通过正常样本学习的三维医学图像无监督异常检测：综述与基准

杨涛¹，陈宁馨²，姚立国³，王利生¹

（1. 上海交通大学 自动化与感知学院，上海 200240；2. 福建医科大学附属第二医院 放射科，福建泉州 362000；3. 甘肃省妇幼保健院 放射科，兰州 730050）

摘要： 如何使计算机具备放射科医生识别三维医学图像中各类异常的能力，仍是智能影像诊断领域的核心问题且具有挑战性。依赖于病灶标注的有监督学习方法通常局限于只能检测与训练数据相似的特定病灶类型。此外，获取体素级标注极其耗费人力与时间。为应对这些挑战，研究人员提出了针对三维医学图像的无监督异常检测（UAD）方法。这些方法通过正常（健康）样本学习，旨在识别任何偏离正常解剖分布的病灶。围绕这一原理，目前已涌现出三种不同的无监督异常检测范式：

基于自监督学习的方法，通过构建合成异常来训练有监督模型；基于深度特征嵌入的方法，通过测量测试特征与正常特征分布之间的距离进行检测；基于重构的方法，利用学习到的正常模式将异常图像转化为伪健康图像。本文对这三类方法中的关键研究进行了全面的综述、分析与比较，突出了它们各自的优势、局限性以及潜在的研究方向。此外，现有的无监督异常检测方法往往在不一致的数据集或预处理流程上进行验证，导致难以进行公平的性能比较。针对这一问题，我们建立了一个用于评估三维医学图像无监督异常检测方法的统一基准，涵盖了9个脑部MRI数据集（共4365例）和6个肝部CT数据集（共376例）。基于该基准，我们在三维体素级异常定位任务上评估了21种具有代表性的前沿算法，客观地揭示了这些方法的优势与局限性。

关键词：异常检测，三维医学影像，无监督学习，深度学习

扫二维码浏览全文  https://rdcu.be/e9Uo4 

Cite this article

Yang, T., Chen, N., Yao, L. et al. Unsupervised Anomaly Detection in 3D Medical Imaging via Normal Sample Learning: A Survey and Benchmark. J. Shanghai Jiaotong Univ. (Sci.) (2026). https://doi.org/10.1007/s12204-026-2910-4