面向医学领域的持续视觉异常检测
计算机视觉与模式识别
2025-08-26 v1 人工智能
摘要
视觉异常检测 (VAD) 寻求识别异常图像并精确定位相应的异常区域，仅依赖于训练期间的正常数据。该方法在制造业和近期更广泛地应用于医疗领域，后者要求准确且可解释的检测。尽管如此重要，但关于输入数据随时间演变对模型性能影响的研究仍有限，尽管此类变化可显著降低模型性能。特别是鉴于医学成像数据的动态和不断演变的特性，持续学习 (CL) 提供了自然且有效的框架，以便在保持先前知识的同时逐步调整模型。本研究首次将 VAD 模型应用于医疗领域的 CL 场景。本文利用称为 PatchCoreCL 的 CL 版本著名的 PatchCore 模型，并使用 BMAD 数据集进行评估，该数据集包含图像级和像素级注释。我们的结果表明，PatchCoreCL 是一个有效解决方案，实现的性能与特定任务模型相当，遗忘值不到 1%，突显了 CL 在医学成像中自适应 VAD 的可行性和潜力。
引用
@article{arxiv.2508.18013,
title = {Towards Continual Visual Anomaly Detection in the Medical Domain},
author = {Manuel Barusco and Francesco Borsatti and Nicola Beda and Davide Dalle Pezze and Gian Antonio Susto},
journal= {arXiv preprint arXiv:2508.18013},
year = {2025}
}