近日，实验室在医学影像智能分析领域取得了新的研究成果，论文“Few-shot Medical Anomaly Detection through Centroid Consultation Back and Test-Time Self-Calibration”被Pattern Recognition（中科院小类一区Top期刊，IF=7.9）期刊正式接收，作者包括聂子涵、徐睦浩、宋维业教授等。
该研究提出了一种创新的少样本医学图像异常检测框架，结合了中心点咨询回传（CCB）模块和测试时自校准（TSC）模块，旨在通过有限的标注数据进行医学异常检测，尤其在数据稀缺的情况下。
研究背景
医学图像异常检测对疾病早期诊断和治疗至关重要，但由于医学数据标注稀缺，尤其是在一些特殊领域，导致传统的监督学习方法难以有效应用。尤其是视网膜OCT图像中的病灶形态差异大，标注成本高昂，传统方法面临很大挑战。无监督学习通过从正常样本中学习异常特征，虽然有所进展，但仍然需要大量正常数据以确保有效的特征学习，这增加了计算成本并限制了实际应用。
近年来，少样本学习方法因其能在数据稀缺的情况下提高模型的泛化能力而受到关注。然而，少样本学习在医学图像中的应用仍面临挑战，尤其是当异常区域与正常结构相似，细微的病理变化常常被背景结构或重复纹理掩盖，导致异常检测准确率低。
研究方法
为了解决上述问题，本文提出了一种融合两大创新模块的少样本异常检测框架：中心点咨询回传（CCB）模块和测试时自校准（TSC）模块。CCB模块通过引入全局语义反馈，优化局部特征表示，减少背景干扰，提高病变区域的敏感性；TSC模块则在决策层通过测试时的分布统计信息校准异常分数，确保准确的异常检测。两者结合，有效提升了少样本条件下的异常检测精度与可靠性。
网络结构图
研究结果
通过在多个医学图像数据集上的广泛实验，研究表明，所提出的框架在图像级和像素级异常检测上都优于现有的主流方法，且在AUROC（分类）和AUROC（定位）精度等关键指标上取得了国际领先（state-of-the-art）的成绩。特别是，TSC模块在不增加训练负担的情况下，通过优化异常分数，确保了更加可靠的异常检测结果。
实验结果可视化图
这项研究为少样本医学图像异常检测提供了新的解决方案，不仅提高了对微小病变的敏感性，还在复杂背景和细微病变中提供了更加精确的检测。实验结果验证了该方法在多模态医学图像数据集中的有效性，并为未来医学图像AI研究提供了宝贵的技术参考。
