TopoImages：将局部拓扑编码引入深度学习模型用于医学图像分类
计算机视觉与模式识别
2025-08-05 v1
摘要
图像数据中的拓扑结构（如连通分量和环）在理解图像内容方面发挥着关键作用（例如，生物医学对象）。尽管诸多图像处理方法在外观信息方面取得了显著成功，但这些方法常在通用的深度学习框架中缺乏对拓扑结构的敏感性。本文提出一种新方法，称为 TopoImages（拓扑图像），通过编码图像局部区域的拓扑信息来计算输入图像的新表示。TopoImages 利用持久同调（PH）对图像局部区域固有的几何和拓扑特征进行编码。我们的主要目标是将输入图像局部区域的拓扑信息捕获并转化为向量形式。具体而言，我们首先计算局部区域的持久图（PD），随后将这些 PD 向量化并排列成局部区域像素的长向量。得到的多通道图像形式表示即为 TopoImage。TopoImages 为数据分析提供了新的视角。为获取图像数据中多样且显著的拓扑特征，并确保更全面和丰富的表示，我们进一步生成多个输入图像的 TopoImages，称为多视角 TopoImages。这些多视角 TopoImages 与输入图像融合，用于深度学习分类，效果显著提升。我们的 TopoImages 方法高度通用，可无缝集成到常见的深度学习框架中。在三个公开的医学图像分类数据集上进行实验，表明相对于当前最先进的方法，准确率有显著提升。
引用
@article{arxiv.2508.01574,
title = {TopoImages: Incorporating Local Topology Encoding into Deep Learning Models for Medical Image Classification},
author = {Pengfei Gu and Hongxiao Wang and Yejia Zhang and Huimin Li and Chaoli Wang and Danny Chen},
journal= {arXiv preprint arXiv:2508.01574},
year = {2025}
}