相机姿态的膝关节关节镜序列上将他们的算法与ORB-SLAM3[21]进行了比较，报告了更优的性能。为了确保公平比较，我们使用了他们研究中使用的相同三个序列，并报告了Arthro-vSLAM和OneSLAM的平均性能。此外，我们还在内部关节镜膝关节序列（表1中的序列A1至A4）中比较了Arthro-vSLAM和OneSLAM，这些序列包含通过跟踪解剖标记获得的相机姿态的真实值。在这些序列中，解剖标记被遮挡以避免获得在真实关节镜环境中不存在的非常明显的特征。表2报告了使用Arthro-vSLAM和OneSLAM获得的相机姿态估计误差。在[9]中使用的序列中，OneSLAM实现了100%的覆盖率，因为它为所有帧输出了相机姿态，无论它们的跟踪质量如何。相比之下，Arthro-vSLAM的覆盖率较低（66%），因为它会丢弃不可靠的姿态。对于我们的内部序列（表1中的序列A1至A4），OneSLAM参数被微调以拒绝跟踪质量差的帧。Arthro-vSLAM保持了更高的准确性和更稳定的覆盖率，因为其基于ORB-SLAM的设计本质上过滤掉了低置信度的姿态，确保只有可靠的相机估计被用于重建。总体而言，实验表明Arthro-vSLAM是表现最好的方法。

**Can Arthro-vSLAM avoid the need of a fiducial marker attached to anatomy?**

这个实验使用了表1中的序列A1至A4，所有帧中的解剖标记都被遮挡。在手术导航过程中，准确的逐帧相机姿态估计是必不可少的，并且估计必须能够抵抗手术器械的存在。基于广泛的尸体实验和与医生的讨论，我们认为相机姿态误差超过2.5毫米和10度相对于解剖结构的阈值是合理的，因为实验观察到超过这些值会导致导航中的显著误差（见图2最右侧的图像），影响手术结果[25]。

**后优化**

在实时导航过程中不能应用后优化，例如循环闭合，因为当前帧的姿态必须立即可用以引导手术工具。这些优化步骤通常在处理未来帧后细化过去和当前的姿态，这与术中导航的严格实时要求不兼容。因此，图2展示了未进行这些优化的相机姿态估计。序列A1和A2通常实现了适合手术场景的准确度水平，而序列A3和A4经常超出定义的误差阈值。序列A4中包含手术工具，显示出特别高的误差，反映了无标记SLAM因手术器械的存在和移动而带来的挑战。这些发现在补充材料的“实验”部分中有详细说明，但它们不代表这里考虑的实际术中条件。

**使用Arthro-vSLAM+进行无接触配准**

在之前的实验基础上，本节评估了当序列的一部分时间内解剖标记可见时，vSLAM是否对VBSN有益，以及这如何影响配准精度。Arthro-vSLAM+在六个序列（表1中的序列B1–B6）上进行了测试。对于每个序列，Arthro-vSLAM+运行了10次，每次运行重建一个表面点云并产生一个配准解。因此，每次运行对应一个术中配准解，每个序列共有10个配准解。配准是使用[4]提出的配准方法进行的。

图3展示了两种模式下获得的ACL隧道放置质量的配准结果：（i）仅使用成功跟踪到解剖标记的帧（MT）；（ii）使用所有帧，当标记可用时使用标记跟踪，否则应用基于SLAM的姿态估计（PP）。结果表明，尽管在MT模式下配准是可行的，但PP模式平均减少了1.3度的隧道方向误差。这种改进是预期之中的，因为PP模式提供了更密集且空间分布更均匀的重建结果（见图3的右侧），从而有助于更准确的配准，尤其是在旋转对齐方面。图3的替代文本可能是使用AI生成的。全尺寸图像。

配准结果是根据ACL隧道放置的质量来评估的，如[24]和“关节镜数据集创建”章节中所述。误差是通过对Arthro-vSLAM+进行10次运行计算得出的中位数。MT模式会丢弃那些无法追踪到解剖标记的帧。当标记不可见时，PP模式会估计相机的姿态。图的右侧显示PP模式提供了更均匀的空间覆盖范围，包括解剖结构（绿色点）。

在VBSN中进行了Arthro-vSLAM+的实时测试，首次在尸体膝关节上实现了非接触式配准。使用Arthro-vSLAM+对股骨和胫骨进行了三次术中配准，每次都基于1.5分钟的视频序列。作为对比，还使用标准的VBSN程序和数字化工具进行了三次额外的配准。由[4]提出的配准方法在单独的线程中运行，并在术中重建图更新时触发。补充材料中的视频2展示了使用Arthro-vSLAM+的非接触式配准过程。

