医学跨模态异常检测网络

利用PET/CT互补信息，实现无需标注的可靠无监督异常检测。

Muhao, Xu · Qu, Lili · Zihan, Nie · 立峰 · Chen, Zhuangzhuang · Qi, Liao · 万熠 · 牛四杰 · Runmin, Cong · Xin, Li · Song, Weiye

Information Fusion 2026

技术优势

无需标注

采用无监督学习框架，仅依靠正常图像学习，就能在推理时识别异常，省去昂贵且困难的像素级标注。

利用双模态互补

通过跨模态知识蒸馏，强制模型在PET与CT之间保持全局一致性，利用PET的功能代谢信息与CT的解剖细节互补，显著提升病灶检出率。

比单模态更稳

在自建PET/CT数据集和多个公开基准上，提出的跨模态网络一致超越强单模态基线，证明多模态一致性建模的有效性。

应用场景

• 医学影像诊断：在无标注数据上自动标记可疑病灶，辅助医生提高阅片效率。
• 多模态医学成像：融合PET与CT信息检测异常，避免单一模态漏诊。
• 病灶检测：无需像素级标注即可高亮潜在病灶区域，实现高效筛查。
• 异常检测：对PET/CT配对图像进行无监督异常检测，减少人工标注依赖。