[논문 리뷰] Self-Supervised Multi-Stage Domain Unlearning for White-Matter Lesion Segmentation

Domen Preložnik, Žiga Špiclin|dCOBISS.SI Digital Repository|2026. 03. 04.

Medical Image Segmentation Techniques인용 수 0

한 줄 요약

자기지도 학습 다단계 도메인 언러닝(SSMSU) 전략을 nnU-Net과 통합하여 대상 도메인 데이터 없이 다중 스캐너 FLAIR MRI에서 교차 도메인 백색질 병변 분할을 향상시킵니다.

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.

연구 동기 및 목표

• 보지 못한 MRI 스캐너 간의 차이로 인해 WML 분할 성능이 저하되는 문제를 해결한다.
• 대상 도메인 데이터 없이 도메인 특이 특징을 억제하는 비지도 도메인 적응 방법을 개발한다.
• 자체 구성 감독을 가진 다단계 도메인 언러닝을 nnU-Net 프레임워크에 통합한다.
• 네 가지 공개 다중 스캐너 WML 데이터셋에서 강인성을 평가하고 최첨단 기준선과 비교한다.

제안 방법

• 인코더 각 단계(여섯 단계)에서 도메인 분류자 언러닝을 적용하여 nnU-Net를 확장한다.
• 인코더 단계 Ex의 특징에서 스캐너/도메인을 예측하도록 분류기 Cx를 훈련하고; 도메인 정보를 억제하기 위해 KL 발산 기반 혼동 손실을 사용한다.
• 웜업 단계에 이어 학습과 언러닝을 번갈아 수행하는 자체 지도 학습-언러닝 스케줄을 사용한다.
• 작업 성능을 보존하기 위해 언러닝과 분절 손실의 균형을 맞추고, 도메인 분류기 정확도(UBA)에 기반한 커리큘럼 유사한 인내 메커니즘을 적용한다.
• 전처리의 용이성과 모달리티 간 문제를 피하기 위해 입력을 FLAIR 모달리티로 제한한다.

Figure 1. Comparison of MRI scans between different domains.

실험 결과

연구 질문

• RQ1 대상 도메인 데이터 없이도 자기지도, 다단계 언러닝이 스캐너 특이 특징을 억제하고 교차 도메인 WML 분할을 향상시킬 수 있는가?
• RQ2 언러닝 깊이(어떤 인코더 단계를 사용할지)와 학습–언러닝 비율이 보인 도메인과 미확인 도메인에서의 분할 성능에 미치는 영향은 무엇인가?
• RQ3 최소한의 전처리(FLAIR만, 감소된 하모나이제이션)가 전통적인 전처리 파이프라인과 비교하여 교차 도메인 일반화에 어떤 영향을 미치는가?

주요 결과

• SSMSU는 기준선과 비교하여 병변 민감도(TPR/LTPR)를 높이고 거짓 탐지를 줄이며(RVE 감소), 여러 지표에서 통계적으로 유의한 향상을 보인다.
• 보이지 않는 다중 스캐너 데이터셋(MSSEG, MSLJ, ISBI)에서 SSMSU는 다섯 가지 벤치마크 전략보다 높은 DSC 및 관련 지표를 보인다.
• 더 깊은 인코더 단계를 언러닝하면 도메인 억제력이 강해져 일반화가 향상되지만, 모든 단계를 언러닝하면 성능이 저하될 수 있다.
• 해당 방법은 보인 데이터에서 경쟁력 있는 DSC를 유지하면서 교차 도메인 이득을 강화하고, LFDR 증가로 인해 약간의 추가로 작은 양성 오탐이 있음을 시사한다.
• FLAIR-전용 입력 사용은 전처리를 단순화하고 스캔 간 변동성에 대한 강인성을 향상시킨다.

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