Hepa-SEG

Hepa-SEG是一个高质量的逐帧标注的肝血管数据集，包含35个肝切除术视频和11442个高分辨率帧。数据集由香港科技大学（广州）和南方医科大学合作收集，旨在解决肝切除术手术视频中肝血管分割的问题。数据集包含两种血管类型：Glisson鞘和肝静脉。Hepa-SEG数据集为肝切除术手术场景下的高分辨率视频肝血管分割任务提供了一个基准数据集。

Hepa-SEG is a high-quality frame-wise annotated hepatic vascular dataset, containing 35 hepatectomy videos and 11442 high-resolution frames. Collected in collaboration between The Hong Kong University of Science and Technology (Guangzhou) and Southern Medical University, this dataset is developed to address the challenge of hepatic vascular segmentation in hepatectomy surgical videos. It covers two types of blood vessels: Glisson's sheath and hepatic veins. Hepa-SEG serves as a benchmark dataset for the high-resolution video-based hepatic vascular segmentation task in the context of hepatectomy surgery.

原始信息汇总

HRVVS数据集概述

数据集基本信息

• 名称: HRVVS (High-resolution Video Vasculature Segmentation Network)
• 应用领域: 肝脏手术视频中的血管分割
• 临床意义: 在肝切除手术中具有重要临床价值

数据集内容

• 数据规模:
  • 35个长肝切除手术视频
  • 11442帧高分辨率图像
• 标注方式: 逐帧标注
• 数据质量: 高质量标注

技术特点

• 创新方法:
  • 提出HRVVS网络
  • 采用预训练视觉自回归模型(VAR)作为先验信息
  • 设计动态记忆解码器
• 性能表现: 在手术视频数据集上显著优于现有最先进方法

相关资源

• 预训练模型:
  • VAR模型: https://huggingface.co/FoundationVision/var/resolve/main/var_d16.pth
  • VAE模型: https://huggingface.co/FoundationVision/var/resolve/main/vae_ch160v4096z32.pth
• 代码依赖: 提供完整的环境配置和训练/测试脚本

数据获取

• 当前状态: Hepa-SEG数据集正在医院进行资格审核

引用信息

bibtex @article{yao2025hrvvs, title={HRVVS: A High-resolution Video Vasculature Segmentation Network via Hierarchical Autoregressive Residual Priors}, author={Xincheng Yao and Yijun Yang and Kangwei Guo and Ruiqiang Xiao and Haipeng Zhou and Haisu Tao and Jian Yang and Lei Zhu}, journal={arXiv preprint arXiv:2507.22530}, year={2025} }

致谢

• 感谢VAR项目的工作: https://github.com/FoundationVision/VAR

搜集汇总

数据集介绍

构建方式

Hepa-SEG数据集的构建源于肝切除术中肝血管分割的临床需求，通过合作医院收集了35段高分辨率手术视频，共计11442帧，每帧均经过人工精细标注，涵盖Glisson鞘和肝静脉两种血管类型。数据按7:1:2的比例划分为训练集、验证集和测试集，确保了数据的多样性和代表性。

使用方法

研究团队提出HRVVS模型作为配套分析方法，采用双分支编码器（VAR先验分支与多视图分支）提取层级特征，并通过动态记忆解码器实现帧间信息优化。用户可通过滑动窗口采样处理连续帧，利用Adam优化器（初始学习率1e-5）进行模型训练，其多尺度交互模块（MSIM）与动态权重融合模块（DWFM）可有效解决血管分割中的边界模糊问题。

背景与挑战

背景概述

Hepa-SEG数据集由香港科技大学（广州）与南方医科大学的研究团队于2024年联合发布，是首个专注于肝切除术中肝血管分割的高分辨率手术视频数据集。该数据集包含35段肝切除手术视频及11442帧1080p分辨率的手动标注帧，针对Glisson鞘与肝静脉两类血管结构提供像素级标注。其核心研究目标在于解决术中实时血管定位的临床需求，通过计算机视觉技术辅助外科医生预防术中大出血，弥补了传统CT/MRA影像术前规划与术中实际解剖结构的应用鸿沟。该数据集的建立为计算机辅助手术系统开发提供了关键基准，推动了腹腔镜视频解析领域从静态图像向动态高分辨率分析的范式转变。

当前挑战

该数据集面临双重技术挑战：在领域问题层面，肝血管分割需克服手术场景中血管与周围脂肪/肌肉组织的高相似性（平均Dice系数仅0.57）、血管形态的上下文依赖性变异（如呼吸运动导致的形变达±15%）、以及视频帧间不连续性问题（相邻帧位移突变超过30像素占比12%）。在构建过程中，标注工作遭遇血管边界模糊（约7%帧存在标注歧义）、长视频时序一致性维护（单视频平均时长8分钟）以及高分辨率处理（1920×1080分辨率下GPU显存占用超24GB）等工程难题，需开发专用标注工具与分层采样策略予以解决。

常用场景

经典使用场景

Hepa-SEG数据集在肝脏手术视频的血管分割领域具有重要应用价值。该数据集通过提供高分辨率、逐帧标注的手术视频，为深度学习模型在复杂手术场景下的血管分割任务提供了关键支持。其经典使用场景包括肝脏切除术中的血管实时定位，帮助外科医生在手术过程中精确识别Glisson鞘和肝静脉，从而有效控制术中出血。

解决学术问题

该数据集解决了医学影像分析领域的关键挑战：高分辨率手术视频中的血管连续分割问题。通过提供大量标注数据，它克服了传统CT或MRA图像无法实时定位血管的局限性，并针对手术视频中血管与周围组织的相似性、帧间不连续性等难题提供了研究基础。其意义在于建立了首个肝脏手术场景下的血管分割基准，推动了计算机辅助手术系统的发展。

实际应用

在实际医疗场景中，Hepa-SEG数据集支撑的系统可集成到智能手术导航平台，为肝脏切除术提供实时血管分割结果。这种应用能显著降低手术风险，减少因血管误伤导致的出血并发症。同时，数据集还可用于培训外科手术机器人，提高其血管识别能力，最终提升手术精准度和患者安全性。

数据集最近研究

最新研究方向

近年来，Hepa-SEG数据集在肝脏手术视频血管分割领域引起了广泛关注。该数据集作为首个针对肝切除术场景的高分辨率血管分割标注数据集，为复杂手术环境下的实时血管定位提供了重要基准。前沿研究主要聚焦于结合视觉自回归建模（VAR）与动态记忆机制的多尺度特征融合方法，以解决手术视频中血管形态突变、组织遮挡及跨帧连续性保持等核心挑战。相关成果在MICCAI、CVPR等顶会上引发了对高分辨率医学视频分割架构设计的深入讨论，其技术路线已被拓展应用于内窥镜、超声等动态医学影像分析场景。该数据集的发布不仅填补了术中血管分割数据空白，更推动了手术导航系统从静态影像向实时视频分析的范式转变，对精准外科手术的发展具有重要临床意义。

相关研究论文

• HRVVS: A High-resolution Video Vasculature Segmentation Network via Hierarchical Autoregressive Residual Priors

  香港科技大学（广州）, 中国 · 2025年