Unüberwachte Anomalieerkennung (UAD) lernt Ein-Klassen-Klassifikatoren ausschließlich anhand normaler (d. h. gesunder) Bilder, um jegliche abnormalen (d. h. kranke) Proben zu erkennen, die nicht den erwarteten normalen Mustern entsprechen. UAD weist zwei wesentliche Vorteile gegenüber ihrer vollständig überwachten Variante auf. Erstens kann sie direkt große Datensätze aus Gesundheitsvorsorgeprogrammen nutzen, die überwiegend normale Bildproben enthalten, wodurch die kostspielige manuelle Beschriftung abnormaler Proben sowie die damit verbundenen Probleme bei der Modelltrainierung mit stark unbalancierten Klassen vermieden werden. Zweitens können UAD-Ansätze potenziell jede Art von Läsionen erkennen und lokalisieren, die von den normalen Mustern abweichen. Eine wesentliche Herausforderung für UAD-Methoden besteht darin, effektive, niederdimensionale Bilddarstellungen zu lernen, um subtile Anomalien – im Allgemeinen kleine Läsionen – zu erkennen und zu lokalisieren. Um diese Herausforderung zu bewältigen, schlagen wir eine neuartige selbstüberwachte Darstellungslernmethode vor, genannt Constrained Contrastive Distribution Learning for Anomaly Detection (CCD), die feinkörnige Merkmalsdarstellungen durch gleichzeitiges Vorhersagen der Verteilung augmentierter Daten und von Bildkontexten mittels kontrastivem Lernen unter Vorgabekonstrainten erlernt. Die gewonnenen Darstellungen können genutzt werden, um anpassungsfähigere, an Anomalien empfindlichere Erkennungsmodelle zu trainieren. Ausführliche Experimente zeigen, dass unsere Methode gegenwärtige state-of-the-art-UAD-Ansätze auf drei unterschiedlichen Koloskopie- und Funduskontroll-Datensätzen übertrifft. Der Quellcode ist unter https://github.com/tianyu0207/CCD verfügbar.