論文の概要: PDD: Manifold-Prior Diverse Distillation for Medical Anomaly Detection

• arxiv url: http://arxiv.org/abs/2603.07142v1
• Date: Sat, 07 Mar 2026 10:25:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:13.898209
• Title: PDD: Manifold-Prior Diverse Distillation for Medical Anomaly Detection
• Title（参考訳）: PDD : 医学的異常検出のためのマニフォールド・プリア・ディバース蒸留法
• Authors: Xijun Lu, Hongying Liu, Fanhua Shang, Yanming Hui, Liang Wan,
• Abstract要約: PDD(Manifold-Prior Diverse Distillation)は、双対教師の先行を共有高次元多様体に統一するフレームワークである。 複数の医療データセットの実験では、PDDが既存の最先端の手法を大幅に上回っていることが示されている。
• 参考スコア（独自算出の注目度）: 34.22949331554283
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical image anomaly detection faces unique challenges due to subtle, heterogeneous anomalies embedded in complex anatomical structures. Through systematic Grad-CAM analysis, we reveal that discriminative activation maps fail on medical data, unlike their success on industrial datasets, motivating the need for manifold-level modeling. We propose PDD (Manifold-Prior Diverse Distillation), a framework that unifies dual-teacher priors into a shared high-dimensional manifold and distills this knowledge into dual students with complementary behaviors. Specifically, frozen VMamba-Tiny and wide-ResNet50 encoders provide global contextual and local structural priors, respectively. Their features are unified through a Manifold Matching and Unification (MMU) module, while an Inter-Level Feature Adaption (InA) module enriches intermediate representations. The unified manifold is distilled into two students: one performs layer-wise distillation via InA for local consistency, while the other receives skip-projected representations through a Manifold Prior Affine (MPA) module to capture cross-layer dependencies. A diversity loss prevents representation collapse while maintaining detection sensitivity. Extensive experiments on multiple medical datasets demonstrate that PDD significantly outperforms existing state-of-the-art methods, achieving improvements of up to 11.8%, 5.1%, and 8.5% in AUROC on HeadCT, BrainMRI, and ZhangLab datasets, respectively, and 3.4% in F1 max on the Uni-Medical dataset, establishing new state-of-the-art performance in medical image anomaly detection. The implementation will be released at https://github.com/OxygenLu/PDD
• Abstract（参考訳）: 医用画像異常検出は、複雑な解剖学的構造に埋め込まれた微妙で異質な異常により、固有の課題に直面している。 系統的なGrad-CAM分析により、産業データセットと異なり、識別活性化マップは医療データに失敗し、多様体レベルのモデリングの必要性を動機付けていることが明らかとなった。 PDD (Manifold-Prior Diverse Distillation) は、双対教師の事前知識を共有高次元多様体に統一し、その知識を相補的な振る舞いを持つ双対学生に蒸留するフレームワークである。 具体的には、凍結したVMamba-TinyとワイドResNet50エンコーダは、それぞれグローバルなコンテキストとローカルな構造的事前を提供する。 それらの機能はManifold Matching and Unification (MMU)モジュールを通じて統一され、Inter-Level Feature Adaption (InA)モジュールは中間表現を豊かにする。 統一多様体は2つの学生に蒸留される: 1つは局所整合性のためにInAを介して層ワイズ蒸留を行い、もう1つはマニフォールド事前アフィン(MPA)モジュールを通してスキッププロジェクションを受け取り、層間の依存関係を捕捉する。 多様性損失は、検出感度を維持しながら表現崩壊を防止する。 複数の医療データセットに対する大規模な実験により、PDDは既存の最先端の手法を著しく上回り、HeadCT、BrainMRI、ZhangLabデータセット上のAUROCの最大11.8%、5.1%、および8.5%の改善を達成し、Uni-Medicalデータセット上のF1maxの3.4%を達成し、医療画像異常検出における新しい最先端パフォーマンスを確立した。 実装はhttps://github.com/OxygenLu/PDDで公開される。

