論文の概要: G-LoG Bi-filtration for Medical Image Classification

• arxiv url: http://arxiv.org/abs/2602.18329v1
• Date: Fri, 20 Feb 2026 16:35:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-23 18:01:41.382263
• Title: G-LoG Bi-filtration for Medical Image Classification
• Title（参考訳）: 医用画像分類のためのG-LoGバイオフィルタ
• Authors: Qingsong Wang, Jiaxing He, Bingzhe Hou, Tieru Wu, Yang Cao, Cailing Yao,
• Abstract要約: ガウス作用素のラプラシアンを用いて医療画像の境界を拡大する。 体積像を有界関数としてモデル化することにより、永続モジュールのインターリーブ距離が安定であることを証明する。 MedMNISTデータセット上で実験を行う。
• 参考スコア（独自算出の注目度）: 16.162636980856423
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Building practical filtrations on objects to detect topological and geometric features is an important task in the field of Topological Data Analysis (TDA). In this paper, leveraging the ability of the Laplacian of Gaussian operator to enhance the boundaries of medical images, we define the G-LoG (Gaussian-Laplacian of Gaussian) bi-filtration to generate the features more suitable for multi-parameter persistence module. By modeling volumetric images as bounded functions, then we prove the interleaving distance on the persistence modules obtained from our bi-filtrations on the bounded functions is stable with respect to the maximum norm of the bounded functions. Finally, we conduct experiments on the MedMNIST dataset, comparing our bi-filtration against single-parameter filtration and the established deep learning baselines, including Google AutoML Vision, ResNet, AutoKeras and auto-sklearn. Experiments results demonstrate that our bi-filtration significantly outperforms single-parameter filtration. Notably, a simple Multi-Layer Perceptron (MLP) trained on the topological features generated by our bi-filtration achieves performance comparable to complex deep learning models trained on the original dataset.
• Abstract（参考訳）: トポロジカル・データ・アナリティクス(TDA)分野において、トポロジカル・幾何学的特徴を検出するためにオブジェクトに実用的なフィルターを構築することが重要な課題である。 本稿では,ガウス演算子のラプラシアンが医療画像の境界を拡大する能力を活用し,G-LoG (Gaussian-Laplacian of Gaussian-Laplacian) 二重フィルタを定義し,多パラメータ持続モジュールに適した特徴を生成する。 体積像を有界関数としてモデル化することにより、有界関数上の双濾過から得られる永続モジュールのインターリーブ距離が有界関数の最大ノルムに対して安定であることを証明する。 最後に,Google AutoML Vision, ResNet, AutoKeras, Auto-sklearnなど,単パラメータフィルタと確立されたディープラーニングベースラインとの比較を行い,MedMNISTデータセットの実験を行った。 その結果, 両濾過は単パラメータ濾過よりも有意に優れていた。 特に、バイフィルタによって生成されるトポロジ的特徴に基づいてトレーニングされた単純なMulti-Layer Perceptron(MLP)は、元のデータセットでトレーニングされた複雑なディープラーニングモデルに匹敵するパフォーマンスを達成する。

