微创手术工具的实时跟踪算法是计算机辅助的微创手术系统的重要组成部分,是整个系统的“眼睛”,对整个系统的运行性能的影响不容忽视。在计算机辅助的微创手术系统中,手术工具跟踪算法可以为外科医生或者手术机器人的提供实时的、准确的信息,例如姿态信息、位置信息等等,然后他们根据这些信息再进行下一步的决策。另外,对施术者在整个手术过程中的表现作以评价,不仅可以反馈给施术者并且提高他的手术技巧,还可以用来更好地训练新手外科医生或者手术机器人,从而在根本上降低手术带来的不必要的风险。而传统的手术评价方式比较费时,为了以后简单易行的评价方法研究,本文提出一种基于深度学习的评价方法。因此,本文主要围绕微创手术工具跟踪算法和手术质量评价方法进行研究。由于计算机技术的飞速发展,深度学习技术在目标检测、图像分类、视频理解等领域越发表现出优越性,特别是卷积神经网络模型,本文提出了一种基于深度学习的实时多工具的微创手术工具跟踪算法,并研究手术质量评价方法。主要的研究内容如下:首先,介绍了前人所提出来的跟踪算法,并分析其优缺点。在此基础上,我们提出了三种微创手术工具检测算法,构建了相应的卷积神经模型。分别为基于卷积神经网络与霍夫变换的单个手术工具的尖端定位、基于热力图回归网络与包围盒回归网络的实时多工具跟踪算法和基于RSSD与CONV-RNN的实时多工具跟踪算法。其中第一种算法利用卷积神经网络与霍夫变换完成手术工具边缘检测然后定位尖端位置;第二种算法利用两种网络级联的形式实时跟踪;第三种算法结合了当下主流的目标检测SSD算法网络与卷积化的循环神经网络的特点,解决了之前的跟踪方法没有利用到视频帧与帧之间的时空上下文信息的问题,有效地提高了算法的跟踪准确率;同时由于我们在保证准确率不会下降很多的前提下,不断地优化、轻量化主体网络结构,使得该网络模型的跟踪速度较其他方法快。其次,构建了数据集。训练自己的网络、训练对比方法所用到的网络模型采用的数据集是公开可用的标准数据集。其中第一种算法训练的数据集为单个工具的EndoVisSub数据集与标准数据集;训练后两种算法所用的是多个工具的ATLAS达芬奇模拟手术场景数据集、MICCAI比赛中的部分数据集,其中有些数据集的真实值的标定工作是有我们自己完成的。再次,与其他微创手术工具跟踪的算法进行对比实验。采用相同的训练集来训练各算法,然后通过相同的测试集来检验对比各算法跟踪手术工具的准确率(距离,IOU)、速度(FPS)、误差曲线图等等。对比实验表明我们提出来的第一种算法较其它两种单个工具的定位方法准确率高;第二种算法的准确率上是对比多工具跟踪方法中最高的,而第三种算法的速度是最快的。同时针对第三种算法我们还做了关于卷积化的循环神经网络的对比实验。最后,术后评价方法的研究。为此我们特地用到了微创手术工具跟踪网络模型的输出信息。通过分析与处理这些信息,得到微创手术工具的轨迹、动作时间线,经分析,这些信息与施术者的术中表现有一定的关系。我们提出用卷积神经网络实现术后的评价,网络的输入为轨迹图与动作时间线,但是由于缺少带有专家评分的数据集,提出的方法未能得到验证。模拟数据集上的初步实验表明我们的方法是可行的。