Brainomaly：利用未标注的T1加权脑部MRI图像实现无监督神经疾病检测

在医学影像领域，利用深度神经网络面临巨大挑战，主要源于大规模标注数据集的获取困难，尤其是在罕见疾病场景下，标注过程通常成本高昂、耗时且需要大量人力。无监督疾病检测方法（如异常检测）可在很大程度上减轻人工标注负担。尽管传统的异常检测方法通常仅基于健康受试者的图像进行学习，但在现实应用中，数据集往往包含未标注的混合样本，即健康与患病个体的图像混杂在一起。近期研究已表明，利用此类未标注的混合图像能够有效提升无监督疾病与异常检测的性能。然而，现有方法未能充分利用神经影像特有的先验知识，导致在神经系统疾病检测任务中表现欠佳。为解决这一局限性，本文提出Brainomaly——一种专为神经系统疾病检测设计的基于生成对抗网络（GAN）的图像到图像翻译方法。Brainomaly不仅能够实现针对神经影像特性的定制化图像翻译，还能有效利用未标注的混合图像，从而显著提升神经系统疾病检测的准确性。此外，针对推理阶段缺乏标注样本导致的模型选择难题，本文进一步提出一种伪AUC（pseudo-AUC）评估指标，以指导模型选择，进一步优化检测性能。大量实验与消融研究结果表明，Brainomaly在使用公开数据集进行阿尔茨海默病检测，以及在使用机构数据集进行头痛检测任务中，均显著优于现有的最先进无监督疾病与异常检测方法。相关代码已开源，可访问 https://github.com/mahfuzmohammad/Brainomaly 获取。