[論文レビュー] Meningioma Analysis and Diagnosis using Limited Labeled Samples

Jiamiao Lu, Wei Wu+9 more|arXiv (Cornell University)|Feb 11, 2026

Meningioma and schwannoma management被引用数 0

ひとこと要約

要約: 本論文は、少数ショットの髄膜腫学習のための適応的な多尺度空間周波数融合ネットワーク（AMSF-Net）を提案し、空間特徴と周波数ドメイン特徴を統合して限られたラベリングデータでのMRIベースの階級を改善します。評価のための新しい XJTU Meningioma データセットが提示されます。

ABSTRACT

The biological behavior and treatment response of meningiomas depend on their grade, making an accurate diagnosis essential for treatment planning and prognosis assessment. We observed that the weighted fusion of spatial-frequency domain features significantly influences meningioma classification performance. Notably, the contribution of specific frequency bands obtained by discrete wavelet transform varies considerably across different images. A feature fusion architecture with adaptive weights of different frequency band information and spatial domain information is proposed for few-shot meningioma learning. To verify the effectiveness of the proposed method, a new MRI dataset of meningiomas is introduced. The experimental results demonstrate the superiority of the proposed method compared with existing state-of-the-art methods in three datasets. The code will be available at: https://github.com/ICL-SUST/AMSF-Net

研究の動機と目的

• 限られたラベル付きデータで髄膜腫のグレーディングの課題に対処する。
• 空間ドメインと周波数ドメインの特徴の両方を活用して分類を強化する。
• 少数ショットのMRIデータから学習できる適応的融合アーキテクチャを開発する。
• 新しい MRI データセット（XJTU Meningioma）を導入・検証して有効性を示す。

提案手法

• AMSF-Net を2つのモジュールで提案する：AMFF はマルチスケールのウェーブレットベース特徴抽出、ACA-SFF は空間情報と周波数情報の適応的クロスアテンション融合。
• 複 cascaded discrete wavelet transform を適用して、複数スケールで低周波/高周波のサブバンドを取得し、周波数認識表現を得る（L-level DWT）。
• 適応融合ゲートを用いて LH, HL, HH サブバンドを重みづけし、マルチスケール特徴を統一表現に融合。
• N-Way K-Shot 設定内で最終的な少数ショット決定のための再構成ベースのエピソドック分類器を組み込む。
• トレーニング時にはエピソード学習戦略とタスクサンプリングを用いて少数ショット学習を模擬する；評価時には被験者分離を確保する。

実験結果

リサーチクエスチョン

• RQ1 限られたラベル付きサンプルをどのように効果的に利用してMRIから髄膜腫をグレードできるか？
• RQ2 空間ドメインと周波数ドメインの特徴を統合すると少数ショット髄膜腫分類は改善されるか？
• RQ3 適応的多尺度空間周波数融合アプローチは新規および既存データセットで既存手法を上回るか？

主な発見

• AMSF-Net は3つのデータセットで最先端の手法より分類性能を向上させる（要約に記載の通り）。
• 周波数バンドの適応融合は DWT からの周波数成分が画像ごとに異なる寄与を示し、適応的重み付けの必要性を強調する。
• 髄膜腫グレーディングの少数ショット学習を評価するための新しい MRI データセット（XJTU Meningioma）が導入された。
• エピソード学習とクロスドメイン注意機構を用いて空間特徴と周波数特徴を融合することで、少数ショット学習をサポートする。
• 再構成ベースのエピソドック分類器を用いたエンドツーエンドのアーキテクチャを最終決定に統合する。