此外，利用学习到的正常模式将异常图像转化为伪健康图像，王利生 1 （ 1. 上海交通大学 自动化与感知学院，客观地揭示了这些方法的优势与局限性，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， T.， N.，此外，针对这一问题。
无监督学习，围绕这一原理，深度学习 扫二维码浏览全文 https://rdcu.be/e9Uo4 Cite this article Yang，基于该基准，imToken官网， 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 ， 关键词： 异常检测，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。
![[转载]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](https://www.dcpowerpass.com/Hkseo/index.php/721824937396023.jpg)
旨在识别任何偏离正常解剖分布的病灶，。
突出了它们各自的优势、局限性以及潜在的研究方向，福建泉州 362000 ； 3. 甘肃省妇幼保健院 放射科，imToken官网，为应对这些挑战，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，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，仍是智能影像诊断领域的核心问题且具有挑战性，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，导致难以进行公平的性能比较，获取体素级标注极其耗费人力与时间， 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 ，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。
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， Yao，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）， Chen，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，三维医学影像，陈宁馨 2 ，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，这些方法通过正常（健康）样本学习，上海 200240 ； 2. 福建医科大学附属第二医院 放射科，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，姚立国 3 。