[论文解读] 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 0

一句话总结

该论文引入一种自适应多尺度时空-频域融合网络（AMSF-Net），用于少样本脑膜瘤学习，整合时空域与频域特征以在标注数据有限的情况下提升基于MRI的分级效果。并提出用于评估的新型 XJTU 脑膜瘤数据集。

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

研究动机与目标

• 解决在标注数据有限的情况下对脑膜瘤进行分级的挑战。
• 利用时空域与频域特征以提升分类性能。
• 开发一个能够从少量 MRI 数据中学习的自适应融合架构。
• 在新的 MRI 数据集（XJTU 脑膜瘤）上进行引入与验证，以证明有效性。

提出的方法

• 提出 AMSF-Net，包含两个模块：AMFF 以基于小波的多尺度特征提取，以及 ACA-SFF 以自适应跨注意力融合时空信息与频率信息。
• 应用级联离散小波变换以在多尺度上获得低频和高频次带（L-level DWT），实现对频率的感知表征。
• 使用自适应融合门控来对 LH、HL、HH 子带进行加权，并将多尺度特征融合为统一表征。
• 在 N 路 K-shot 设置中引入基于重建的 episodic 分类器来完成最终少样本决策。
• 通过任务采样的 episodic 训练策略来模拟训练中的少样本学习；确保评估时受试者不重复划分。

实验结果

研究问题

• RQ1 如何在标注样本有限的情况下有效用于 MRI 的脑膜瘤分级？
• RQ2 将时空域与频域特征结合是否能提升少样本脑膜瘤分类？
• RQ3 自适应多尺度时空-频域融合方法是否在新的和现有数据集上超越现有方法？

主要发现

• AMSF-Net 在三个数据集上相较于当前方法展现了更好的分类性能（如摘要所述）。
• 方法显示来自 DWT 的频段自适应融合在不同图像上的贡献不同，凸显需要自适应加权。
• 引入新的 MRI 数据集（XJTU Meningioma）以评估脑膜瘤分级的少样本学习。
• 该框架通过 episodic 训练和跨域注意力来融合时空与频率特征，支持少样本学习。
• 该方法将端到端架构与基于重建的 episodic 分类器整合用于最终决策。