近日，免费av 生物医学孙建奇团队围绕医学影像无监督异常检测开展系列研究，相关成果分别发表于医学影像领域期刊 Medical Image Analysis（MedIA）和 IEEE Transactions on Medical Imaging（TMI）。其中，发表于 MedIA 的论文“U²AD: Uncertainty-based unsupervised anomaly detection framework for detecting T2 hyperintensity in MRI spinal cord”面向退行性颈脊髓病等疾病中的脊髓T2高信号识别，与免费av 医学院附属仁济医院脊柱外科等合作，提出基于双重不确定性引导的无监督异常检测方法；发表于 TMI 的论文“UniTransAD: Unified Translation Framework for Anomaly Detection in Brain MRI”进一步面向多疾病、多序列及序列缺失等复杂临床场景，构建统一、灵活且具有泛化能力的脑MRI异常检测框架。此前，团队在 MICCAI 2025 发表的 MultiTransAD 工作初步建立了跨序列翻译驱动的异常检测范式，为后续研究奠定了方法基础。
MRI是脑部及脊髓疾病筛查和诊断的重要影像手段。传统监督学习方法通常需要医生对病灶进行逐像素勾画，但医学影像中的异常区域往往具有种类多样、形态差异大、边界模糊及阳性病例相对稀缺等特点，高质量标注数据的获取成本较高。无监督异常检测仅利用正常影像学习正常解剖结构，当测试影像偏离正常分布时定位潜在异常，为减少病灶标注依赖提供了新的技术路径。然而，现有重建类方法容易出现“身份捷径”问题：模型可能同时重建正常组织与异常病灶，造成漏检；也可能无法准确重建复杂的正常解剖边界，引起误报。此外，不同医院、扫描设备和成像序列之间的差异，也会进一步影响模型在真实临床数据中的稳定性。
在脊髓MRI中，T2高信号是脊髓水肿、变性、炎症及肿瘤等病理改变的重要影像表现，也是退行性颈脊髓病病情评估的重要标志。此类病灶通常面积较小、边界模糊，并容易受到脑脊液高信号和成像噪声干扰，目前临床评估仍较多依赖医生人工阅片。针对上述问题，团队与仁济医院脊柱外科开展医工交叉合作，围绕脊髓T2高信号的患者级识别和椎间节段级定位，提出不确定性驱动的无监督异常检测框架U²AD。该研究由免费av 、仁济医院脊柱外科和放射科、瑞金医院放射科联合完成，并依托两家医院的真实退行性颈脊髓病临床影像开展验证。
U²AD采用基于视觉Transformer的“掩码—重建”模式，首先分割脊髓区域，再通过未被遮挡的邻近图像块恢复被遮挡区域，从而学习正常脊髓的解剖结构。研究的关键在于将模型不确定性由传统的结果评价指标转化为主动指导模型训练的依据。团队利用多次蒙特卡洛重建估计认知不确定性和偶然不确定性：认知不确定性主要反映模型对复杂正常结构的掌握程度，训练时优先关注高认知不确定性区域，有助于改善脊髓边界等复杂正常组织的重建并减少误报；偶然不确定性则反映难以消除的图像误差及潜在异常信号，训练后期减少模型对高偶然不确定性区域的学习，可避免模型将病灶误认为正常结构并加以重建。两个阶段依次完成正常结构强化和异常特征保留，在提高正常区域重建质量的同时维持对病灶的敏感性。
图1 U²AD不确定性引导的预训练与临床数据自适应流程示意图。
该研究纳入仁济医院165例退行性颈脊髓病患者MRI，其中125例用于模型训练及交叉验证，40例作为独立留出验证数据；同时纳入瑞金医院95例患者数据，其中仅9例存在T2高信号，用于模拟阳性率较低的临床筛查场景。实验结果显示，在仁济医院数据的五折交叉验证中，U²AD的患者级识别F1值达到0.8336，节段级定位F1值达到0.7345；在独立留出数据中，患者级和节段级F1值分别达到0.7508和0.6849。在瑞金医院低阳性率数据中，患者级识别准确率达到0.8537、特异性达到0.8556，节段级定位特异性达到0.9857，表现出较好的抗误报能力和筛查稳定性。该工作为脊髓T2高信号的自动识别、定位及后续定量分析提供了新的技术基础，也体现了生物医学工程研究与仁济医院脊柱外科临床需求相结合的合作模式。
在专病临床研究之外，团队进一步关注无监督异常检测模型在不同脑部疾病、不同MRI序列及序列缺失条件下的通用性。传统异常检测模型通常针对某一数据集或某一固定序列进行训练，在面对脑肿瘤、脑卒中、多发性硬化和脑白质高信号等不同疾病时，往往需要分别构建模型。跨序列翻译方法虽然能够利用不同MRI序列之间的对比差异，但通常要求患者同时具有空间配准良好的成对序列，难以适用于临床检查序列缺失或仅有单一序列的情况。
