拓扑签名与梯度直方图：医学图像分类的比较研究
计算机视觉与模式识别
2026-02-10 v2 机器学习
摘要
本研究对比评估了两种根本不同的特征提取范式——梯度直方图（HOG）和拓扑数据分析（TDA）——用于医学图像分类，专注于视网膜 Fundus 影像。HOG 通过建模空间区域内梯度方向分布，捕获局部结构信息，有效编码纹理和边缘模式。相比之下，TDA 通过立方持久同调提取全局拓扑描述符，表征形状、连通性和强度基结构。我们在公开可用的 APTOS 视网膜 Fundus 数据集上评估了两种方法，用于两个分类任务：二分类（正常 vs. 糖尿病视网膜病变（DR））和五类 DR 严重程度分级。从每张图像中提取 26,244 个 HOG 特征和 800 个 TDA 特征，分别用于训练七种经典机器学习模型，包括逻辑回归、随机森林、XGBoost、支持向量机、决策树、k 近邻和 Extra Trees，使用 10 折交叉验证。实验结果表明，XGBoost 在两种特征类型上均取得最佳性能。二分类准确率分别为 94.29%（HOG）和 94.18%（TDA），多分类准确率分别为 74.41% 和 74.69%。这些结果表明，梯度特征和拓扑特征提供了视网膜图像结构的互补表征，凸显了集成两种方法以实现可解释且稳健的医学图像分类的潜力。
引用
@article{arxiv.2507.03006,
title = {Topological Signatures vs. Gradient Histograms: A Comparative Study for Medical Image Classification},
author = {Faisal Ahmed},
journal= {arXiv preprint arXiv:2507.03006},
year = {2026}
}
备注
18 pages, 12 figures