医学图像异常检测迎来重大突破，作为人工智能在医疗领域的重要应用，最近热度持续飙升！北大团队提出的MedAnomalyNet模型，不仅检测精度远超当前最佳水平，推理速度更是提升了20倍！医学影像异常检测必然会是未来医疗AI的大趋势。

在CVPR 2025中，相关投稿量位居前列。其应用广泛，能与多种新技术结合，比如结合多模态医学图像、智能诊断、远程医疗等场景，与Transformer等结合，都是近来的新风向。

想发论文的伙伴，可以从这些方面入手，聚焦多模态影像融合、轻量化模型设计、以及针对特定疾病的定制化检测……为方便大家研究的进行，我特意整理了10篇医学图像异常检测的相关论文，都是顶会顶刊成果，部分论文附上了代码便于大家复现，全部论文PDF版+开源代码，工种号 沃的顶会 扫码回复 “医学检测” 领取

Unsupervised Patch-GAN with Targeted Patch Ranking for Fine-Grained Novelty Detection in Medical Imaging

文章解析

文章针对医学影像中异常检测面临的挑战，提出无监督Patch-GAN框架。该框架通过掩码图像重建学习正常特征，结合PatchGAN判别器和补丁排序机制检测异常。在两个数据集上的实验结果表明，该方法性能优于基线模型，能有效检测和定位细微异常。 

创新点

提出无监督Patch-GAN框架，通过掩码图像重建，从局部层面学习正常模式，提升对细微异常的检测能力。

设计基于补丁的检测方法，增强模型对小异常的敏感性，同时维持图像局部与全局的关系。

引入补丁排序机制，对高异常分数的补丁进行优先处理，提高检测精度和模型整合能力。

研究方法

构建由掩码重建器、PatchGAN判别器组成的模型，并进行对抗训练，同时采用补丁排序策略。

使用ISIC 2016皮肤病变和BraTS 2019脑肿瘤数据集，对比AE、OCSVM和ALOCC等先进方法，以AUC为评估指标。

分析有、无补丁排序策略下模型的性能差异，研究异常分数分布情况，验证模型有效性。 

研究结论

该框架在ISIC 2016和BraTS 2019数据集上分别取得95.79%和96.05%的AUC，性能优于现有方法。

补丁排序策略显著提升了模型在复杂正常结构中定位异常的能力，增强了检测效果。

为医学影像异常检测提供了更有效的方法，但未来可探索扩散模型等进一步提高对细微异常的检测精度。 

Spatial-aware Attention Generative Adversarial Network for Semi-supervised Anomaly Detection in Medical Image

文章解析

文章提出SAGAN用于医学图像半监督异常检测，利用位置编码和注意力机制聚焦异常区域修复。在多个数据集上进行实验，结果表明SAGAN性能优于现有方法，为医学图像异常检测提供了新的有效方案。 

创新点

提出空间感知注意力生成对抗网络，充分利用医学图像解剖一致性，精准聚焦异常区域修复。

引入位置条件编码，为每个图像补丁添加位置信息，增强模型对图像结构的理解和修复能力。

设计异常区域修复模块，通过注意力门机制自适应学习感兴趣区域的注意力图，提升异常检测性能。

研究方法

构建GAN式框架，用生成器生成健康图像，结合身份损失、重建损失和对抗损失进行训练。

采用两个胸部X光数据集和一个视网膜眼底图像数据集，对比多种先进方法评估SAGAN性能。

进行消融实验，分析模型各组件有效性以及未标记图像中异常比例对模型性能的影响。 

研究结论

SAGAN在三个医学数据集上达到了最先进的性能，有效检测医学图像异常。

消融实验证明模型组件能有效提升性能，且SAGAN可利用含异常的未标记图像提升效果。

为医学图像异常检测提供新方法，但存在无法精确像素级定位和依赖较多正常标注的局限。