AnoFPDM: Anomaly Segmentation with Forward Process of Diffusion Models for Brain MRI

弱监督扩散模型（DM）在异常分割中利用图像级标签已经引起了广泛关注，因为它们相对于无监督方法具有更优秀的性能。它消除了训练中对像素级标签的需求，提供了一种更具成本效益的替代方案。然而，现有的方法并非完全弱监督，因为它们在推断中严重依赖于昂贵的像素级标签进行超参数调整。为了解决这个挑战，我们引入了一种名为扩散模型前向过程的异常分割（AnoFPDM）的完全弱监督框架，它可以在不需要像素级标签的情况下运行。利用未指导的前向过程作为参考，我们为每个输入图像确定适当的超参数，即噪声尺度和阈值。我们从前向过程的每个步骤中聚合异常映射，增强异常区域的信号强度。值得注意的是，我们提出的方法甚至在不利用像素级标签的情况下，仍然优于最近的最先进的弱监督方法。

本论文的问题是如何在无需像素级标签的情况下，利用图像级别的标签进行弱监督扩散模型进行异常分割。

本论文提出了一种完全无需像素级标签的弱监督框架AnoFPDM，利用未引导的前向过程作为参考，为每个输入图像确定合适的超参数，即噪声尺度和阈值，并从前向过程的每个步骤聚合异常地图，增强异常区域的信号强度。

本论文的亮点包括提出了一种完全无需像素级标签的弱监督框架，实现了优于最新的弱监督方法的性能，甚至没有使用像素级标签。

在这个领域中，最近的相关研究包括：1.《Weakly Supervised Anomaly Detection in Retinal Images》；2.《Beyond Pixel-Level Supervision for Anomaly Detection》；3.《Weakly Supervised Anomaly Detection in Videos》等。