基于双分布差异与自监督精炼的医学图像异常检测

医学异常检测是一项关键且具有挑战性的任务，旨在识别异常图像以辅助诊断。由于异常图像标注成本高，大多数方法在训练时仅利用已知正常图像，并在测试阶段将偏离正常轮廓的样本识别为异常。许多现成且含异常的未标注图像因此在训练阶段被忽略，限制了性能。为解决该问题，我们引入一类半监督学习 (one-class semi-supervised learning, OC-SSL) 以利用已知正常与未标注图像进行训练，并基于此设定提出双分布差异异常检测 (Dual-distribution Discrepancy for Anomaly Detection, DDAD)。我们设计了重建网络集成来建模正常图像的分布以及正常与未标注图像的分布，得到规范分布模块 (NDM) 与未知分布模块 (UDM)。随后，将 NDM 的内部差异与两模块间的外部差异设计为异常分数。此外，我们提出了自监督学习的新视角，其旨在精炼异常分数而非直接检测异常。我们组织了包含胸部 X 光、脑部 MRI 和视网膜眼底图像的五个医学数据集作为评估基准。在这些基准上的实验全面比较了多种异常检测方法，并表明我们的方法取得显著增益且优于当前最优 (SOTA)。代码与整理的基准见于 https://github.com/caiyu6666/DDAD-ASR。