DeNVeR: Deformable Neural Vessel Representations for Unsupervised Video Vessel Segmentation

本文提出了Deformable Neural Vessel Representations（DeNVeR），一种无监督的血管分割方法，适用于没有标注地面真相的X射线视频。DeNVeR使用光流和层分离技术，通过测试时间训练来增强分割准确性和适应性。我们研究的一个关键组成部分是引入了XACV数据集，这是第一个具有高质量手动标注分割地面真相的X射线血管造影冠状视频数据集。我们的评估结果表明，DeNVeR在血管分割方面优于当前最先进的方法。本文标志着医学影像领域的进步，提供了一种强大的、数据高效的工具，可用于疾病诊断和治疗计划，并为未来视频血管分割研究设定了新的标准。请访问我们的项目页面https://kirito878.github.io/DeNVeR/以查看视频结果。

论文旨在提出一种无需标注的X射线血管视频血管分割方法，解决医学影像领域中数据稀缺和标注困难的问题。

文章提出了一种基于光流和层分离的Deformable Neural Vessel Representations（DeNVeR）方法，通过测试时训练来增强分割准确性和适应性。

该论文提出了一个高质量手动标注的X射线血管造影冠状动脉视频数据集（XACV），并使用该数据集评估了DeNVeR方法的性能。实验结果表明，DeNVeR在血管分割方面优于当前最先进的方法。该研究提供了一个强大的数据高效工具，可用于疾病诊断和治疗规划，并为未来的视频血管分割研究设定了新的标准。

最近的相关研究包括：1.基于深度学习的医学图像分割方法；2.使用光流的视频分割方法；3.使用卷积神经网络的血管分割方法。