通过解耦解剖学习实现脑部 MRI 无监督异常检测

脑部 MRI 中各种病变的检测具有重要的临床意义，但由于病变的多样性和成像条件的可变性而极具挑战性。当前的无监督学习方法主要通过将正常样本学习到的异常图像重建为伪健康图像（PHI），然后分析图像之间的差异来检测异常。然而，这些无监督模型面临两个显著的局限性：由于依赖正常训练数据中的特定成像信息，对多模态和多中心 MRI 的泛化能力受限；以及由于从输入图像传播到重建 PHI 的异常残留物导致的性能受限。为了解决这些局限性，我们提出了两个新颖的模块，形成了一个新的 PHI 重建框架。首先，提出了解耦表示模块，通过将脑部 MRI 解耦为成像信息和本质的成像不变解剖图像来提高泛化能力，确保重建聚焦于解剖结构。具体而言，引入了脑部解剖先验和可微的独热编码算子来约束解耦结果并增强解耦稳定性。其次，设计了边缘到图像恢复模块，通过从解剖图像的高频边缘信息恢复解剖表示，然后重新耦合解耦的成像信息，来重建高质量的 PHI。该模块不仅通过仅边缘输入减少异常像素输入来抑制 PHI 中的异常残留物，还利用边缘中保留的结构细节有效重建正常区域。在九个公开数据集（来自多个中心的 4,443 名患者的 MRI）上进行评估，我们的方法优于 17 种 SOTA 方法，在 AP 上实现了 +18.32% 的绝对提升，在 DSC 上实现了 +13.64% 的绝对提升。