論文の概要: Multi-AD: Cross-Domain Unsupervised Anomaly Detection for Medical and Industrial Applications

• arxiv url: http://arxiv.org/abs/2602.05426v1
• Date: Thu, 05 Feb 2026 08:17:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-06 18:49:08.835847
• Title: Multi-AD: Cross-Domain Unsupervised Anomaly Detection for Medical and Industrial Applications
• Title（参考訳）: Multi-AD:医療・産業分野におけるクロスドメイン非教師付き異常検出
• Authors: Wahyu Rahmaniar, Kenji Suzuki,
• Abstract要約: 医用画像と産業用画像にまたがる堅牢な教師なし異常検出のための畳み込みニューラルネットワーク(CNN)モデルであるMulti-ADを提案する。 提案手法は,チャネルワイド・アテンションによる特徴抽出を促進するために,SEブロックを用いている。 推論段階では、マルチスケールの特徴を統合することで、学生モデルは様々な大きさの異常を検出することができる。
• 参考スコア（独自算出の注目度）: 1.192436948211501
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traditional deep learning models often lack annotated data, especially in cross-domain applications such as anomaly detection, which is critical for early disease diagnosis in medicine and defect detection in industry. To address this challenge, we propose Multi-AD, a convolutional neural network (CNN) model for robust unsupervised anomaly detection across medical and industrial images. Our approach employs the squeeze-and-excitation (SE) block to enhance feature extraction via channel-wise attention, enabling the model to focus on the most relevant features and detect subtle anomalies. Knowledge distillation (KD) transfers informative features from the teacher to the student model, enabling effective learning of the differences between normal and anomalous data. Then, the discriminator network further enhances the model's capacity to distinguish between normal and anomalous data. At the inference stage, by integrating multi-scale features, the student model can detect anomalies of varying sizes. The teacher-student (T-S) architecture ensures consistent representation of high-dimensional features while adapting them to enhance anomaly detection. Multi-AD was evaluated on several medical datasets, including brain MRI, liver CT, and retina OCT, as well as industrial datasets, such as MVTec AD, demonstrating strong generalization across multiple domains. Experimental results demonstrated that our approach consistently outperformed state-of-the-art models, achieving the best average AUROC for both image-level (81.4% for medical and 99.6% for industrial) and pixel-level (97.0% for medical and 98.4% for industrial) tasks, making it effective for real-world applications.
• Abstract（参考訳）: 従来のディープラーニングモデルは注釈付きデータを欠くことが多く、特に異常検出などのクロスドメインアプリケーションでは、医学における早期疾患の診断や産業における欠陥検出に欠かせない。 この課題に対処するため,医療・産業画像間での堅牢な教師なし異常検出のための畳み込みニューラルネットワーク(CNN)モデルであるMulti-ADを提案する。 提案手法では, チャネルワイド・アテンションによる特徴抽出を強化し, 最も関連性の高い特徴に着目し, 微妙な異常を検出する。 知識蒸留(KD)は教師から学生モデルへ情報的特徴を伝達し、正常データと異常データの違いを効果的に学習する。 そして、判別器ネットワークは、通常データと異常データを区別するモデルの能力をさらに強化する。 推論段階では、マルチスケールの特徴を統合することで、学生モデルは様々な大きさの異常を検出することができる。 教師学生(T-S)アーキテクチャは、高次元特徴を一貫した表現に適応させ、異常検出を強化する。 マルチADは、脳MRI、肝CT、網膜OCTを含むいくつかの医学データセットと、MVTec ADのような産業データセットで評価され、複数のドメインにまたがる強力な一般化が示された。 実験の結果,本手法は最先端モデルより一貫して優れており,画像レベル(医療用81.4%,産業用99.6%)とピクセルレベル(医療用97.0%,産業用98.4%)の両方で最高のAUROCを実現し,実世界のアプリケーションに有効であることがわかった。

関連論文リスト

• OCSVM-Guided Representation Learning for Unsupervised Anomaly Detection [1.0190194769786831]
  Unsupervised Anomaly Detection (UAD) は、ラベル付きデータなしで異常を検出することを目的としている。 解析的に解ける一級SVMを用いて表現学習を緊密に結合する新しい手法を提案する。 このモデルは、MNIST-Cに基づく新しいベンチマークと、挑戦的な脳MRI微妙な病変検出タスクの2つのタスクで評価されている。
  論文  参考訳（メタデータ） (2025-07-25T13:00:40Z)
• UNICORN: A Deep Learning Model for Integrating Multi-Stain Data in Histopathology [2.9389205138207277]
  UNICORNは動脈硬化の重症度予測のための多段階組織学を処理できるマルチモーダルトランスフォーマーである。 このアーキテクチャは、2段階のエンドツーエンドのトレーニング可能なモデルと、トランスフォーマーの自己保持ブロックを利用する特殊なモジュールから構成される。 UNICORNは0.67の分類精度を達成し、他の最先端モデルを上回った。
  論文  参考訳（メタデータ） (2024-09-26T12:13:52Z)
• A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [89.92916473403108]
  本稿では,新しい手法のモジュラーフレームワークであるADerの総合的な視覚異常検出ベンチマークを提案する。 このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。 我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
  論文  参考訳（メタデータ） (2024-06-05T13:40:07Z)
• Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
  本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。 提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。 医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2024-03-19T09:28:19Z)
• Self-supervised Pseudo Multi-class Pre-training for Unsupervised Anomaly Detection and Segmentation in Medical Images [31.676609117780114]
  教師なし異常検出(UAD)法は、正常な(または健康な)画像のみを用いて訓練されるが、テスト中は正常な(または正常な)画像と異常な画像を分類することができる。 コントラスト学習(PMSACL)によるPseudo Multi-class Strong Augmentation(Pseudo Multi-class Strong Augmentation)という,MIA UADアプリケーションのための自己指導型事前学習手法を提案する。
  論文  参考訳（メタデータ） (2021-09-03T04:25:57Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。