基于谱总变差学习的弱学习者集成：一种PET-CT案例研究
计算机视觉与模式识别
2025-07-14 v1
摘要
通过机器学习解决计算机视觉问题时，常常面临训练数据不足的问题。为缓解这一困境，我们提出使用基于谱总变差（STV）特征的弱学习者集成（Gilboa 2014）。这些特征与总变差子梯度的非线性特征函数有关，可在 various尺度上良好地表征纹理。 Burger等人（2016）指出，在一维情况下，这些特征会生成正交特征，而在二维情况下，这些特征经验上呈现低相关性。集成学习理论主张使用低相关性的弱学习者。因此，我们在此设计基于STV特征的学习者集成。为展示该范式的有效性，我们检查了一个困难的实际医学成像问题：CT数据对骨转移患者PET中高吸收的预测价值。数据库由457个扫描组成，包含1524对注册的CT和PET切片。我们的方法与深度学习方法和放射组学特征进行了比较，显示STV学习者表现最佳（AUC=0.87），相对于神经网络（AUC=0.75）和放射组学（AUC=0.79）。我们观察到，CT图像中细粒度STV尺度对于PET中高吸收的存在尤其具有指示意义。
引用
@article{arxiv.2507.08735,
title = {Ensemble of Weak Spectral Total Variation Learners: a PET-CT Case Study},
author = {Anna Rosenberg and John Kennedy and Zohar Keidar and Yehoshua Y. Zeevi and Guy Gilboa},
journal= {arXiv preprint arXiv:2507.08735},
year = {2025}
}