医学成像中的异常检测是一项具有挑战性的任务，可以通过无监督异常检测方法解决，该方法通过识别与正常基准模型不匹配的特征。该论文探讨了使用混合概率分布作为替代方法，以在准确性与计算需求之间取得最优化平衡，并且介绍了一个在线方法来解决大数据量下的内存使用问题，并以帕金森病患者脑部扫描的异常检测为例进行了验证。

Sep, 2023

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

我们介绍了一种名为 ANDi 的新型无监督异常检测（UAD）方法，通过聚合预测去噪步骤与基于金字塔高斯噪声训练的去噪扩散概率模型（DDPMs）中的真实反向过渡之间的差异，在多种类型的异常中展现了显著优越性。

Dec, 2023

本文介绍了利用结构相似性的感知损失函数，通过考虑图像之间的相互依赖关系，包括亮度，对比度和结构信息，而不是简单的单像素值对比，来实现对复杂真实数据集的未监督缺陷分割，通过对仿生材料和织物数据集的实际应用表明，该方法在性能上显著优于以像素为基础重建误差度量的非网络方法以及先前的优化卷积自动编码器。

Jul, 2018

本研究评估了数据集构成对多个保护变量上的无监督异常检测模型性能造成的影响，并引入了新的子组 - AUROC 度量方法，结果显示数据集构成对 UAD 模型的不公平性性能有显著影响。

Sep, 2023

通过使用 Diffusion-Inspired SYnthetic REstoration（DISYRE）方法，学习适用于无监督异常检测（UAD）的评分函数，该方法使用逐渐引入的合成异常损坏代替了高斯噪声来模拟医学自然发生的异常，实验证明 DISYRE 在三个常见脑部 MRI UAD 基准中在两个任务中显著优于其他方法。

Nov, 2023

提出基于 Patch 自编码器的无监督异常检测方法，在多模态神经影像任务中，将单类支持向量机应用于异常检测以检测病变，评估了该模型在公共数据集 White Matter Hyperintensities (WMH) Challenge 上的性能和表现与两种最优秀的现有技术相当。

Apr, 2023

提出了一种名为约束对比度分布学习（Constrained Contrastive Distribution learning）的自监督表征学习方法，用于无监督异常检测，它可以学习精细的特征表征，对于肠镜和底片筛查数据集的异常检测优于当前最先进的无监督异常检测方法。

Mar, 2021

本研究中，我们对自我集成方法进行了扩展，探讨了多个方面，证明自我集成即使在使用少量非标记数据时也能提高模型的泛化能力，从而在医学成像应用中解决了单一领域下模型泛化的问题。

Nov, 2018

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