AnyAD：用于不完整多序列 MRI 的统一任意模态异常检测
计算机视觉与模式识别
2025-12-25 v1
摘要
脑部 MRI 的可靠异常检测仍然具有挑战性，主要由于标注异常病例稀缺且临床工作流程中常常缺失关键成像模态。现有的单类或多类异常检测 (AD) 模型通常依赖固定的模态配置，需重复训练，或无法对未出现的模态组合进行泛化，从而限制了其临床可扩展性。本文提出了一种统一的任意模态 AD 框架，可在任意 MRI 模态可用性下进行稳健的异常检测与定位。该框架集成了双路径 DINOv2 编码器和特征分布对齐机制，通过统计上将不完整模态特征与完整模态表示对齐，实现即使在严重模态丢失情况下仍可进行稳定推断。为进一步增强语义一致性，我们引入了内在正常原型 (INP) 提取器和 INP 指导解码器，仅重建正常解剖模式，从而自然放大异常偏差。通过随机化模态遮蔽和间接特征完成训练，模型能够在无需重新训练的情况下适应所有模态配置。对 BraTS2018、MU-Glioma-Post 和 Pretreat-MetsToBrain-Masks 上的大量实验表明，我们的方法在 7 种模态组合上均显著优于最先进的工业和医学 AD 基准，实现了卓越的泛化。该研究建立了一种在真实世界不完美模态条件下的多模态医学 AD 可扩展范式。我们的源代码已公开于 https://github.com/wuchangw/AnyAD。
引用
@article{arxiv.2512.21264,
title = {AnyAD: Unified Any-Modality Anomaly Detection in Incomplete Multi-Sequence MRI},
author = {Changwei Wu and Yifei Chen and Yuxin Du and Mingxuan Liu and Jinying Zong and Beining Wu and Jie Dong and Feiwei Qin and Yunkang Cao and Qiyuan Tian},
journal= {arXiv preprint arXiv:2512.21264},
year = {2025}
}
备注
15 pages, 8 figures