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

使用拉普拉斯金字塔对健康脑MRI的不同频带进行压缩和重建来提高重构保真度，实现对大、小脑病变的定位和聚合，并且表现出优异的异常分割效果。

Jun, 2020

通过将向量量化变分自编码器的潜在表示与自回归变换器集合相结合，我们在相对较小的数据范围内，以低计算成本实现了无监督的异常检测和分割，并在合成和真实病变实验中将其与现有方法进行了比较，证明了变换器在这一最具挑战性的成像任务中的潜力。

Feb, 2021

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

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

通过在扩散模型上引入条件机制，对无监督异常检测中的脑部MRI图像重构进行优化，以提高重构质量、域适应性特征和分割性能，并且可在不同MRI采集和模拟对比度之间进行领域适应，从而提高脑部MRI无监督异常检测的性能和泛化能力。

Dec, 2023

本研究探讨了结构相似度（SSIM）在大脑MRI异常检测方面的潜力，并展示了一种自适应集成策略，该策略能够增强深度学习模型的性能，并减少对不同病理图像的核大小的敏感性。

Mar, 2024

给定一篇研究论文，提取出五个关键词，准确代表其主要主题和研究领域。然后，用简化的中文单句来总结论文。

Jun, 2024

我们提出了一种新颖的方法，将生成模型和特征建模相结合，通过训练具有冷扩散管道的目标来将受到合成异常图像的恢复回到其正常的原始外观，该方法在三个不同的脑MRI数据集上超过了无监督异常检测的现有最先进方法。

Jul, 2024

本研究解决了脑MRI异常检测中图像质量评估不足的问题，提出了一种结合结构相似性指标损失和l1损失的融合质量损失函数，从而提升重建质量评估的全面性。此外，研究引入的预处理策略增强了正常与异常区域之间的平均强度比(AIR)，进一步提升了异常的区分度。实验结果显示，所提出的图像质量评估方法在BraTS21和MSULB数据集上，相较于当前最先进的方法，Dice系数和精确召回曲线下的面积都有显著提升，强调了图像质量评估在医学异常检测中的重要性，并为未来研究提供了新的视角。

Aug, 2024