PathoSCOPE：通过自监督对比学习与病理感知合成嵌入实现少样本病理检测
计算机视觉与模式识别
2025-05-26 v1
摘要
无监督病理检测利用非病理数据训练模型以标记偏差为病理，具有识别新疾病和避免昂贵标注的强大泛化能力。然而，构建可靠的正常模型需要大量健康数据，因为医院数据天然偏向有症状人群，而隐私法规阻碍了代表性健康队列的组建。为解决这一局限，我们提出PathoSCOPE，一个少样本无监督病理检测框架，仅需少量非病理样本（最少2样本），显著提升数据效率。我们引入全局-局部对比损失（GLCL），由用于降低非病理嵌入变异性的局部对比损失和用于增强病理区域判别力的全局对比损失组成。我们还提出病理感知嵌入生成（PiEG）模块，在全局损失引导下合成病理嵌入，更好地利用有限的非病理样本。在BraTS2020和ChestXray8数据集上的评估表明，PathoSCOPE在无监督方法中达到最先进性能，同时保持计算效率（2.48 GFLOPs, 166 FPS）。
引用
@article{arxiv.2505.17614,
title = {PathoSCOPE: Few-Shot Pathology Detection via Self-Supervised Contrastive Learning and Pathology-Informed Synthetic Embeddings},
author = {Sinchee Chin and Yinuo Ma and Xiaochen Yang and Jing-Hao Xue and Wenming Yang},
journal= {arXiv preprint arXiv:2505.17614},
year = {2025}
}