基于正常和异常病理知识增强的视觉语言模型用于病理图像异常检测
计算机视觉与模式识别
2025-10-29 v2
摘要
计算病理学中的异常检测旨在识别稀有且数据有限或缺失的异常。现有的异常检测方法主要为工业领域设计，面临计算约束、组织结构多样性和可解释性不足的限制。为此，我们提出Ano-NAViLa，一种正常和异常病理知识增强的视觉语言模型用于病理图像异常检测。Ano-NAViLa 基于预训练的视觉语言模型构建，采用轻量可训练 MLP。通过整合正常和异常病理知识，Ano-NAViLa 提高了准确率和对病理图像变异性的鲁棒性，并通过图像-文本关联提供可解释性。在来自不同器官的两个淋巴结数据集上评估，Ano-NAViLa 在异常检测和定位方面实现了最新进展的性能，优于竞争模型。
引用
@article{arxiv.2508.15256,
title = {Normal and Abnormal Pathology Knowledge-Augmented Vision-Language Model for Anomaly Detection in Pathology Images},
author = {Jinsol Song and Jiamu Wang and Anh Tien Nguyen and Keunho Byeon and Sangjeong Ahn and Sung Hak Lee and Jin Tae Kwak},
journal= {arXiv preprint arXiv:2508.15256},
year = {2025}
}
备注
Accepted to ICCV 2025. Code is available at: https://github.com/QuIIL/ICCV2025_Ano-NAViLa