[論文レビュー] Self-Supervised Multi-Stage Domain Unlearning for White-Matter Lesion Segmentation

Domen Preložnik, Žiga Špiclin|dCOBISS.SI Digital Repository|Mar 4, 2026

Medical Image Segmentation Techniques被引用数 0

ひとこと要約

self-supervised multi-stage domain unlearning (SSMSU) を nnU-Net に統合して、ターゲットドメインデータなしで多スキャナーの FLARE MRI における白質病変セグメンテーションのクロスドメイン精度を向上させる。

ABSTRACT

Inter-scanner variability of magnetic resonance imaging has an adverse impact on the diagnostic and prognostic quality of the scans and necessitates the development of models robust to domain shift inflicted by the unseen scanner data. Review of recent advances in domain adaptation showed that efficacy of strategies involving modifications or constraints on the latent space appears to be contingent upon the level and/or depth of supervision during model training. In this paper, we therefore propose an unsupervised domain adaptation technique based on self-supervised multi-stage unlearning (SSMSU). Building upon the state-of-the-art segmentation framework nnU-Net, we employ deep supervision at deep encoder stages using domain classifier unlearning, applied sequentially across the deep stages to suppress domain-related latent features. Following self-configurable approach of the nnU-Net, the auxiliary feedback loop implements a self-supervised backpropagation schedule for the unlearning process, since continuous unlearning was found to have a detrimental effect on the main segmentation task. Experiments were carried out on four public datasets for benchmarking white-matter lesion segmentation methods. Five benchmark models and/or strategies, covering passive to active unsupervised domain adaptation, were tested. In comparison, the SSMSU demonstrated the advantage of unlearning by enhancing lesion sensitivity and limiting false detections, which resulted in higher overall segmentation quality in terms of segmentation overlap and relative lesion volume error. The proposed model inputs only the FLAIR modality, which simplifies preprocessing pipelines, eliminates the need for inter-modality registration errors and harmonization, which can introduce variability. Source code is available on https://github.com/Pubec/nnunetv2-unlearning.

研究の動機と目的

• unseen MRI スキャナーに対して低下させるスキャナー間変動を是正する。
• ターゲットドメインデータなしでドメイン特有特徴を抑制する非監視型ドメイン適応法を開発する。
• 自己設定 supervision によるマルチステージドメインアンラーニングを nnU-Net 構造に統合する。
• 公開された4つのマルチスキャナーWMLデータセットで頑健性を評価し、最新のベースラインと比較する。

提案手法

• encoder の各ステージ（6 ステージ）でドメイン分類器のアンラーニングを nnU-Net に拡張する。
• encoder ステージ Ex の特徴から分類子 Cx を学習し、スキャナー/ドメインを予測する。KL 発散ベースの混同行損失を用いてドメイン情報を抑制する。
• ウォームアップ期間の後に交互に学習とアンラーニングを繰り返す自己教師付き学習–アンラーニング スケジュールを用いる。
• タスク性能を維持するため、アンラーニングとセグメンテーション損失をバランスさせる。ドメイン分類器の精度に基づくカリキュラム的忍耐機構（UBA）を採用。
• 入力は inter-modality の問題を避け preprocessing を簡略化するため FLAIR modality のみに限定する。

Figure 1. Comparison of MRI scans between different domains.

実験結果

リサーチクエスチョン

• RQ1 自己教師付きのマルチステージアンラーニングはターゲットドメインデータなしでスキャナー特有の特徴を抑制し、クロスドメインの WML セグメンテーションを改善できるか。
• RQ2 どの程度のアンラーニング深度（どのエンコーダステージ）と学習–アンラーニング比が、見た domain と unseen domain のセグメンテーション性能に影響を及ぼすか。
• RQ3 最小限の前処理（FLAIRのみ、ハーモナイゼーションの低減）は、従来の前処理パイプラインと比べてクロスドメイン一般化にどのような影響を与えるか。

主な発見

• SSMSU は病変感度を向上させ、偽検出を減らす（TPR/LTPR の向上、RVE の低下）。複数の指標で統計的に有意な改善が見られる。
• unseen のマルチスキャナー データセット（MSSEG, MSLJ, ISBI）で、SSMSU は DSC および関連指標で5つのベンチマーク戦略より高い値を示す。
• 深いエンコーダステージのアンラーニングはドメイン抑制を強化し一般化を改善する一方、全ステージのアンラーニングは性能を劣化させる可能性。
• seen データでの DSC は競争力を維持しつつ、クロスドメインでの利得を強化。LFDR の上昇は小さな偽陽性が増える傾向を示す。
• FLAIR のみの入力を用いることで前処理が簡素化され、スキャン間の変動に対する頑健性が向上する。

Figure 2. (a) MRI preprocessing and (b) self-supervised multi-stage unlearning with nnU-Net.