PHG-Net：持久同调引导的医学图像分类网络
计算机视觉与模式识别
2023-11-30 v1 图像与视频处理
摘要
现代深度神经网络在医学图像分析中取得了巨大成功。然而，卷积神经网络（CNN）或 Transformer 所捕获的特征往往针对像素强度进行优化，而忽略了连通分支与环路等关键解剖结构。本文中，我们提出一种持久同调引导方法（PHG-Net），探索物体的拓扑特征用于医学图像分类。对于输入图像，我们首先计算其立方持久图（cubical persistence diagram），并使用小型神经网络（称为 PH 模块）将拓扑特征提取为向量表示。随后，提取的拓扑特征被融入由 CNN 或 Transformer 生成的特征图中进行特征融合。PH 模块轻量且能够以端到端方式将拓扑特征集成到任意 CNN 或 Transformer 架构中。我们在三个公开数据集上评估了 PHG-Net，并展示了其在目标分类任务上相较最先进（SOTA）方法的显著提升。
引用
@article{arxiv.2311.17243,
title = {PHG-Net: Persistent Homology Guided Medical Image Classification},
author = {Yaopeng Peng and Hongxiao Wang and Milan Sonka and Danny Z. Chen},
journal= {arXiv preprint arXiv:2311.17243},
year = {2023}
}
备注
Accepted by WACV 2024