다중 모달 MRI에서 뇌종양을 정확하게 분할하는 것은 임상 진단 및 치료 계획에 중요합니다. 다양한 MRI 시퀀스로부터 보완적인 정보를 통합하는 것은 일반적이지만, 실제 임상 환경에서 하나 이상의 모달리티가 빈번하게 누락되어 딥러닝 기반 분할 모델의 성능과 일반화 능력이 저하되는 문제가 있습니다. 이 문제를 해결하기 위해, 본 논문에서는 임의의 입력 모달리티 조합을 유연하게 처리할 수 있는 새로운 Cross-Modal Compositional Self-Distillation (CCSD) 프레임워크를 제안합니다. CCSD는 공유-특정 인코더-디코더 아키텍처를 채택하고, (i) 계층적 모달리티 자기 증류 메커니즘을 통해 모달리티 계층 간 지식을 전달하여 의미론적 불일치를 줄이고, (ii) 점진적 모달리티 조합 증류 접근 방식을 통해 훈련 중 점진적인 모달리티 드롭아웃을 시뮬레이션하여 누락된 모달리티에 대한 견고성을 향상시키는 두 가지 자기 증류 전략을 통합합니다. 공개 뇌종양 분할 벤치마크에 대한 광범위한 실험을 통해 CCSD가 다양한 누락된 모달리티 시나리오에서 최첨단 성능을 달성하며, 강력한 일반화 및 안정성을 보임을 입증했습니다.
