La détection d’anomalies non supervisée (UAD) apprend des classifieurs à une seule classe exclusivement à partir d’images normales (c’est-à-dire saines) afin de détecter tout échantillon anormal (c’est-à-dire malade) qui s’écarte des schémas normaux attendus. L’UAD présente deux avantages majeurs par rapport à sa contrepartie entièrement supervisée. Premièrement, elle peut directement exploiter de grandes bases de données issues de programmes de dépistage médical, qui contiennent principalement des images normales, évitant ainsi le coût élevé de la labellisation manuelle des échantillons anormaux ainsi que les problèmes associés à l’entraînement sur des données fortement déséquilibrées en classes. De plus, les approches UAD peuvent potentiellement détecter et localiser tout type de lésions s’écartant des schémas normaux. Un défi majeur rencontré par les méthodes UAD réside dans la manière d’apprendre des représentations d’images à faible dimension efficaces pour détecter et localiser des anomalies subtiles, généralement constituées de petites lésions. Pour relever ce défi, nous proposons une nouvelle méthode d’apprentissage de représentations auto-supervisée, appelée Constrained Contrastive Distribution learning for anomaly detection (CCD), qui apprend des représentations de caractéristiques à fort grain en prédisant simultanément la distribution des données augmentées et le contexte des images, via un apprentissage contrastif sous contraintes prétextuelles. Les représentations apprises peuvent être utilisées pour entraîner des modèles de détection plus sensibles aux anomalies. Les résultats expérimentaux étendus montrent que notre méthode surpasse les approches UAD les plus avancées actuellement disponibles sur trois jeux de données différents de coloscopies et de dépistage rétinien. Notre code est disponible à l’adresse suivante : https://github.com/tianyu0207/CCD.