团队在MICCAI 2025发表的MultiTransAD首先提出将MRI序列间的对比差异作为异常识别依据，通过解剖内容与序列风格解耦、解剖边缘约束以及像素—特征双层异常评分，实现由一个MRI序列向另一个序列的图像翻译，并根据翻译误差定位异常区域。在BraTS 2021脑肿瘤数据上，MultiTransAD取得0.6334的Dice和0.9722的AUROC，相较最佳重建类基线方法Dice提高14.2%，初步验证了跨序列翻译异常检测范式的有效性。但该方法在推理阶段仍依赖配准良好的成对MRI序列，临床应用的灵活性和跨疾病泛化能力仍有进一步提升空间。
在此基础上，TMI工作提出统一翻译异常检测框架UniTransAD，将原有的跨序列直接翻译重新设计为循环翻译推理模式。模型在训练阶段学习不同MRI序列中相对稳定的解剖内容及各序列特有的成像风格，在测试阶段仅需输入单一MRI序列，即可借助健康风格原型完成“原始序列—虚拟目标序列—原始序列”的闭环翻译，并根据循环翻译前后的差异识别异常。该设计降低了模型对成对序列和严格空间配准的依赖，使同一个模型能够处理更加多样的MRI输入。
图2 现有常见脑部图像异常检测范式原理、缺陷及本文提出的UniTransAD异常检测框架。
为保证循环翻译过程中虚拟目标序列的稳定性，研究提出动态风格原型记忆模块，对不同MRI序列的健康成像风格进行持续更新和存储，为单序列推理提供稳定的健康参照。与此同时，UniTransAD延续并完善了像素—特征双层检测策略：像素级翻译误差用于敏感地捕捉局部信号变化，特征级差异则从解剖语义层面排除正常组织变化带来的假阳性，并提高对低信号或细微病灶的识别能力。通过二者协同，模型能够在保留正常脑组织结构的同时，突出不同信号类型的异常区域。
图3 UniTransAD统一训练、动态风格原型记忆及循环翻译异常检测框架。
为系统评价不同异常检测方法的泛化能力，团队进一步构建Brain-OmniA评测数据集，汇集7个公开数据集，覆盖健康人群、胶质瘤、缺血性脑卒中、多发性硬化、脑白质高信号及其他脑肿瘤亚型，包含T1、T2、T1增强、FLAIR、DWI、ADC及PD等多种MRI序列。其中，部分疾病和序列在模型训练阶段从未出现，可用于评价模型面对未知疾病和未知序列时的泛化能力；数据集中还包括仅提供单一T1序列的脑肿瘤数据，以检验模型在缺少成对序列时的适用性。
在Brain-OmniA的6个异常测试集上，UniTransAD在循环翻译模式下取得0.5798的平均Dice，相较基于信号强度的基线方法相对提高27.3%，并在各测试数据集上均获得最优Dice结果。在严格控制训练数据、后处理方式和评价协议的对照实验中，UniTransAD相较前期MultiTransAD工作平均Dice相对提高32.83%，性能提升主要体现在多发性硬化、缺血性脑卒中等分布外数据以及训练阶段未见过的MRI序列上。研究同步开放了代码、预训练模型、预处理流程及Brain-OmniA数据资源，为医学影像无监督异常检测方法的统一评价和可重复研究提供支持。
上述系列研究形成了从临床专病问题到通用方法研究的递进关系。MedIA工作立足于仁济医院脊柱外科的实际临床需求，通过不确定性引导解决脊髓T2高信号检测中的数据域差异、病灶稀缺和误报问题；TMI工作则由具体疾病进一步拓展至多疾病、多序列和序列缺失场景，探索医学影像异常检测模型的统一建模与跨数据泛化。相关成果为降低医学影像人工标注依赖、提升异常筛查效率及推动智能影像分析在复杂临床环境中的应用提供了新的研究思路。
MedIA论文共同第一作者为张琦、陈修远、何紫仪和王琨，免费av 医学院附属仁济医院脊柱外科沈洪兴与免费av 孙建奇为共同通讯作者。论文发表于 Medical Image Analysis（2026），DOI:10.1016/j.media.2026.103939，Github代码链接：//github.com/zhibaishouheilab/U2AD。
扫码查看原文：
TMI论文作者为张琦、李夏、胡义波和孙建奇，张琦为第一作者，孙建奇为通讯作者，论文发表于 IEEE Transactions on Medical Imaging（2026）， DOI:10.1109/TMI.2026.3711975，Github代码链接：//github.com/zhibaishouheilab/UniTransAD。
扫码查看原文：
MICCAI论文作者为张琦、胡义波和孙建奇，张琦为第一作者，孙建奇为通讯作者，论文DOI:10.1007/978-3-032-04937-7_37，Github代码链接：//github.com/zhibaishouheilab/MT-AD。
交大主页
