[논문 리뷰] Meningioma Analysis and Diagnosis using Limited Labeled Samples

Jiamiao Lu, Wei Wu외 9명|arXiv (Cornell University)|2026. 02. 11.

Meningioma and schwannoma management인용 수 0

한 줄 요약

본 논문은 적은 라벨 데이터로 MRI 기반 등급화를 개선하기 위해 공간-주파수 도메인 특징을 통합한 적응형 다중 스케일 공간-주파수 융합 네트워크(AMSF-Net)를 제안합니다. 평가를 위해 새로운 XJTU Meningioma 데이터셋이 제시되었습니다.

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

연구 동기 및 목표

• 제한된 라벨 데이터로 수막종의 등급화를 다루는 과제를 해결한다.
• 공간 도메인 특징과 주파수 도메인 특징을 모두 활용하여 분류 성능을 향상시킨다.
• 적응형 융합 아키텍처를 개발하여 몇 샷 MRI 데이터로 학습할 수 있도록 한다.
• 새로운 MRI 데이터셋(XJTU Meningioma)을 소개하고 평가하여 효율성을 보여준다.

제안 방법

• 두 모듈로 구성된 AMSF-Net를 제안한다: 다중 스케일 웨이브렛 기반 특징 추출을 위한 AMFF 및 공간 및 주파수 정보의 적응형 교차 주의 융합을 위한 ACA-SFF.
• 다단계(L-level) DWT를 적용하여 주파수 의식 표현을 위한 저주파 및 고주파 서브밴드를 여러 스케일로 얻는다.
• LH, HL, HH 서브밴드를 가중하기 위한 적응형 융합 게이트를 사용하고 다중 스케일 특징을 하나의 통합 표현으로 융합한다.
• N-와이 K-샷 설정에서 최종 몇 샷 의사결정을 위한 재구성 기반 에피소드 분류기를 포함한다.
• 훈련 중 몇 샷 학습을 시뮬레이션하기 위한 태스크 샘플링 기반의 에피소드 학습 전략을 활용하고 평가를 위해 피험자-비중복 스플레스를 보장한다.

실험 결과

연구 질문

• RQ1 제한된 라벨 샘플을 MRI에서 수막종의 등급화에 어떻게 효과적으로 활용할 수 있는가?
• RQ2 공간 도메인 특징과 주파수 도메인 특징의 통합이 몇 샷 수막종 분류를 향상시킬 수 있는가?
• RQ3 적응형 다중 스케일 공간-주파수 융합 접근 방식이 새 데이터셋과 기존 데이터셋에서 기존 방법보다 더 나은 성능을 보이는가?

주요 결과

• AMSF-Net은 초록에 보고된 바와 같이 세 데이터셋에서 최첨단 방법들보다 향상된 분류 성능을 보여준다.
• 본 방법은 DWT의 주파수 밴드의 적응형 융합이 이미지에 따라 다르게 기여한다는 것을 보여주며, 적응적 가중치의 필요성을 강조한다.
• 수막종 등급화를 위한 few-shot 학습 평가를 위한 새로운 MRI 데이터셋(XJTU Meningioma)이 도입됐다.
• 이 프레임워크는 에피소드 학습과 교차 도메인 주의력을 사용하여 공간 및 주파수 특징을 융합함으로써 few-shot 학습을 지원한다.
• 이 접근법은 재구성 기반의 에피소드 분류기를 최종 의사결정에 포함하는 엔드-투-엔드 아키텍처를 통합한다.