AREPAS：基于重建的语义补丁评分用于细粒度解剖结构异常检测
计算机视觉与模式识别
2025-09-17 v1
摘要
新发疾病的早期检测、病变严重程度评估、医学状况鉴别和自动化筛查是异常检测和无监督分割在医学中广泛应用和重要性的例证。正常的细粒度组织变异性，如肺部解剖结构中存在的变异性，是现有生成式异常检测方法面临的一个主要挑战。在此，我们提出一种解决此问题的新型生成式异常检测方法。它包含一个用于无异常重建的图像到图像转换，以及随后的观察图像与生成图像对之间的补丁相似性评分，以实现精确的异常定位。我们在胸部计算机断层扫描上验证了该新方法，用于检测和分割感染性疾病病变。为评估泛化性，我们在T1加权脑部MRI的缺血性卒中病变分割任务上评估了该方法。结果表明，与其它最先进的基于重建的方法相比，该方法在胸部CT和脑部MRI中均实现了像素级异常分割的改进，相对DICE分数分别提高了+1.9%和+4.4%。
引用
@article{arxiv.2509.12905,
title = {AREPAS: Anomaly Detection in Fine-Grained Anatomy with Reconstruction-Based Semantic Patch-Scoring},
author = {Branko Mitic and Philipp Seeböck and Helmut Prosch and Georg Langs},
journal= {arXiv preprint arXiv:2509.12905},
year = {2025}
}