本文利用拓扑数据分析的工具，提出了一种通过预测模型估计人工标注结构的不确定性的方法，该方法可以提高结构图的准确度并减少标注时间。

Jun, 2023

通过拓扑数据分析法，我们提出了一种新颖的深度学习框架，以更好地分割和不确定性评估复杂的细微结构，如生物医学应用中的神经元、组织和血管，为可扩展的标注提供了有力工具。

Mar, 2024

提出了一种通用的损失函数，用于在多类别分割中实现拓扑准确性，并通过在持久性条码上引入匹配概念进行优化，将多类别分割问题转化为单类别分割任务，从而实现了神经网络的快速训练，并在四个医学数据集上验证了该方法的有效性。

Mar, 2024

我们提出了一种新的学习方法，通过设计一个连续的价值损失函数来促进分割具有与真值相同的拓扑结构，即具有相同的 Betti 数，将其并入深度神经网络的端到端训练中，以在广泛的自然和生物医学数据集上实现更好的性能。

Jun, 2019

使用计算拓扑的工具研究服装的感知问题，通过直接拓扑研究样本化纺织物表面的重建算法，得到适用于降噪或网格独立参数化等任务的表面分块分解和确定表面拓扑的小秩细胞复合结构。

May, 2024

本研究提出了一种定向连通性建模方案，用于解耦、跟踪和利用网络中的方向信息，从而有效增强连接性网络中的特征表示，在各种公共医学成像分割基准测试中展现了相关模型的有效性。

Mar, 2023

本文提出了一种名为 MORSE 的通用隐式神经渲染框架，以医学图像分割为例，通过多尺度像素级特征的并行优化和自适应细化边界区域的特征聚合，相比基于网格的曲卡尔卷积能更好地整合在高水平的语义相关内容和低水平的解剖特征，从而在 2D 和 3D 监督医学分割方法中持续取得了有竞争力的性能提升。

Apr, 2023

该研究提出了一种基于图形的方法来处理医学影像中解剖拓扑的连续性和连通性问题，实验表明与传统方法相比，该方法在保持解剖形态连续性的同时，在连通性方面有显著的改进，而在分割度量方面表现更好或持平。

Apr, 2023

本文介绍了一种新的拓扑感知损失函数，通过计算地面实况和预测之间的持续性图的 Wasserstein 距离来惩罚两者之间的拓扑不相似性，实验证明该拓扑感知损失函数在计算机断层扫描图像的分割任务中得到了比其他方法更好的结果。

Jul, 2023

提出了一种使用持久同调来训练神经网络在图像和体积分割中实现拓扑先验知识的方法，不需要地面真实标签，通过三个实验展示了该方法的有效性，将这种显式先验知识嵌入到神经网络分割任务中是最有益的。

Oct, 2019