MedIAnomaly: A comparative study of anomaly detection in medical images

异常检测（AD）旨在检测偏离预期正常模式的异常样本。一般来说，它可以仅在正常数据上进行训练，而无需异常样本，因此在医学领域中对罕见疾病的识别和健康筛查起着重要作用。尽管有许多相关研究，但我们观察到缺乏公正和全面的评估，这导致一些模糊的结论并阻碍了该领域的发展。本文旨在构建一个具有统一实现和比较的基准来解决这个问题。特别地，我们组织了七个医学数据集，包括胸部X光片、脑部MRI、视网膜底图像、皮肤镜像和组织病理学全幻灯片图像，以进行广泛的评估。我们比较了27种典型的AD方法，包括基于重建和自监督学习的方法，对图像级别的异常分类和像素级别的异常分割进行了比较。此外，我们首次正式探讨了现有方法中的关键组件的影响，清楚地揭示了未解决的挑战和潜在的未来方向。数据集和代码可在\url{https://github.com/caiyu6666/MedIAnomaly}获得。

本论文旨在建立一个公平、全面的评估标准，以解决医学领域中异常检测的问题。当前医学领域中异常检测缺乏公平和全面的评估标准，这导致了一些模糊的结论，并阻碍了该领域的发展。

本论文的关键思路是建立一个基准测试，统一实现和比较，以解决医学领域中异常检测的问题。该论文使用了七个医学数据集和27种典型的异常检测方法，包括重建和自监督学习方法，进行图像级别异常分类和像素级别异常分割的比较。此外，该论文首次正式探讨了现有方法中的关键组成部分的影响，清楚地揭示了未解决的挑战和潜在的未来方向。

本论文的亮点包括：1.建立了一个公平、全面的基准测试；2.使用了七个医学数据集和27种典型的异常检测方法；3.对现有方法中的关键组成部分进行了正式探讨；4.提出了未解决的挑战和潜在的未来方向。此外，该论文提供了数据集和代码。

最近在医学领域的相关研究包括：1.《Deep Learning for Anomaly Detection in Medical Images: A Survey》；2.《Anomaly Detection in Medical Images with Self-Supervised Learning》；3.《Unsupervised Anomaly Detection with Generative Adversarial Networks to Guide Marker Discovery》等。