SD-MAD：医学图像中基于征象驱动的小样本多异常检测
计算机视觉与模式识别
2025-05-23 v1
摘要
医学异常检测（AD）对于早期临床干预至关重要，但由于隐私问题和数据孤岛导致高质量医学影像数据获取受限，该领域面临挑战。小样本学习通过利用嵌入在视觉-语言模型（VLM）中的大规模先验知识，已成为缓解这些限制的一种有前景的方法。近期小样本医学AD的进展将正常和异常病例视为一类分类问题，常常忽略了多个异常类别之间的区别。因此，在本文中，我们提出了一个针对需要识别多个异常类别场景下的小样本医学异常检测框架。为了捕捉医学异常类别的详细放射学征象，我们的框架在假设医学图像中的不同异常可能共享每个类别中的常见放射学征象的前提下，为每个类别整合了由大语言模型生成的多样化文本描述。具体来说，我们引入了SD-MAD，一个两阶段的基于征象驱动的小样本多异常检测框架：（i）通过放大异常间差异，将放射学征象与异常类别对齐；（ii）进一步选择对齐的征象，通过在推理时采用自动征象选择策略，来减轻由有限医学数据引起的欠拟合和不确定样本问题的影响。此外，我们提出了三种协议来全面量化多异常检测的性能。大量实验证明了我们方法的有效性。
引用
@article{arxiv.2505.16659,
title = {SD-MAD: Sign-Driven Few-shot Multi-Anomaly Detection in Medical Images},
author = {Kaiyu Guo and Tan Pan and Chen Jiang and Zijian Wang and Brian C. Lovell and Limei Han and Yuan Cheng and Mahsa Baktashmotlagh},
journal= {arXiv preprint arXiv:2505.16659},
year = {2025}
}