Leveraging the Mahalanobis Distance to enhance Unsupervised Brain MRI Anomaly Detection

无监督异常检测（UAD）方法依赖于健康数据分布来识别异常值作为离群值。在脑MRI中，一种常见的方法是基于重建的UAD，其中生成模型重建健康的脑MRI，异常值被检测为输入和重建之间的偏差。然而，这种方法对不完美的重建非常敏感，导致假阳性，从而妨碍了分割。为了解决这个问题，我们使用概率扩散模型构建多个重建。然后，我们使用马氏距离分析这些重建的分布，将异常值识别为离群值。通过利用关于正常变化和分布内单个像素的协方差的信息，我们有效地优化异常评分，从而实现了改进的分割。我们的实验结果显示，在各种数据集上，我们的方法相对于仅依赖单个重建，AUPRC的改进分别为15.9％，35.4％，48.0％和4.7％，表现出了显着的性能提升。

论文旨在解决基于重建的无监督异常检测方法在脑MRI分割中的不足，即对不完美重建敏感，导致误报异常情况的问题。

通过构建多个概率扩散模型的重建图像，利用Mahalanobis距离分析这些重建图像的分布，从而识别异常情况。同时，利用单个像素的正常变化和协方差信息来有效地细化异常评分，从而提高分割性能。

论文实验结果表明，相对于仅依赖单个重建图像的方法，该方法在BRATS21、ATLAS、MSLUB和WMH数据集上分别实现了15.9％、35.4％、48.0％和4.7％的AUPRC相对改进。值得关注的是，该方法使用的数据集涵盖了多种不同的脑MRI应用场景。

最近的相关研究包括基于深度学习的MRI分割方法，如U-Net和V-Net。此外，还有一些关于使用重建图像进行异常检测的研究，如Variational Autoencoder和GAN-based方法。