基于像素注意力定位生成对抗网络（PAttL-GAN）的医学图像无监督异常检测研究

本文推荐：作者团队提出PAttL-GAN（Pixel Attention Localization Generative Adversarial Network），通过多级高效融合（MEF）模块和像素级异常定位（PAL）模块，实现医学图像（MAD）中像素级异常区域的精细定位。该模型在四类公共数据集上超越现有方法，为可解释人工智能（XAI）提供创新视角。

　　

Highlight

PAttL-GAN通过创新的像素级注意力机制，为医学异常检测（MAD）提供了突破性解决方案。其核心在于：

1. 1.

   多级高效融合（MEF）模块：动态整合不同层级的特征，增强异常区域表征能力；

2. 2.

   像素级异常定位（PAL）模块：结合自适应多尺度注意力（AMA）机制和像素级加权（PLW）策略，显著提升复杂纹理中异常区域的辨识度。

The Proposed Method: PAttL-GAN

如图2所示，PAttL-GAN包含生成器和判别器。训练时，模型同时输入正常、伪异常和未标注图像，通过MEF模块实现全局-局部特征融合，PAL模块则精准定位异常像素，解决了传统方法忽略未标注数据中异常特征的痛点。

Datasets

实验涵盖四大公共数据集：胸部X光（VinDr-CXR、RSNA）、视网膜图像（LAG）和脑MRI（BraTS2021）。其中BraTS2021带像素级标注，验证了模型跨模态泛化能力（详见表1数据分布）。

Discussion

MEF与PAL模块的协同作用，使PAttL-GAN在像素级定位上表现卓越。但模型仍依赖少量正常样本初始化，未来需探索完全无监督场景。

Conclusion

PAttL-GAN通过多尺度特征融合和像素级权重优化，为医学异常检测提供了轻量化且高效的解决方案，其可解释性设计（如可视化结果）为XAI领域开辟了新思路。