基于Synomaly噪声与多阶段扩散模型的医学图像无监督异常检测新方法

针对医学图像异常检测中标注数据稀缺的难题，中国科学院团队提出创新性无监督框架Synomaly，通过合成异常噪声训练和多阶段扩散过程，在脑MRI、肝脏CT和颈动脉US数据集中实现超越监督模型的检测精度，为临床决策提供高保真健康对照图像。

　　

医学图像异常检测是辅助诊断的关键技术，但现有深度学习方法面临标注数据稀缺、跨模态泛化能力不足等挑战。尤其对于超声(US)等低对比度影像，人工标注易产生歧义。传统生成对抗网络(GAN)和变分自编码器(VAE)在细节保留方面存在局限，而常规扩散模型对大面积异常区域的修复效果欠佳。

中国科学院团队在《Medical Image Analysis》发表的研究提出Synomaly框架，创新性地将疾病形态先验知识融入噪声函数设计。该方法仅需健康图像训练，通过合成异常噪声(Synomaly noise)模拟真实病变特征，结合多阶段扩散过程实现渐进式修复。关键技术包括：1)基于统计先验的Synomaly噪声生成算法；2)分阶段执行的扩散-去噪流程；3)跨模态训练策略。实验覆盖脑部MRI、肝脏CT及自主采集的颈动脉US数据集。

研究结果显示：

1. Synomaly噪声优化：相比传统Simplex噪声，新噪声函数使US图像分割Dice系数提升12.7%，尤其改善低对比区域检测。
2. 多阶段扩散优势：三阶段处理较单阶段减少37%细节损失，肝脏CT重建PSNR达32.6dB。
3. 跨模态性能：在颈动脉US检测中首次实现与监督模型相当的精度(AUC 0.923)，脑MRI异常定位误差降低至1.2mm。

该研究的突破性在于：首次将病理形态学特征编码至扩散过程，通过合成异常训练使模型掌握"疾病擦除"能力；多阶段机制有效平衡全局修复与细节保留的矛盾；在US等困难模态上验证了普适性。研究为减少医疗AI对标注数据的依赖提供了新范式，代码已在GitHub开源。未来可扩展至罕见病检测和术中实时导航领域，具有重要临床转化价值。