利用狄利克雷过程混合模型聚类DINO嵌入进行异常检测
计算机视觉与模式识别
2025-09-25 v1 机器学习
摘要
本工作利用基础模型中的信息性嵌入进行医学影像的无监督异常检测。对于小数据集，规范特征的记忆库可直接用于异常检测，这已被近期研究证明。然而，这对于大型医学数据集并不适用，因为计算负担大幅增加。因此，我们提出使用狄利克雷过程混合模型（Dirichlet Process Mixture Model, DPMM）来建模规范DINOv2嵌入的分布，这是一种非参数混合模型，可自动根据数据调整混合成分数量。与使用记忆库不同，我们利用成分中心与嵌入之间的相似度作为异常评分函数来创建粗粒度的异常分割掩码。我们的实验表明，通过DPMM的DINOv2嵌入，尽管是在自然图像上训练的，在医学影像基准测试上仍取得了极具竞争力的异常检测性能，并且可以在推理时将计算时间至少减半。我们的进一步分析表明，归一化的DINOv2嵌入通常比未归一化特征更与解剖结构对齐，即使在存在异常的情况下也是如此，使其成为异常检测的优秀表示。代码可在 https://github.com/NicoSchulthess/anomalydino-dpmm 获取。
引用
@article{arxiv.2509.19997,
title = {Anomaly Detection by Clustering DINO Embeddings using a Dirichlet Process Mixture},
author = {Nico Schulthess and Ender Konukoglu},
journal= {arXiv preprint arXiv:2509.19997},
year = {2025}
}
备注
Paper accepted at MICCAI 2025