超越静态锚点：用于无语言医疗异常检测的有界原型调节

医学异常检测可识别异常图像并在缺乏监督的情况下定位病变，同时概括各个器官和模式。现有的基于 CLIP 的方法通过视觉-语言对齐减少了注释要求，但它们的正常和异常参考，无论是文本提示还是学习的视觉标记，在测试图像中保持固定。在跨域医学成像场景中，此类静态参考可能无法可靠地传输到看不见的目标。为了解决这个问题，我们提出了 ReCAP，这是一种无语言框架，用输入条件视觉原型取代静态锚点。 ReCAP 通过有界门控调制重新居中分离每个图像的正常和异常原型，从而实现查询自适应异常评分，同时限制上下文引起的原型漂移。对于少样本设置，我们引入了非参数正常参考内存来保留实例级目标域变化并补充条件原型分支。在六个医学基准测试中，ReCAP 在所有零样本和 24 个少样本设置中的 23 个设置上实现了最佳图像级 AUROC，并在所有三个分割数据集上实现了最佳零样本像素级 AUROC。特别是，与最快的基线相比，它减少了 70% 以上的推理延迟，且无需文本提示或测试时梯度更新。