関連論文リスト

• MCbiF: Measuring Topological Autocorrelation in Multiscale Clusterings via 2-Parameter Persistent Homology [1.5813217907813781]
  マルチスケールクラスタリング・ビファイリング (MCbiF) は,クラスタの交叉パターンを符号化する抽象的な単体錯体のフィルタとして定義する。 MCbiFの永続ホモロジー(MPH)は有限表現かつブロック分解可能な加群となることを示す。 我々は実験を通じて、下流機械学習タスクのトポロジ的特徴マップとしてMCbiF Hilbert関数の使用を実証した。
  論文  参考訳（メタデータ） (2025-10-16T14:11:12Z)
• The Quest for Universal Master Key Filters in DS-CNNs [52.091987605762135]
  深く分離可能な畳み込みネットワークが本質的に収束する8つの普遍フィルタが見つかる。 解析により、これらのフィルタは、発見された普遍集合の主に線型シフト(ax+b)であることが判明した。 注目すべきは、これらの8つのユニークなフリーズフィルタを持つネットワークは、80%以上のImageNet精度を達成することだ。
  論文  参考訳（メタデータ） (2025-09-15T09:10:13Z)
• Enhancing Spectral Graph Neural Networks with LLM-Predicted Homophily [48.135717446964385]
  スペクトルグラフニューラルネットワーク(SGNN)は,ノード分類などのタスクにおいて顕著な性能を実現している。 本稿では,Large Language Models (LLMs) を利用してグラフのホモフィリーレベルを推定する新しいフレームワークを提案する。 我々のフレームワークは、強力なSGNNベースラインよりもパフォーマンスを継続的に改善します。
  論文  参考訳（メタデータ） (2025-06-17T06:17:19Z)
• Filtration learning in exact multi-parameter persistent homology and classification of time-series data [3.193388094899312]
  EMPHのフィルタ学習のためのフレームワークを提案する。 フィルタパラメータに対する損失関数の勾配の正確な式を導出する。
  論文  参考訳（メタデータ） (2024-06-28T00:25:43Z)
• Mix-GENEO: A Flexible Filtration for Multiparameter Persistent Homology Detects Digital Images [0.8437187555622164]
  トポロジカルデータ解析の分野における2つの重要な課題は、オブジェクトに実用的なマルチフィルタを構築し、TDAを使って幾何学を検出することである。 そこで我々は,マルチジェネエオ,マルチジェネエオ,ミックスジェネエオという画像上に,演算子によるマルチパラメータフィルタを構築した。 実例では、イメージを離散関数空間とみなし、その離散関数空間上に多重フィルタを構築する。
  論文  参考訳（メタデータ） (2024-01-09T03:05:53Z)
• Decomposed Guided Dynamic Filters for Efficient RGB-Guided Depth Completion [46.04264366475848]
  RGB誘導深度補正は、スパース深度測定と対応するRGB画像から深度マップを予測することを目的としている。 ガイド付き動的フィルタは、RGB特徴から空間的に可変な深度分割可能な畳み込みフィルタを生成し、深度特徴を導出する。 本稿では,ガイド付き動的フィルタを空間的に共有されたコンポーネントに分解し,各空間位置におけるコンテンツ適応型適応器を乗じて分解する。
  論文  参考訳（メタデータ） (2023-09-05T08:37:58Z)
• Filter Pruning for Efficient CNNs via Knowledge-driven Differential Filter Sampler [103.97487121678276]
  フィルタプルーニングは同時に計算を加速し、CNNのメモリオーバーヘッドを低減する。 本稿では,MFM(Masked Filter Modeling)フレームワークを用いた知識駆動型微分フィルタサンプリング(KDFS)を提案する。
  論文  参考訳（メタデータ） (2023-07-01T02:28:41Z)
• Learning Versatile Convolution Filters for Efficient Visual Recognition [125.34595948003745]
  本稿では,効率的な畳み込みニューラルネットワーク構築のための多目的フィルタを提案する。 本稿では,ネットワークの複雑性に関する理論的解析を行い,効率的な畳み込み手法を提案する。 ベンチマークデータセットとニューラルネットワークの実験結果は、我々の汎用フィルタが元のフィルタと同等の精度を達成できることを実証している。
  論文  参考訳（メタデータ） (2021-09-20T06:07:14Z)
• Online Multi-Object Tracking and Segmentation with GMPHD Filter and Mask-based Affinity Fusion [79.87371506464454]
  本稿では,インスタンス分割結果を入力として利用するMOTS法を提案する。 提案手法は,ガウス混合確率仮説密度 (GMPHD) フィルタ,階層型データアソシエーション (HDA) モデル,マスクベース親和性融合 (MAF) モデルに基づく。 2つの人気のあるMOTSデータセットの実験では、主要なモジュールがいくつかの改善点を示している。
  論文  参考訳（メタデータ） (2020-08-31T21:06:22Z)

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。