THIR：基于拓扑数据分析的组织病理图像检索
计算机视觉与模式识别
2025-11-18 v1
摘要
世界卫生组织指出，2020 年全球约有 685,000 名女性因乳腺癌去世。早期诊断和准确的临床决策对于减少这一全球负拔至关重要。本研究提出了 THIR，一种新颖的内容基于医学图像检索（CBMIR）框架，利用拓扑数据分析中的贝特数（Betti numbers）来特征化和检索基于其内在结构模式的组织病理图像。不同于依赖大量训练、标注数据集和强大 GPU 资源的传统深度学习方法，THIR 完全无监督。它通过立方持久性直接从 RGB 组织病理图像中提取拓扑指纹，将循环的演化编码为紧凑、可解释的特征向量。随后通过计算这些拓扑描述子之间的距离来实现相似性检索，高效返回最相关的 Top-K 匹配结果。针对 BreaKHis 数据集进行的大量实验表明，THIR 在超越监督和无监督方法的状态最佳水平上表现优异。它可在标准 CPU 上在 20 分钟内处理整个数据集，提供了一个快速、可扩展且无需训练的临床图像检索解决方案。
关键词
引用
@article{arxiv.2511.13170,
title = {THIR: Topological Histopathological Image Retrieval},
author = {Zahra Tabatabaei and Jon Sporring},
journal= {arXiv preprint arXiv:2511.13170},
year = {2025}
}