论文速读DeNVeR可变形神经血管表示-X射线血管造影视频的无监督血管分割
（论文速读）DeNVeR（可变形神经血管表示）-X射线血管造影视频的无监督血管分割
论文题目：DeNVeR: Deformable Neural Vessel Representations for Unsupervised Video Vessel Segmentation（无监督视频血管分割的可变形神经血管表示）
会议：CVPR2025
摘要：本文提出了可变形神经血管表示(DeNVeR)，这是一种无监督的方法，用于x射线血管造影视频中的血管分割，没有注释的真实值。DeNVeR利用光流和层分离技术，通过测试时间训练提高分割精度和适应性。主要贡献包括一种新的层分离自举技术，一种平行的船舶运动损失，以及用于模拟复杂船舶动力学的傅里叶运动场的集成。本研究的一个重要组成部分是引入XACVdataset，这是第一个具有高质量，手动标记分割真实值的x射线冠状动脉造影视频数据集。对XACV和CADICA数据集的广泛评估表明，DeNVeR在保持时间一致性的同时，在船舶分割精度和泛化能力方面优于当前最先进的方法。
源码：kirito878.github.io/DeNVeR。
引言
医学影像中的血管分割一直是计算机视觉领域的重要挑战。近日，来自台湾阳明交通大学和台湾大学的研究团队在CVPR 2025上发表了一篇突破性论文，提出了DeNVeR（可变形神经血管表示）方法，为X射线血管造影视频的无监督血管分割开辟了新道路。
现有方法的困境
传统的血管分割方法面临着多重挑战：
标注困境：医学影像的标注需要专业放射科医生逐帧标记血管区域，这不仅耗时耗力，成本也极其高昂。一个包含数百帧的视频序列需要数小时的专业标注时间。
泛化问题：不同医院、不同设备采集的X射线影像在成像协议、对比度、噪声水平等方面存在显著差异，导致在一个数据集上训练的模型难以在其他数据集上取得理想效果。
时序不一致：现有的逐帧处理方法忽略了视频序列的时序信息，容易产生帧间闪烁和血管结构不连续的问题，这在心脏运动和血流动态复杂的冠状动脉造影中尤为突出。
DeNVeR：无监督分割的创新方案
核心设计理念
DeNVeR的核心思想是将X射线视频分解为前景血管层和背景心脏层，通过学习各自的运动模式来实现精确分割。这种设计巧妙地避开了对大量标注数据的依赖。
技术创新亮点
1. 层分离自举技术
DeNVeR首先使用多层感知器（MLP）学习场景的隐式神经表示，将复杂的心脏造影视频分解为：
- 静态的规范前景图像（血管结构）
- 静态的规范背景图像（心脏和肋骨）
- 动态的变换场（描述各层的运动）
2. 欧拉运动场建模
传统方法通常使用拉格朗日运动描述，而DeNVeR创新性地采用欧拉运动场来建模血流动态。这种方法更符合造影剂在血管中流动的物理特性，能够更好地捕捉血管内的复杂流动模式。
3. 平行血管运动损失
血流方向应该与血管走向平行，这是一个重要的生理约束。DeNVeR设计了专门的损失函数来确保预测的血流方向与血管方向保持一致，提高了分割的生理合理性。
4. 测试时训练策略
最具创新性的是，DeNVeR采用测试时训练策略，为每个输入视频定制化地优化模型参数。这种方法使模型能够适应不同的成像条件和患者特征，显著提升了泛化能力。
技术实现细节
三阶段处理流程
预处理阶段：使用Hessian滤波器生成初始血管掩码，为后续处理提供粗略的血管区域估计。
层分离阶段：通过MLP网络学习规范的前景和背景表示，使用自举损失函数优化分离效果。
血管分解阶段：结合光流估计和B样条运动建模，精细化血管分割结果，确保时序一致性。
损失函数设计
DeNVeR设计了多个专门的损失函数：
- 重建损失：确保分解结果能够重建原始输入
- Hessian先验损失：利用传统滤波器的先验知识
- 平行损失：约束血流与血管方向的一致性
- 流扭曲损失：保证运动场的时序连续性
- 掩码一致性损失：维持血管拓扑结构的稳定性
数据集贡献：XACV
除了方法创新，研究团队还贡献了XACV（X射线血管造影冠状动脉视频）数据集，这是首个包含高质量手动标注的冠状动脉视频数据集。
数据规模：111个完整的冠状动脉造影记录，来自59名患者 标注质量：由经验丰富的放射科医生使用标准化工具进行精确标注 应用价值：为血管分割研究提供了标准化的评估基准
实验验证与性能分析
定量评估结果
在XACV数据集上的实验结果令人印象深刻：
| 方法类别 | clDice | Jaccard | Dice | 准确率 |
|---|---|---|---|---|
| 传统方法(Hessian) | 0.577 | 0.415 | 0.584 | 0.929 |
| 自监督最佳(FreeCOS) | 0.639 | 0.506 | 0.660 | 0.941 |
| DeNVeR(无监督) | 0.704 | 0.584 | 0.733 | 0.947 |
DeNVeR在所有关键指标上都取得了最佳性能，证明了无监督方法的巨大潜力。
泛化能力验证
在CADICA数据集上的跨域测试显示，DeNVeR相比需要大量训练数据的监督方法展现出更强的泛化能力。这一特性对于临床应用具有重要意义，因为它意味着模型可以更容易地部署到不同的医疗机构和设备上。
计算效率分析
尽管DeNVeR需要测试时训练，但整个处理过程（包括模型训练和推理）在单个NVIDIA RTX 4090 GPU上处理80帧视频只需约20分钟，这在临床应用中是可以接受的。
技术局限性与未来方向
当前局限
预处理依赖：方法仍然依赖Hessian滤波器进行初始化，可能会误识别非血管结构 计算开销：测试时训练增加了计算成本 适用范围：主要适用于造影增强的血管视频，对静态血管图像（如视网膜图像）效果有限
未来展望
这项工作为医学影像分析开辟了新的研究方向：
- 更广泛的应用：扩展到其他类型的医学视频分析
- 效率优化：探索更高效的测试时训练策略
- 多模态融合：结合其他成像模态提升分割精度
- 临床集成：开发适用于临床工作流程的实用系统
意义与影响
DeNVeR的成功不仅仅是技术上的突破，更具有深远的临床和社会意义：
降低医疗成本：减少对专家标注的依赖，显著降低数据准备成本 提升诊断效率：自动化的血管分割可以帮助医生更快速地评估冠状动脉疾病 促进医疗公平：无监督方法的强泛化能力有助于在资源有限的医疗机构部署先进的影像分析技术 推动科研进展：为医学影像AI研究提供了新的技术路径和高质量数据集
结语
DeNVeR代表了医学影像分析领域的一个重要里程碑。通过巧妙的无监督学习设计，它不仅解决了血管分割中的关键技术挑战，更为整个医学AI领域提供了新的思路。随着技术的不断完善和临床验证的深入，我们有理由相信这类方法将在未来的精准医疗中发挥越来越重要的作用。
这项工作提醒我们，有时候最优雅的解决方案并不是增加更多的数据或更复杂的模型，而是重新思考问题的本质，找到更符合物理规律和生理特征的建模方式。DeNVeR正是这种深度思考的完美体现。