MAD-AD：用于无监督脑异常检测的掩码扩散
计算机视觉与模式识别
2025-07-25 v3 图像与视频处理
摘要
脑图像中的无监督异常检测对于在无法获取标签的情况下识别损伤和病理至关重要。然而，由于脑结构固有的复杂性和变异性，加上标注异常数据的稀缺性，医学图像中异常的准确定位仍然具有挑战性。为了应对这一挑战，我们提出了一种新方法，在扩散模型中引入掩码，利用其生成能力来学习正常脑解剖结构的稳健表征。在训练期间，我们的模型仅处理正常的脑MRI扫描，并在潜空间中执行前向扩散过程，向随机选择的图像块的特征添加噪声。遵循双重目标，模型学习识别哪些图像块带有噪声并恢复其原始特征。该策略确保模型捕获正常脑结构的复杂模式，同时将潜空间中的潜在异常隔离为噪声。在推理时，模型识别对应于异常的噪声图像块，并通过应用反向扩散过程为这些图像块生成正常的对应物。我们的方法超越了现有的无监督异常检测技术，在生成准确的正常对应物和定位异常方面展现出卓越的性能。代码可在 hhttps://github.com/farzad-bz/MAD-AD 获取。
引用
@article{arxiv.2502.16943,
title = {MAD-AD: Masked Diffusion for Unsupervised Brain Anomaly Detection},
author = {Farzad Beizaee and Gregory Lodygensky and Christian Desrosiers and Jose Dolz},
journal= {arXiv preprint arXiv:2502.16943},
year = {2025}
}