左手CVPR，右手顶刊！医学图像异常检测“登峰造极”进行时，冲就对了！

分享一个持续活跃且具有重要临床价值的研究方向：医学图像异常检测。

当下医学影像数据激增，我们对AI辅助检测的需求更加迫切(意味着工业价值高)，再加上现在的技术仍然存在缺陷(意味着迭代空间大)：数据标注成本高、异构性大等。可见无论是在学术界还是工业界，医学图像异常检测都备受关注。

目前，这方向还是围绕小样本学习创新、多模态融合优化诊断、可解释性突破、探索新型架构提升效能等角度深入，另外还出现一些新兴的创新角度，比如4D时空建模、非监督域适应等，大家有兴趣可以研究研究。

值得一提的是，这方向比较注重"临床价值-技术创新-落地可行性"平衡，建议从具体临床场景切入。如果需要参考，可直接看我整理的12篇医学图像异常检测新论文，包括顶会顶刊，基本都有代码。

全部论文+开源代码需要的同学看文末

【CVPR】 Adapting visual-language models for generalizable anomaly detection in medical images

方法：论文提出了一种多级特征适应框架，将预训练的视觉-语言模型（如CLIP）应用于医学图像异常检测。通过在视觉编码器中加入适配器并优化特征对齐，模型能够适应医学图像的异常检测任务，显著提升了在零样本和少样本场景下的检测性能。

创新点：

• 提出多级特征适配框架，集成适配器增强视觉特征，适应医学图像异常检测。

• 引入多级像素级视觉-语言对齐损失，转移模型注意力至医学图像异常识别。

• 零样本和少样本学习下，该方法在多种医学图像基准测试中表现出色，优于现有方法。

BMAD: Benchmarks for Medical Anomaly Detection

方法：论文提出了BMAD基准测试框架，包含六个医学图像数据集（涵盖脑部MRI、肝脏CT、视网膜OCT等），用于评估医学图像异常检测算法。它集成了15种先进算法，支持样本级和像素级异常检测评估，助力医学图像异常检测方法的比较和发展。

创新点：

• 提出了BMAD基准测试框架，包含六个医学图像数据集，涵盖多种医学成像领域，为医学图像异常检测提供了标准化的评估平台。

• 集成了15种最先进的异常检测算法，支持样本级和像素级异常检测评估，方便研究人员进行方法比较。

• 提供了结构化的代码库和详细的实验结果分析，推动医学图像异常检测技术的发展和改进。

Rethinking autoencoders for medical anomaly detection from a theoretical perspective

方法：论文提出了一种优化自编码器（AE）的方法，用于医学图像异常检测。通过调整潜在维度和最小化潜在向量的信息熵，使模型专注于重建正常数据，从而有效检测异常。实验结果表明，这种方法在医学图像异常检测中表现良好。

创新点：

• 理论证明选择自编码器潜在维度可避免“相同捷径”问题，为医学图像异常检测提供依据。

• 提出最小化潜在空间信息熵优化自编码器，专注正常数据重建以提高异常检测准确性。

• 多个医学图像数据集实验验证理论有效，展现简单潜在维度调整的优越性能。

Evaluating normative representation learning in generative AI for robust anomaly detection in brain imaging

方法：论文提出了一种新的方法来评估生成式AI在医学图像异常检测中的表现，重点是衡量模型对正常解剖结构的学习能力。通过引入新的指标（如恢复质量指数RQI），研究发现擅长学习正常模式的模型在检测多种异常方面表现出色。

创新点：

• 提出RQI、AHI、CACI等新指标，全面评估生成式AI在医学图像异常检测中的性能，尤其是对正常解剖结构的学习能力。

• 多读者研究证实这些新指标与临床专家评估相符，显示其在医学图像分析中的有效性。

• 实验表明，擅长规范学习的模型能更有效地检测和纠正多种未见异常情况。

关注下方《学姐带你玩AI》🚀🚀🚀

回复“222”获取全部方案+开源代码

码字不易，欢迎大家点赞评论收藏