通过均值漂移密度增强提升医学图像中的异常检测
计算机视觉与模式识别
2026-04-22 v1 人工智能
摘要
医学图像中的异常检测对于识别稀有病理条件尤为重要，尤其当标注的异常样本有限时。我们提出了一种混合异常检测框架，将自监督表征学习与基于流形的密度估计相结合，而这一组合在该领域仍属较少探索。首先，对医学图像使用预训练的、可能领域特定的背bone嵌入到潜在特征空间。随后通过均值漂移密度增强（MSDE）细化这些表征——这是一种迭代的流形漂移程序，将样本移动到更高概率的区域。随后在 PCA 降维后的潜在空间中使用高斯密度估计计算异常得分，其中马氏距离衡量与所学习的正常分布的偏离程度。该框架遵循一类学习范式，仅需正常样本进行训练。广泛的实验表明，所提方法在七个医学图像数据集上实现了最先进的性能。MSDE 在四个数据集上获得最高的 AUC，在五个数据集上获得最高的平均精确率，包括在脑肿瘤检测中实现接近完美的性能（0.981 的 AUC/AP）。这些结果凸显了该框架作为早期疾病检测、低标签设置下的筛查以及跨模态医学影像鲁棒部署的潜在价值。
引用
@article{arxiv.2604.19191,
title = {Improved Anomaly Detection in Medical Images via Mean Shift Density Enhancement},
author = {Pritam Kar and Gouri Lakshmi S and Saptarshi Bej},
journal= {arXiv preprint arXiv:2604.19191},
year = {2026}
}