Brainomaly：利用未标注T1加权脑部MR图像的无监督神经系统疾病检测

由于获取大型标注数据集存在困难，尤其是在涉及高成本、时间和标注精力的罕见病领域，在医学影像领域利用深度神经网络的能力颇具挑战性。无监督疾病检测方法，如异常检测，可以显著减少这些场景中的人力投入。虽然异常检测通常只专注于从健康受试者的图像中学习，但现实世界的情况常常呈现包含健康与患病受试者混合的未标注数据集。近期研究表明，利用此类未标注图像可以改进无监督疾病和异常检测。然而，这些方法没有利用特定于配准神经影像的知识，导致在神经系统疾病检测中性能欠佳。为解决这一局限性，我们提出了Brainomaly，这是一种基于GAN的图像到图像转换方法，专门为神经系统疾病检测而设计。Brainomaly不仅提供了适合神经影像的定制化图像到图像转换，还利用未标注的混合图像来实现优越的神经系统疾病检测。此外，我们通过提出一种伪AUC指标来解决无标注样本下推理模型选择的问题，进一步增强了Brainomaly的检测性能。广泛的实验和消融研究表明，在使用公开数据集进行阿尔茨海默病检测和使用机构数据集进行头痛检测的任务中，Brainomaly的性能显著优于现有的最先进的无监督疾病和异常检测方法。代码可从https://github.com/mahfuzmohammad/Brainomaly获取。