面向脑 MRI 无监督异常检测的频率分解预处理管线
计算机视觉与模式识别
2026-01-01 v2
摘要
由于脑解剖的多样性以及标注数据稀缺，监督式脑 MRI 异常检测仍具有挑战性，这推动了无监督异常检测（UAD）方法的发展。当前的 UAD 方法通常利用人工生成的噪声扰动对健康 MR 图像进行训练，以训练生成模型进行正常解剖的重建，从而通过残差图实现异常检测。然而，这些模拟异常缺乏真实临床病灶特有的生物物理保真度和形态复杂性。为推进脑 MRI 的 UAD，我们首次系统性地对病理特征进行频域分析，揭示了两个关键属性：(1) 异常现象在频率模式上与正常解剖具有鲜明区别；(2) 低频信号在健康扫描中保持一致的表征。这些发现启发我们提出频率分解预处理（FDP）框架——首个利用频域重建实现病理抑制和解剖保持的 UAD 方法。FDP 可无缝集成现有的异常模拟技术，始终提升跨多样架构的检测性能，同时保持诊断保真度。实验结果表明，FDP 在集成现有方法后始终显著提升异常检测性能。值得注意的是，FDP 与 LDM 集成后 Dice 评分提升 17.63%，在多个基线方法上均保持稳健的改进。代码已公开于 https://github.com/ls1rius/MRI_FDP。
引用
@article{arxiv.2511.12899,
title = {FDP: A Frequency-Decomposition Preprocessing Pipeline for Unsupervised Anomaly Detection in Brain MRI},
author = {Hao Li and Zhenfeng Zhuang and Jingyu Lin and Yu Liu and Yifei Chen and Qiong Peng and Lequan Yu and Liansheng Wang},
journal= {arXiv preprint arXiv:2511.12899},
year = {2026}
}
备注
Accepted by AAAI 2026