基于持久同调卷积的组织病理切片分类

卷积神经网络 (CNN) 是计算机视觉任务中图像分类的标准工具。然而，典型的模型架构可能导致信息丢失。 在组织病理学等特定领域，拓扑学是一种重要的描述符，可用于通过分析细胞形状特征来区分疾病相关组织。当前文献表明，使用持久同调重新引入拓扑信息可提高医学诊断效率；然而，先前的方法利用全局拓扑概述，这些概述不包含关于拓扑特征局部性的信息。为解决这一问题，本文提出了一种新方法，通过称为持久同调卷积的修订版卷积算子生成基于持久同调的局部数据。该方法捕获关于拓扑特征局部性和平移等价性的信息。我们进行了一项比较研究，使用 various 表示的组织病理切片，并发现使用持久同调卷积训练的模型优于传统训练的模型，对超参数更不敏感。这些结果表明，持久同调卷积从组织病理切片中提取有意义的几何信息。