面向光学相干断层扫描（OCT）的解剖感知无监督性视网膜异常检测与定位
计算机视觉与模式识别
2026-04-27 v1 机器学习
摘要
可靠的光学相干断层扫描（OCT）图像自动分析对于诊断视网膜疾病至关重要，但面临一个关键障碍：需要昂贵且耗时的专家标注。受限标注异常 vocabulary的监督式深度学习模型难以在多样化的病灶、成像设备和患者人群中泛化。我们提出了一个无监督异常检测框架，该框架在无病灶标注的情况下学习健康视网膜解剖的正态分布，直接应对临床部署中的标注效率挑战。我们的方案利用在正常B扫描上训练的离散潜在模型来捕获OCT特有的结构模式。为提高临床鲁棒性，我们采用视网膜层感知的监督信息和结构化三元组学习，以分离健康与病理表征，提高模型在各种成像条件下的可靠性。在推断阶段，利用重建差异进行异常检测与定位，实现图像和像素级识别，而无需疾病特定标签。在Kermany数据集上（AUROC: 0.799），本方法在VAE、VQVAE、VQGAN和f-AnoGAN等基线方法上显著优于。更重要的是，在Srinivasan数据集上进行跨数据集评估，实现AUROC 0.884，优异的域适应性表明模型具有良好的泛化能力。在外部RETOUCH基准上，无监督异常分割实现了竞争的Dice (0.200)和mIoU (0.117)分数，验证了跨机构的可重复性。
引用
@article{arxiv.2604.22139,
title = {Anatomy-Aware Unsupervised Detection and Localization of Retinal Abnormalities in Optical Coherence Tomography},
author = {Tania Haghighi and Sina Gholami and Hamed Tabkhi and Minhaj Nur Alam},
journal= {arXiv preprint arXiv:2604.22139},
year = {2026}
}
备注
11 pages, 3 figures, accepted in CVPR-CV4Clinical