利用电子健康记录构建基于扩散模型的胸部X光异常检测框架
计算机视觉与模式识别
2025-05-26 v1 机器学习
摘要
无监督医学影像异常检测对于在不依赖大量标注数据的情况下识别病理异常至关重要。然而，现有基于扩散的无监督异常检测模型仅依赖影像特征，限制了其区分正常解剖变异与病理异常的能力。为此，我们提出Diff3M，一个集成胸部X光和结构化电子健康记录（EHR）的多模态扩散框架，以提升异常检测性能。具体而言，我们引入新颖的图像-EHR跨注意力模块，将结构化临床背景信息融入图像生成过程中，增强模型区分正常与异常特征的能力。此外，我们开发了静态掩码策略以增强从异常中重建正常样本图像的能力。基于CheXpert和MIMIC-CXR/IV的广泛评估表明，Diff3M实现了医学影像中最先进的性能，超越了现有方法。我们的代码已公开于此 http URL https://github.com/nth221/Diff3M
关键词
引用
@article{arxiv.2505.17311,
title = {Harnessing EHRs for Diffusion-based Anomaly Detection on Chest X-rays},
author = {Harim Kim and Yuhan Wang and Minkyu Ahn and Heeyoul Choi and Yuyin Zhou and Charmgil Hong},
journal= {arXiv preprint arXiv:2505.17311},
year = {2025}
}
备注
MICCAI 2025 early accept