提出了一种基于深度学习和变分自动编码器的医学图像寻找异常度量的解决方案，其中尤其强调了基于 Kullback-Leibler (KL) 分歧的异常定位算法，实验证明它具有比现有方法更好的性能。

Jul, 2019

本篇研究使用变分自动编码器（Variational AutoEncoder，VAE）结合半监督方法，基于磁共振图像（MRI）比较健康患者和非健康患者，有效地检测肿瘤等异常情况。通过在高分辨率图片上训练模型，提高重建质量和阈值，检测效果可与使用单独 VAE 训练的方法比肩。

Jul, 2020

本文提出了一种基于 Feature-Augmented VAE 的复杂异常模型的新 VAE 模型，该模型不仅在像素空间中重构输入图像，而且还在多个不同的特征空间中进行重构，通过对先前训练的卷积神经网络进行计算，对 MVTec 异常检测和定位数据集的表现明显优于现有最先进的方法。

Aug, 2020

本文提出一种新的自监督学习技术来解决医学影像数据标注不足、数据不平衡等问题，在临床脑 CT 扫描的实验中，该方法取得了很好的效果。

Nov, 2020

我们提出了一种基于去噪扩散内隐模型的弱监督异常检测方法，结合分类器指导进行病态和健康主体之间的图像翻译，生成非常详细的异常地图，无需复杂的训练过程。

Mar, 2022

本文将基于自动编码器的方法，采用无监督学习的方法，利用健康人的脑 MRI 数据集学习其数据分布，提出了一种简单而有效的约束，希望能够在潜在空间中将带有病灶的图像映射到其对应的健康图像上，该方法在 BRATS 挑战数据集的病灶检测中表现出更好的性能。

Jun, 2018

本文旨在建立无监督异常检测的可比较性，利用单一架构、单一分辨率和相同的数据集评估不同方法，并提出未来的研究方向和挑战。

Apr, 2020

本文探讨使用最新的基于自动编码器的深度生成模型，例如变分自动编码器和对抗性自动编码器，在医学成像中运用于异常检测一项任务。结果表明，深度生成模型在异常检测方面存在挑战，但可以提供给研究人员一个方便的医学成像数据集。

Jun, 2018

本篇研究论文提出利用深度空间自编码模型对 2D 脑磁共振成像进行正常解剖学变异的捕获，并将输入图像与完成的重构进行比较来检测和勾画异常，该方法在标准深度表征学习上施加的潜在空间和对抗性训练的限制，进一步提高了分割性能。

Apr, 2018

本论文提出了一种使用模板自编码器模型和伪异常模块来训练医学图像中的异常检测的方法，并成功在 BRATS2020 和 LUNA16 等数据集上进行实验。

Jul, 2023