合成异常噪声与多阶段扩散：医学图像无监督异常检测的新方法
图像与视频处理
2025-07-29 v2 计算机视觉与模式识别
摘要
医学成像中的异常检测在识别各种成像模态（如脑部MRI、肝脏CT和颈动脉超声（US））中的病理区域方面起着关键作用。然而，训练完全监督的分割模型常常受到专家标注稀缺和解剖结构多样性复杂性的阻碍。为解决这些问题，我们提出了一种基于扩散模型的无监督异常检测框架，该框架结合了合成异常（Synomaly）噪声函数和多阶段扩散过程。Synomaly噪声在训练期间将合成异常引入健康图像，使模型能够有效学习异常去除。多阶段扩散过程被引入以逐步去噪图像，在保留精细细节的同时提高无异常重建的质量。生成的高保真反事实健康图像可以进一步增强分割模型的可解释性，以及为评估异常程度和辅助临床决策提供可靠的基线。值得注意的是，无监督异常检测模型仅使用健康图像进行训练，无需异常训练样本和像素级标注。我们在脑部MRI、肝脏CT数据集和颈动脉US上验证了所提出的方法。实验结果表明，所提出的框架优于现有的最先进无监督异常检测方法，在US数据集上实现了与完全监督分割模型相当的性能。消融研究进一步突出了Synomaly噪声和多阶段扩散过程在改善异常分割中的贡献。这些发现强调了我们方法作为鲁棒且标注高效的无监督异常检测替代方案的潜力。
引用
@article{arxiv.2411.04004,
title = {Synomaly Noise and Multi-Stage Diffusion: A Novel Approach for Unsupervised Anomaly Detection in Medical Images},
author = {Yuan Bi and Lucie Huang and Ricarda Clarenbach and Reza Ghotbi and Angelos Karlas and Nassir Navab and Zhongliang Jiang},
journal= {arXiv preprint arXiv:2411.04004},
year = {2025}
}