関連論文リスト

• Using Unsupervised Domain Adaptation Semantic Segmentation for Pulmonary Embolism Detection in Computed Tomography Pulmonary Angiogram (CTPA) Images [0.0]
  非教師なしドメイン適応(UDA)フレームワークはTransformerのバックボーンとMean-Teacherアーキテクチャを使って、センター間のセマンティックセマンティックセグメンテーションを実現する。 主な焦点は、特徴空間内の深い構造情報を学習することで、擬似ラベルの信頼性を高めることである。 クロスセンタデータセット(FUMPEとCAD-PE)で実施した実験的検証は、大幅な性能向上を示す。
  論文  参考訳（メタデータ） (2026-02-23T14:33:24Z)
• Multi-AD: Cross-Domain Unsupervised Anomaly Detection for Medical and Industrial Applications [1.192436948211501]
  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。
  論文  参考訳（メタデータ） (2026-02-05T08:17:42Z)
• Multimodal Visual Surrogate Compression for Alzheimer's Disease Classification [69.87877580725768]
  MVSC(Multimodal Visual Surrogate Compression)は、大規模な3D sMRIボリュームをコンパクトな2D機能に圧縮し、適応させることを学ぶ。 MVSCには2つの重要なコンポーネントがある: テキストガイダンスの下でグローバルなクロススライスコンテキストをキャプチャするボリュームコンテキストと、テキストエンハンスでパッチワイズな方法でスライスレベルの情報を集約するAdaptive Slice Fusionモジュール。
  論文  参考訳（メタデータ） (2026-01-29T13:05:46Z)
• A Semantic Segmentation Algorithm for Pleural Effusion Based on DBIF-AUNet [22.657295396752023]
  胸水セマンティックセグメンテーションは臨床診断と治療の精度とタイムラインを大幅に向上させる可能性がある。 既存の手法は、様々な画像のバリエーションや複雑なエッジに悩まされることが多い。 本稿では,これらの課題に対処するため,Dual-Branch Interactive Fusion Attention Model (DBIF-AUNet)を提案する。
  論文  参考訳（メタデータ） (2025-08-08T10:14:51Z)
• 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)
• Learning Feature Inversion for Multi-class Anomaly Detection under General-purpose COCO-AD Benchmark [101.23684938489413]
  異常検出(AD)は、しばしば産業品質検査や医学的病変検査のための異常の検出に焦点が当てられている。 この研究はまず、COCOをADフィールドに拡張することにより、大規模で汎用的なCOCO-ADデータセットを構築する。 セグメンテーション分野のメトリクスにインスパイアされた我々は、より実用的なしきい値に依存したAD固有のメトリクスをいくつか提案する。
  論文  参考訳（メタデータ） (2024-04-16T17:38:26Z)
• MedSegDiff-V2: Diffusion based Medical Image Segmentation with Transformer [53.575573940055335]
  我々は、MedSegDiff-V2と呼ばれるトランスフォーマーベースの拡散フレームワークを提案する。 画像の異なる20種類の画像分割作業において,その有効性を検証する。
  論文  参考訳（メタデータ） (2023-01-19T03:42:36Z)
• ADPS: Asymmetric Distillation Post-Segmentation for Image Anomaly Detection [75.68023968735523]
  知識蒸留に基づく異常検出 (KDAD) 法は, 異常領域を検出し, セグメント化するために, 教師学生のパラダイムに頼っている。 非対称蒸留ポストセグメンテーション(ADPS)と呼ばれる革新的なアプローチを提案する。 我々のADPSは、教師-学生ネットワークの入力と同じイメージの異なる形態の非対称蒸留パラダイムを採用している。 ADPSは,MVTec ADとKolektorSDD2データセットで平均精度(AP)を9%,20%向上させることを示した。
  論文  参考訳（メタデータ） (2022-10-19T12:04:47Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)

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。