ポリプセグメンテーションは、医療画像処理における議論の的となっていますが、分割マスクの品質向上を目指す多くの手法が提案されてきました。現行の最先端技術は素晴らしい結果をもたらしていますが、これらのモデルのサイズと計算コストが実際の産業応用において課題となっています。この課題に対処するため、当研究ではKDAS（Knowledge Distillation and Attention Supervision）フレームワークと、提案する対称ガイドモジュールを紹介します。このフレームワークは、パラメータ数を減らしたコンパクトな学生モデルを育成することを目的としており、対称ガイドモジュールを通じて教師モデルの強みを学習し、教師特徴量と学生特徴量との間の一貫性欠如という知識蒸留における一般的な課題を軽減します。広範な実験を通じて、当研究のコンパクトモデルは最先端手法に匹敵する結果を示し、高精度かつ小型化されたポリプセグメンテーションモデルや医療画像処理分野での有望なアプローチであることが確認されました。本実装は https://github.com/huyquoctrinh/KDAS で公開されています。