面向医学图像异常检测的跨域自监督表征学习

目的医学图像异常检测旨在以无监督方式识别临床影像中的病变区域，但现有方法在迁移自然图像预训练模型至医学域时存在语义差异问题，导致模型对解剖结构差异敏感且对早期病变识别能力不足。现有方法若对预训练编码器进行微调，易因模式崩溃导致失败；而若保持冻结，则难以充分适配医学域。为此，本文提出一种跨域自监督表征学习（Cross-domain Self-supervised Representation Learning，CSRL）框架.，以提升医学图像异常检测的准确性与鲁棒性。方法提出的CSRL框架包含两个阶段：第一阶段通过域适应对比学习（Domain-Adaptive Contrastive Learning，DACL）网络，采用在线-目标网络双路径框架实现预训练编码器从自然图像域到医学图像域的稳健迁移；第二阶段构建特征重建网络，引入协同注意力增强模块（Synergistic Attention Enhancement，SAE）以增强病变特征表示，并结合多尺度异常融合模块（Multi-scale Anomaly Fusion，MAF）实现跨层级异常响应的动态融合。结果实验在APTOS、ISIC和BR35H三个公开医学数据集上与10种代表性方法进行了对比。实验表明，本文方法在图像级异常检测任务中取得最优性能。在BR35H数据集上，AUC达到99.90%；在ISIC数据集上，AUC为91.79%；在APTOS数据集上，AUC为97.71%。相较于当前最先进方法，本文方法的最佳AUC值在APTOS、ISIC和BR35H数据集上分别提升了0.35、3.52和0.02个百分点。 消融实验验证了各模块的有效性，可视化结果进一步表明本文方法在异常定位方面具有更优的空间一致性与临床可解释性。结论本文提出的CSRL框架通过跨域自监督表征学习、协同注意力增强与多尺度融合机制，有效缓解了预训练模型在医学图像中的语义差异问题，提升了异常检测的判别能力与定位精度，为医学图像无监督异常检测提供了可靠的解决方案。