使用贝叶斯流网络的无监督异常检测：在阿尔茨海默病脑FDG PET中的应用
计算机视觉与模式识别
2025-10-21 v1 人工智能
摘要
无监督异常检测在神经影像学中扮演着关键角色，用于识别与健康受试者数据的偏差，从而促进神经系统疾病的诊断。在这项工作中，我们聚焦于贝叶斯流网络，这是一类新颖的生成模型，此前尚未应用于医学影像或异常检测。贝叶斯流网络结合了扩散框架和贝叶斯推断的优势。我们提出了AnoBFN，它是贝叶斯流网络在无监督异常检测中的扩展，旨在：i) 在高水平空间相关噪声下执行条件图像生成，以及ii) 通过在生成过程中融入来自输入图像的递归反馈来保持受试者特异性。我们在FDG PET图像中与阿尔茨海默病相关的异常检测这一具有挑战性的任务上评估了AnoBFN。我们的方法优于其他基于VAE（beta-VAE）、GAN（f-AnoGAN）和扩散模型（AnoDDPM）的最新方法，证明了其在检测异常方面的有效性，同时降低了假阳性率。
引用
@article{arxiv.2507.17486,
title = {Unsupervised anomaly detection using Bayesian flow networks: application to brain FDG PET in the context of Alzheimer's disease},
author = {Hugues Roy and Reuben Dorent and Ninon Burgos},
journal= {arXiv preprint arXiv:2507.17486},
year = {2025}
}