基于条件扩散模型的无监督对比分析用于脑部MRI异常检测

对比分析通过对比目标组（例如，不健康受试者）与背景组（例如，健康受试者）中特有的模式来检测异常。在脑部MRI的背景下，现有的对比分析方法依赖于使用健康和异常数据的监督对比学习或变分自编码器，但这种对目标样本的依赖在临床环境中具有挑战性。无监督异常检测提供了一种替代方案，通过无需目标样本即可学习健康解剖结构的参考表示。偏离此参考分布可指示潜在的异常。在此背景下，扩散模型因其在图像生成方面优于变分自编码器的性能而在无监督异常检测中得到越来越多的应用。然而，精确重建大脑解剖结构仍然是一个挑战。在这项工作中，我们提出了一个无监督框架，通过在健康图像上训练自监督对比编码器来提取有意义的解剖特征，从而提高重建质量。这些特征用于条件化扩散模型，以重建给定图像的健康外观，从而通过逐像素比较实现可解释的异常定位。我们通过在人脸图像数据集上的概念验证来验证我们的方法，并进一步在四个脑部MRI数据集上展示了其有效性，在NOVA基准测试中达到了最先进的异常定位性能。