基于约束对比分布学习的医学图像无监督异常检测与定位

无监督异常检测（Unsupervised Anomaly Detection, UAD）通过仅使用正常（即健康）图像来学习一类分类器，从而识别不符合预期正常模式的异常（即非健康）样本。与完全监督的方法相比，UAD具有两大优势：首先，它能够直接利用来自健康筛查项目的大规模数据集，这些数据集主要包含正常图像样本，从而避免了对异常样本进行昂贵的人工标注，也规避了在极端类别不平衡数据上训练所引发的诸多问题；其次，UAD方法具备检测并定位各类偏离正常模式的病灶的潜力。然而，UAD方法面临的一个关键挑战是如何学习有效的低维图像表征，以实现对细微异常（通常表现为小病灶）的检测与定位。为应对这一挑战，本文提出一种新型自监督表征学习方法——用于异常检测的约束对比分布学习（Constrained Contrastive Distribution learning, CCD）。该方法通过引入预训练约束，结合对比学习，同时预测增强数据的分布与图像上下文信息，从而学习到细粒度的特征表示。这些学习到的表征可进一步用于训练对异常更为敏感的检测模型。大量实验结果表明，本文方法在三个不同的结肠镜检查与眼底筛查数据集上均显著优于当前最先进的无监督异常检测方法。相关代码已开源，地址为：https://github.com/tianyu0207/CCD。