根据[1, 26]中描述的评估协议，在股骨上使用了四个控制点（CPs），在胫骨上使用了五个控制点来评估配准精度（见图4）。这些控制点首先在相应的术前3D模型上定义，然后使用每种方法获得的三种配准结果将其转换到解剖标记参考框架中。因此，每种方法都将每个控制点以三种不同的方式进行了映射。对于每种方法，映射后计算了每个控制点的质心，并计算了每个映射控制点与其质心之间的RMS距离，较小的值表示更高的精度。表3报告了股骨和胫骨实验的配准误差。在股骨实验中，所有误差均低于2毫米，数字化探针的误差略低于Arthro-vSLAM+。表3中的“一致性”列报告了每个控制点和每个解剖结构的所有六个映射位置（三个来自数字化工具，三个来自Arthro-vSLAM+）到从这些位置计算出的质心的RMS距离。这个指标量化了两种方法之间的一致性。股骨的“一致性”列中的RMS值较低，表明Arthro-vSLAM+提供的配准结果与数字化探针相当，CP B和D处的偏差保持在2.5毫米以下。在胫骨实验中，Arthro-vSLAM+在CP A、D和E处的精度高于数字化探针，而在CP B和C处与探针的结果非常接近。“一致性”指标中的RMS距离在CP E处达到了4毫米，表明两种配准方法之间的差异最大。总体而言，这些结果表明Arthro-vSLAM+的配准精度与数字化探针相当。

图4的替代文本可能是使用AI生成的。全尺寸图像。

股骨（左）和胫骨（右）上的控制点（CPs）。

表3 显示了图4中控制点的体外实验配准误差（毫米）。探针表示使用标准VBSN和数字化探针获得的配准结果，而Arthro-vSLAM+显示了所提出的SLAM方法的结果。“一致性”列报告了探针和Arthro-vSLAM+之间的RMS距离，提供了两种方法之间一致性的度量。

表4 使用标准探针和Arthro-vSLAM+重建的股骨和胫骨表面质量。

配准质量还根据ACL隧道放置进行了进一步评估，如“关节镜数据集创建”章节和“使用Arthro-vSLAM+进行非接触式配准”章节中所述。对于股骨，使用数字化工具的标准VBSN的平均误差为（3.6 ± 0.7）毫米和（2.4 ± 1.1）度，而Arthro-vSLAM+的误差分别为（3.4 ± 1.1）毫米和（1.7 ± 1.3）度。对于胫骨，标准VBSN的误差为（3.6 ± 0.1）毫米和（4.3 ± 1.0）度，而Arthro-vSLAM+的误差分别为（2.2 ± 0.8）毫米和（5.4 ± 1.4）度。这些结果表明Arthro-vSLAM+提供的隧道放置精度与标准方法相当。

此外，还使用了两个指标来评估表面重建的质量：（i）重建点与术前模型之间的表面RMSE；（ii）重建点在感兴趣区域（ROI）内的表面覆盖率。使用每种解剖结构和每种方法的三种配准结果，所有重建点都与相应的术前模型对齐，并计算了每个重建点与注册模型之间的RMSE。表面覆盖率量化了以足够精度重建的解剖表面ROI的比例。具体来说，覆盖率定义为位于重建点1毫米半径内的ROI模型点数与ROI中模型点总数之比。结果见表4。对于胫骨，两种方法的RMSE和表面覆盖率相当。这与隧道放置精度结果一致，两种方法的性能相似。对于股骨，使用数字化探针的标准VBSN程序的RMSE明显低于Arthro-vSLAM+。然而，Arthro-vSLAM+提供了更大的表面覆盖率，意味着重建了更广泛的感兴趣区域。这种增加的空间覆盖率似乎有助于在股骨上观察到略优于标准探针的隧道放置精度。

这些结果表明，Arthro-vSLAM+实现了与使用数字化工具的标准VBSN相当的配准精度，同时消除了直接仪器接触的需要。这是一个显著的优势，因为手动数字化可能耗时较长，技术上具有挑战性，而且由于探针的活动范围有限，还存在对软骨等精细解剖结构造成医源性损伤的风险。此外，Arthro-vSLAM+可以以大约20帧每秒的速度实时运行（见补充材料中的“专门用于关节镜的vSLAM”章节）。

结论

本文首次证明了在VBSN框架内使用基于SLAM的方法进行实时非接触式配准的可行性。所提出的Arthro-vSLAM+可以在跟踪到解剖标记或标记不可见时使用基于SLAM的定位来操作相机姿态，从而能够在临时遮挡的情况下实现解剖区域的3D重建。此外，这项工作首次成功地在胫骨关节镜检查中应用了非接触式配准，突显了基于SLAM的方法在难以用数字化探针到达的区域中的更广泛适用性和潜力。