論文の概要: Topological Signatures vs. Gradient Histograms: A Comparative Study for Medical Image Classification

• arxiv url: http://arxiv.org/abs/2507.03006v1
• Date: Wed, 02 Jul 2025 08:20:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:34.522995
• Title: Topological Signatures vs. Gradient Histograms: A Comparative Study for Medical Image Classification
• Title（参考訳）: トポロジカルシグナチャとグラディエントヒストグラム : 医用画像分類の比較検討
• Authors: Faisal Ahmed, Mohammad Alfrad Nobel Bhuiyan,
• Abstract要約: 網膜基底像を用いた医用画像分類法として, オリエントグラディエント(HOG)とトポロジカルデータ分析(TDA)のヒストグラムを検討した。 2値検出(正常対糖尿病網膜症)と5クラス糖尿病網膜症重症度評価という2つの分類課題に対して,大APTOSデータセットの両手法について検討した。 XGBoostは両方のケースで最高のパフォーマンスを達成した: 94.29パーセントの精度(HOG)と94.18パーセントのバイナリタスク、74.41パーセントのHOG(HOG)と74.69パーセントのTDA(TDA)。
• 参考スコア（独自算出の注目度）: 1.3492288506683114
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present the first comparative study of two fundamentally distinct feature extraction techniques: Histogram of Oriented Gradients (HOG) and Topological Data Analysis (TDA), for medical image classification using retinal fundus images. HOG captures local texture and edge patterns through gradient orientation histograms, while TDA, using cubical persistent homology, extracts high-level topological signatures that reflect the global structure of pixel intensities. We evaluate both methods on the large APTOS dataset for two classification tasks: binary detection (normal versus diabetic retinopathy) and five-class diabetic retinopathy severity grading. From each image, we extract 26244 HOG features and 800 TDA features, using them independently to train seven classical machine learning models with 10-fold cross-validation. XGBoost achieved the best performance in both cases: 94.29 percent accuracy (HOG) and 94.18 percent (TDA) on the binary task; 74.41 percent (HOG) and 74.69 percent (TDA) on the multi-class task. Our results show that both methods offer competitive performance but encode different structural aspects of the images. This is the first work to benchmark gradient-based and topological features on retinal imagery. The techniques are interpretable, applicable to other medical imaging domains, and suitable for integration into deep learning pipelines.
• Abstract（参考訳）: 網膜基底像を用いた医用画像分類法として, オリエント・グラディエント(HOG)のヒストグラムとトポロジカル・データ分析(TDA)の2つの基本的特徴抽出技術の比較検討を行った。 HOGは勾配方向ヒストグラムによって局所的なテクスチャとエッジパターンをキャプチャし、TDAは3次永続ホモロジーを用いてピクセル強度のグローバルな構造を反映した高レベルのトポロジ的シグネチャを抽出する。 2値検出(正常対糖尿病網膜症)と5クラス糖尿病網膜症重症度評価という2つの分類課題に対して,大APTOSデータセットの両手法について検討した。 各画像から26244のHOG特徴と800のTDA特徴を抽出し、それらを独立して10倍のクロスバリデーションを持つ7つの古典的機械学習モデルを訓練する。 XGBoostは両方のケースで最高のパフォーマンスを達成した: 94.29パーセントの精度(HOG)と94.18パーセントのバイナリタスク、74.41パーセントのHOG(HOG)と74.69パーセントのTDA(TDA)。 以上の結果から,両手法は競合性能を提供するが,画像の異なる構造的側面を符号化する。 これは、網膜画像の勾配に基づくトポロジ的特徴をベンチマークする最初の試みである。 これらの技術は解釈可能であり、他の医療画像領域に適用でき、ディープラーニングパイプラインに統合するのに適している。

