面向神经影像学的无监督深度生成模型异常检测：系统性范围综述
计算机视觉与模式识别
2026-03-10 v2
摘要
基于深度生成建模的无监督异常检测 (UAD) 正在越来越多地用于在不要求体素级注释的情况下识别病理脑异常。通过学习健康解剖的分布并生成类健康伪重建，这些方法旨在以病理中性方式定位偏差。尽管方法迅速发展——从自编码器和变分自编码器到生成对抗网络和扩散模型——但其在结构神经影像学中的应用缺乏系统性综合。我们进行了 PRISMA-ScR 指导的范围综述，筛选了 2018 年 1 月至 2025 年 12 月发布的应用于脑 MRI（以及较少数的 CT）异常检测的深度无监督生成模型研究。符合纳入标准的有 33 项研究。方法按建模架构类别归类，报告的性能在主要病理组之间综合，按评估水平（体素、切片、主题）对分割 (Dice) 和检测指标 (AUROC、AUPRC) 进行细分。为提高透明度，我们还总结了数据集特征、维度 (2D 与 3D) 以及阈值策略。总体而言，无监督生成方法在数据稀缺的情境下展示了潜力，用于病理中性异常定位。然而，方法论异质性、有限的外部验证以及对数据集特征的敏感性仍是重要挑战。新兴范式——包括解剖感知建模、基于扩散的框架以及替代规范评估指标——正在寻求解决这些局限性并提高鲁棒性和临床相关性。
引用
@article{arxiv.2510.14462,
title = {Unsupervised Deep Generative Models for Anomaly Detection in Neuroimaging: A Systematic Scoping Review},
author = {Youwan Mahé and Elise Bannier and Stéphanie Leplaideur and Elisa Fromont and Francesca Galassi},
journal= {arXiv preprint arXiv:2510.14462},
year = {2026}
}