Nuovo Framework di IA Migliora il Rilevamento di Anomalie nelle Immagini Mediche Tramite il Potenziamento della Densità Mean Shift

È stato proposto un nuovo framework ibrido per il rilevamento di anomalie nelle immagini mediche, che combina l'apprendimento di rappresentazioni self-supervised con la stima della densità basata su varietà. Questo approccio, dettagliato nella preprint arXiv 2604.19191v1, affronta la sfida di identificare condizioni patologiche rare quando i campioni anomali annotati sono scarsi. Le immagini mediche vengono incorporate in uno spazio di caratteristiche latenti utilizzando backbones pre-addestrati, che possono essere specifici del dominio. Queste rappresentazioni subiscono un perfezionamento attraverso il Potenziamento della Densità Mean Shift (MSDE), una procedura iterativa che sposta i campioni verso regioni a maggiore probabilità sulla varietà. Dopo questo potenziamento, i punteggi di anomalia vengono calcolati utilizzando la stima della densità gaussiana all'interno di uno spazio latente ridotto tramite PCA. Il metodo impiega la distanza di Mahalanobis per quantificare la deviazione dalla distribuzione normale appresa. Operando secondo un paradigma di apprendimento one-class, il framework richiede solo campioni normali per l'addestramento, eliminando la necessità di annotazioni anomale durante la fase di training. Questa integrazione dell'apprendimento self-supervised con le tecniche di densità su varietà rappresenta una combinazione relativamente inesplorata nel dominio del rilevamento di anomalie nelle immagini mediche. Il lavoro è presentato come un annuncio incrociato su arXiv.