DuMeta++: Spatiotemporal Dual Meta-Learning for Generalizable Few-Shot Brain Tissue Segmentation Across Diverse Ages

📄 arXiv: 2602.07174v1 📥 PDF

作者: Yongheng Sun, Jun Shu, Jianhua Ma, Fan Wang

分类: cs.CV

发布日期: 2026-02-06

🔗 代码/项目: GITHUB

💡 一句话要点

DuMeta++：时空双重元学习用于跨年龄泛化的少样本脑组织分割

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 脑组织分割 元学习 少样本学习 跨年龄泛化 医学图像分析

📋 核心要点

  1. 现有脑组织分割方法难以应对大脑随年龄变化带来的外观和形态改变，泛化能力不足。
  2. DuMeta++通过双重元学习，分别学习年龄无关的特征表示和高效的模型初始化，提升泛化性。
  3. 实验表明，DuMeta++在多个数据集上，少样本分割的跨年龄泛化性能优于现有方法。

📝 摘要（中文）

脑组织MRI扫描的精确分割对于神经科学和临床应用至关重要，但由于大脑外观和形态随年龄动态变化，在整个人类生命周期中保持一致的性能仍然具有挑战性。先前的工作试图通过使用配对纵向数据的自监督正则化来缓解这些变化，但这种数据在实践中通常不可用。为了解决这个问题，我们提出了DuMeta++，一个无需配对纵向数据的双重元学习框架。我们的方法整合了：（1）元特征学习，以提取时空演变的大脑结构的年龄无关的语义表示；（2）元初始化学习，以实现分割模型的数据高效适应。此外，我们提出了一种基于记忆库的类别感知正则化策略，以在没有显式纵向监督的情况下强制执行纵向一致性。我们在理论上证明了DuMeta++的收敛性，确保了稳定性。在少样本设置下，在不同的数据集（iSeg-2019、IBIS、OASIS、ADNI）上的实验表明，DuMeta++在跨年龄泛化方面优于现有方法。

🔬 方法详解

问题定义：论文旨在解决脑组织分割任务中，由于大脑形态随年龄变化显著，导致模型在不同年龄段数据上泛化能力差的问题。现有方法依赖配对的纵向数据进行自监督学习，但实际应用中难以获取此类数据，限制了模型的实用性。

核心思路：论文提出一种双重元学习框架DuMeta++，无需配对纵向数据，即可学习到年龄不变的特征表示和良好的模型初始化参数。通过元学习的方式，使模型能够快速适应新的年龄段数据，从而提高跨年龄泛化能力。

技术框架：DuMeta++包含两个主要的元学习模块：元特征学习和元初始化学习。元特征学习模块旨在提取年龄无关的语义特征，捕捉大脑结构的时空演变信息。元初始化学习模块则负责学习一个良好的模型初始化参数，使得模型在少量样本上就能快速收敛到较好的分割性能。此外，还引入了基于记忆库的类别感知正则化策略，以增强纵向一致性。

关键创新：DuMeta++的关键创新在于其双重元学习框架，该框架能够同时学习年龄不变的特征表示和高效的模型初始化参数，从而在没有配对纵向数据的情况下，实现良好的跨年龄泛化能力。此外，基于记忆库的类别感知正则化策略也是一个重要的创新点，它能够在没有显式纵向监督的情况下，增强分割结果的纵向一致性。

关键设计：元特征学习模块使用时空卷积网络提取特征，并设计了特定的损失函数来鼓励学习年龄不变的特征表示。元初始化学习模块则通过模拟少样本学习过程，学习一个能够快速适应新任务的模型初始化参数。基于记忆库的类别感知正则化策略，维护一个包含各类脑组织特征的记忆库，并利用该记忆库对分割结果进行正则化，以保证纵向一致性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

DuMeta++在iSeg-2019、IBIS、OASIS和ADNI等多个数据集上进行了评估，实验结果表明，在少样本设置下，DuMeta++在跨年龄泛化方面显著优于现有方法。具体的性能提升数据在论文中给出，证明了该方法的有效性。

🎯 应用场景

该研究成果可应用于多种临床场景，例如辅助诊断阿尔茨海默病等神经退行性疾病，评估脑发育异常，以及进行精准的神经外科手术规划。通过提升脑组织分割的准确性和泛化性，可以为临床医生提供更可靠的辅助诊断信息，从而改善患者的治疗效果。

📄 摘要（原文）

Accurate segmentation of brain tissues from MRI scans is critical for neuroscience and clinical applications, but achieving consistent performance across the human lifespan remains challenging due to dynamic, age-related changes in brain appearance and morphology. While prior work has sought to mitigate these shifts by using self-supervised regularization with paired longitudinal data, such data are often unavailable in practice. To address this, we propose \emph{DuMeta++}, a dual meta-learning framework that operates without paired longitudinal data. Our approach integrates: (1) meta-feature learning to extract age-agnostic semantic representations of spatiotemporally evolving brain structures, and (2) meta-initialization learning to enable data-efficient adaptation of the segmentation model. Furthermore, we propose a memory-bank-based class-aware regularization strategy to enforce longitudinal consistency without explicit longitudinal supervision. We theoretically prove the convergence of our DuMeta++, ensuring stability. Experiments on diverse datasets (iSeg-2019, IBIS, OASIS, ADNI) under few-shot settings demonstrate that DuMeta++ outperforms existing methods in cross-age generalization. Code will be available at https://github.com/ladderlab-xjtu/DuMeta++.