比较持久性条形码聚合与特征拼接在医学成像中的效果

在医学图像分析中，特征工程在机器学习模型的设计和性能中起着重要作用。源自拓扑数据分析（TDA）领域的持久同调（PH）展示了对数据扰动的鲁棒性和稳定性，并解决了传统特征提取方法的局限性，即输入的微小变化会导致特征表示的巨大变化。使用 PH，我们将持久的拓扑和几何特征以持久性条形码的形式存储，其中长条代表全局拓扑特征，短条封装数据的几何信息。当从 2D 或 3D 医学图像计算多个条形码时，可以使用两种方法在每个维度上构建最终的拓扑特征向量：先聚合持久性条形码再进行特征化，或拼接从每个条形码导出的拓扑特征向量。在本研究中，我们在多个不同的医学成像数据集上进行了全面分析，以比较上述两种方法对分类模型性能的影响。分析结果表明，特征拼接保留了来自各个条形码的详细拓扑信息，产生了更好的分类性能，因此在开展类似实验时是一种首选方法。