近日，实验室在医学图像智能分析领域取得重要研究进展，论文 “Hybrid Dual-Heterogeneous Knowledge Distillation Network for Anomaly Detection in Retinal OCT Images” 被国际权威期刊 IEEE Journal of Biomedical and Health Informatics（中科院小类一区Top期刊，IF=6.8） 正式接收，徐睦浩为论文第一作者，通讯作者为宋维业教授。
该研究围绕视网膜 OCT 图像的无监督异常检测问题，提出了一种新型混合双异构知识蒸馏网络，为复杂医学影像中异常模式的精准识别提供了新的解决方案。
研究背景
无监督医学异常检测旨在仅利用正常样本进行模型训练，从而在无需大规模人工标注的情况下识别潜在病变区域，在医学影像分析中具有重要应用价值。尤其在视网膜光学相干断层成像（OCT）中，由于病灶类型多样、形态差异显著且标注成本高昂，传统监督学习方法面临较大挑战。
近年来，基于知识蒸馏的异常检测方法通过比较教师网络与学生网络之间的特征差异来识别异常，但现有方法普遍采用结构高度相似的教师–学生架构，容易导致学生网络产生“身份映射”问题，从而削弱对异常区域的判别能力。同时，视网膜 OCT 图像中既存在局部结构异常，也包含全局形态与逻辑异常，进一步增加了检测难度。
研究方法
针对上述问题，论文提出了一种混合双异构知识蒸馏网络（Hybrid Dual-Heterogeneous Knowledge Distillation Network）。该方法在整体框架上采用编码器结构的教师网络，以及由共享编码器和双解码器组成的学生网络，通过多层次异构设计有效缓解身份映射问题。
网络结构图
在学生网络中，一条解码分支侧重于局部结构异常建模，利用卷积与深度可分离卷积模块构建 Multi-Feature Model，增强对细粒度结构异常的感知能力；另一条解码分支基于 Mamba UpNet，引入自监督学习机制与状态空间建模思想，用于捕获长程依赖关系和全局异常模式。两类特征在多特征融合模块中进行整合，从而实现对不同尺度和不同类型异常的协同建模。
研究结果
在多个视网膜 OCT 无监督异常检测数据集上的大量实验结果表明，所提出的方法在异常检测精度与定位性能方面均显著优于现有主流方法，在 AUROC 等关键指标上取得了国际领先（state-of-the-art）的性能表现。实验结果充分验证了双异构知识蒸馏结构在提升模型异常敏感性、增强模型鲁棒性方面的有效性。
实验结果可视化图
该研究为视网膜 OCT 图像的无监督异常检测提供了一种兼顾局部结构与全局语义的新思路，也为复杂医学影像中多类型异常的统一建模与分析提供了有价值的技术参考。
