Die Gewinnung von Expertenlabels in der klinischen Bildgebung ist schwierig, da eine umfassende Annotation zeitaufwendig ist. Zudem sind nicht alle potenziell relevanten Marker a priori bekannt oder ausreichend gut beschrieben, um die Annotation zu leiten. Während überwachtes Lernen gute Ergebnisse liefert, wenn expertenbeschriftete Trainingsdaten zur Verfügung stehen, ist die visuelle Vielfalt – und damit das Vokabular an beobachtbaren Befunden – auf die annotierten Läsionen beschränkt. Hier präsentieren wir fast AnoGAN (f-AnoGAN), einen auf Generativen adversarialen Netzen (GANs) basierenden Ansatz des unüberwachten Lernens, der in der Lage ist, anormale Bilder und Bildsegmente zu identifizieren und somit als Kandidaten für bildgebende Biomarker dienen kann. Wir bauen ein generatives Modell für gesunde Trainingsdaten auf und schlagen eine schnelle Methode zur Abbildung neuer Daten in den latenzraum des GANs vor und evaluieren diese. Die Abbildung basiert auf einem vortrainierten Encoder, und Anomalien werden über einen kombinierten Anomalie-Score erkannt, der auf den Bausteinen des trainierten Modells beruht – bestehend aus einem Diskriminator-Fehler in den Merkmalen und einem Rekonstruktionsfehler des Bildes. In Experimenten an optischen Kohärenztomographie-Daten vergleichen wir den vorgeschlagenen Ansatz mit alternativen Methoden und liefern umfassende empirische Belege dafür, dass f-AnoGAN alternative Ansätze übertrifft und eine hohe Genauigkeit bei der Anomalieerkennung erzielt. Zudem zeigte ein visueller Turing-Test mit zwei Retina-Experten, dass die generierten Bilder von echten normalen retinalen OCT-Bildern nicht zu unterscheiden sind. Der f-AnoGAN-Code ist unter https://github.com/tSchlegl/f-AnoGAN verfügbar.