関連論文リスト

• HOG-CNN: Integrating Histogram of Oriented Gradients with Convolutional Neural Networks for Retinal Image Classification [1.5939351525664014]
  本稿では,HOG-CNNと呼ばれるハイブリッド特徴抽出モデルに基づく,自動的かつ解釈可能な臨床診断支援フレームワークを提案する。 私たちの重要な貢献は、手作りのHistogram of Oriented Gradients(HOG)機能とDeep Convolutional Neural Network(CNN)表現の統合です。 本モデルでは,2次DR分類では98.5%,2次DR分類では99.2AUC,5次DR分類では94.2AUCが得られた。
  論文  参考訳（メタデータ） (2025-07-29T22:54:28Z)
• Heart Rate Classification in ECG Signals Using Machine Learning and Deep Learning [0.0]
  本研究は心電図信号からの心拍を2つの異なるアプローチで分類する。 従来の機械学習は、手作りの機能と、ECGビートを変換した画像によるディープラーニングを利用している。 SVMやAdaBoostのようなモデルではスコアが大幅に低くなり、このタスクには限定的な適合性を示した。
  論文  参考訳（メタデータ） (2025-06-02T05:16:16Z)
• Glioma subtype classification from histopathological images using in-domain and out-of-domain transfer learning: An experimental study [9.161480191416551]
  成人型びまん性グリオーマのコンピュータ支援分類のための様々な伝達学習戦略と深層学習アーキテクチャを比較した。 半教師付き学習手法を提案し、細調整されたモデルを用いて、スライド画像全体の無注釈領域のラベルを予測する。 モデルはその後、前のステップで決定された接地構造ラベルと弱いラベルを用いて再訓練され、標準のドメイン間転送学習と比較して優れた性能を提供する。
  論文  参考訳（メタデータ） (2023-09-29T13:22:17Z)
• The Whole Pathological Slide Classification via Weakly Supervised Learning [7.313528558452559]
  細胞核疾患と病理タイルの空間的相関の2つの病因を考察した。 本研究では,抽出器訓練中の汚れ分離を利用したデータ拡張手法を提案する。 次に,隣接行列を用いてタイル間の空間的関係を記述する。 これら2つのビューを統合することで,H&E染色組織像を解析するためのマルチインスタンス・フレームワークを設計した。
  論文  参考訳（メタデータ） (2023-07-12T16:14:23Z)
• Enhanced Sharp-GAN For Histopathology Image Synthesis [63.845552349914186]
  病理組織像合成は、正確ながん検出のためのディープラーニングアプローチの訓練において、データ不足の問題に対処することを目的としている。 核トポロジと輪郭正則化を用いて合成画像の品質を向上させる新しい手法を提案する。 提案手法は、Sharp-GANを2つのデータセット上の4つの画像品質指標すべてで上回る。
  論文  参考訳（メタデータ） (2023-01-24T17:54:01Z)
• An Ensemble Method to Automatically Grade Diabetic Retinopathy with Optical Coherence Tomography Angiography Images [4.640835690336653]
  糖尿病網膜症解析チャレンジ(DRAC)2022から得られる糖尿病網膜症(DR)画像を自動的に評価するアンサンブル法を提案する。 まず、最先端の分類ネットワークを採用し、利用可能なデータセットの異なる分割でUW-OCTA画像のグレードをトレーニングする。 最終的に、25のモデルを取得し、そのうち上位16のモデルを選択し、アンサンブルして最終的な予測を生成する。
  論文  参考訳（メタデータ） (2022-12-12T22:06:47Z)
• Stain-invariant self supervised learning for histopathology image analysis [74.98663573628743]
  乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。 本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2022-11-14T18:16:36Z)
• Affinity Feature Strengthening for Accurate, Complete and Robust Vessel Segmentation [48.638327652506284]
  血管セグメンテーションは、冠動脈狭窄、網膜血管疾患、脳動脈瘤などの多くの医学的応用において重要である。 コントラストに敏感なマルチスケールアフィニティアプローチを用いて,幾何学的手法と画素単位のセグメンテーション特徴を連成的にモデル化する新しいアプローチであるAFNを提案する。
  論文  参考訳（メタデータ） (2022-11-12T05:39:17Z)
• Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
  そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。 医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。 BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2022-03-29T08:41:17Z)
• Vision Transformers for femur fracture classification [59.99241204074268]
  Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。 史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
  論文  参考訳（メタデータ） (2021-08-07T10:12:42Z)
• Representation Learning of Histopathology Images using Graph Neural Networks [12.427740549056288]
  本稿では,WSI表現学習のための2段階フレームワークを提案する。 色に基づく手法を用いて関連するパッチをサンプリングし、グラフニューラルネットワークを用いてサンプルパッチ間の関係を学習し、画像情報を単一のベクトル表現に集約する。 肺腺癌 (LUAD) と肺扁平上皮癌 (LUSC) の2つの亜型を鑑別するためのアプローチの有用性について検討した。
  論文  参考訳（メタデータ） (2020-04-16T00:09:20Z)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。