Multi-AD：面向医学与工业应用的跨域无监督异常检测新方法及其在疾病早期诊断中的突破

　　本文提出了一种创新的无监督卷积神经网络（CNN）模型Multi-AD，通过集成挤压激励（SE）模块和知识蒸馏（KD）技术，实现了跨医学（如脑MRI、肝CT、视网膜OCT）与工业（如MVTec AD）域的高精度异常检测（AD）。该模型在图像级和像素级检测中均达到最高准确率（医学97.2%/97.0%，工业99.9%/98.4%），为疾病早期诊断和工业缺陷检测提供了强泛化性解决方案。

　　

Highlight

尽管医学和工业图像异常检测（AD）领域取得了显著进展，但仍面临可扩展性、鲁棒性和跨域泛化等挑战。传统监督学习方法依赖于包含正常和缺陷样本的大规模标注数据集，但异常样本的稀缺性和异常类型的多样性限制了这些方法的有效性。以下部分提供了相关工作的综述。

Proposed Method

Multi-AD通过领域无关特征学习整合无监督学习和知识蒸馏（KD），以捕获通用异常模式（如不规则纹理或形状），并通过领域特定适应优化目标模态的表征，如图1所示。这使得框架能够在保持细粒度异常敏感性的同时泛化到未见领域。通过将从教师（T）模型（在正常样本上训练）学习到的特征蒸馏到学生（S）模型（在正常和异常数据上训练），并结合多尺度特征提取和判别器（D）网络增强，模型实现了精确的异常定位。

Experimental Results

模型训练和评估使用RTX A6000 GPU和Intel Core i9 CPU进行。教师（T）模型参数来自先前在ImageNet上预训练的主干网络，而学生（S）模型通过从T模型转移知识的蒸馏过程学习。训练仅关注正常数据，而AD测试应用于正常和异常样本。预处理中，所有图像调整大小为256×256像素。优化采用Adam优化器，学习率设置为1e-4，训练周期为100。损失函数结合了蒸馏损失和对抗损失，以平衡特征保持和异常区分。评估指标包括图像级AUC、像素级AUC和F1分数，与当前最先进方法进行比较。

Discussion

尽管其他AD方法在各自框架中表现稳健，但通常在复杂成像数据集（常见于医学和工业应用）中难以实现精确异常定位。基于聚类的方法采用创新特征提取和匹配技术，但有时产生更广泛、聚焦不足的热图，这可能增加假阳性（FP）率。这在医学成像中尤其成问题，因为病理区域的精确描绘对诊断和治疗规划至关重要。Multi-AD通过其多尺度方法和自适应注意力机制解决了这些限制，提供更清晰、更准确的异常图，减少FP并提高临床相关性。

Conclusion

本研究提出了Multi-AD，一种基于CNN的无监督模型，有效解决了医学和工业领域的AD挑战。通过融入KD和SE模块，我们的方法增强了特征提取并捕获了正常与异常数据之间的细微差异。添加判别器（D）网络进一步增强了模型区分异常的能力，产生了优于最先进模型的性能。通过综合实验，Multi-AD展示了在多个数据集上的强泛化能力，为现实应用提供了可靠且高效的解决方案。