G-LoG 双滤化用于医学图像分类
计算机视觉与模式识别
2026-02-23 v1 代数拓扑
摘要
在对象上构建实用滤化以检测拓扑和几何特征是拓扑数据分析 (TDA) 领域的重要任务。本文利用高斯-拉普拉斯算子增强医学图像边界的能力，定义了 G-LoG（Gaussian-Laplacian of Gaussian）双滤化，以生成更适用于多参数持久模块的特征。通过将体积图像建模为有界函数，我们证明了基于我们双滤化得到的持久模块之间的交叉距离随有界函数的最大范数的稳定性。最后，我们在 MedMNIST 数据集上进行实验，比较了我们的双滤化与单参数滤化以及 established 的深度学习基线，包括 Google AutoML Vision、ResNet、AutoKeras 和 auto-sklearn。实验结果表明，我们的双滤化显著优于单参数滤化。值得注意的是，在我们的双滤化生成的拓扑特征上训练的简单多层感知器 (MLP) 的性能可与在原始数据集上训练的复杂深度学习模型相当。
引用
@article{arxiv.2602.18329,
title = {G-LoG Bi-filtration for Medical Image Classification},
author = {Qingsong Wang and Jiaxing He and Bingzhe Hou and Tieru Wu and Yang Cao and Cailing Yao},
journal= {arXiv preprint arXiv:2602.18329},
year = {2026}
}