本研究では、複数のMRIモダリティから脳腫瘍を正確にセグメント化することの重要性を述べています。特に、実際の臨床環境ではモダリティが欠損することが多く、これが深層学習モデルの性能を損なう大きな課題となっています。これに対処するために、著者らは「CCSD（クロスモーダル合成自己蒸留）」という新しいフレームワークを提案しました。このフレームワークは、共有されたエンコーダ・デコーダアーキテクチャを採用し、知識の移転を行う2つの自己蒸留戦略を統合しています。具体的には、階層的なモダリティ自己蒸留機構と、訓練中に段階的なモダリティドロップアウトを模倣する漸進的モダリティ結合蒸留アプローチを使用しています。実験結果により、CCSDは各種の欠損モダリティシナリオにおいて最先端の性能を達成し、強い一般化能力と安定性を示しました。