Brain Tumor Classification from 3D MRI Using Persistent Homology and Betti Features: A Topological Data Analysis Approach on BraTS2020

إليك ملخص تقني مفصل للورقة البحثية بعنوان: "تصنيف أورام الدماغ من صور الرنين المغناطيسي ثلاثية الأبعاد باستخدام الهومولوجيا المستمرة وميزات بيتي: نهج تحليل البيانات الطوبولوجي على مجموعة بيانات BraTS 2020."

1. بيان المشكلة

يعد التصنيف الدقيق لأورام الدماغ (تحديداً التمييز بين الورم الدبقي عالي الدرجة [HGG] والورم الدبقي منخفض الدرجة [LGG]) من خلال التصوير بالرنين المغناطيسي ثلاثي الأبعاد (3D MRI) أمراً صعباً بسبب:

• الأبعاد العالية: تحتوي أحجام الرنين المغناطيسي ثلاثية الأبعاد على كميات هائلة من البيانات، مما يجعل معالجتها مكلفة حاسوبياً.
• الأنماط الهيكلية المعقدة: تظهر الأورام تنوعات مورفولوجية (شكلية) معقدة يصعب التقاطها باستخدام الميزات القياسية القائمة على الكثافة.
• قصور التعلم العميق: في حين أن الشبكات العصبية الالتفافية (CNNs) هي المهيمنة، إلا أنها تتطلب مجموعات بيانات ضخمة مصنفة، وعمليات تعزيز بيانات واسعة النطاق، وموارد حوسبة كبيرة. علاوة على ذلك، فإنها غالباً ما تفتقر إلى القابلية للتفسير، وهو أمر بالغ الأهمية لاتخاذ القرار السريري.

تقترح الورقة حلاً يتجاوز هذه القيود باستخدام تحليل البيانات الطوبولوجي (TDA) لاستخراج واصفات هيكلية مدمجة، قابلة للتفسير، وقوية مباشرة من أحجام الرنين المغناطيسي ثلاثية الأبعاد.

2. المنهجية

الإطار المقترح هو خط معالجة "مدفوع طوبولوجياً" يحول أحجام الرنين المغناطيسي ثلاثية الأبعاد إلى ناقلات ميزات ثابتة الطول باستخدام الهومولوجيا المستمرة (Persistent Homology). تتكون العملية من أربع مراحل رئيسية:

أ. المعالجة المسبقة للبيانات

• مجموعة البيانات: مجموعة بيانات BraTS 2020 التي تحتوي على 369 حالة (293 حالة HGG، و76 حالة LGG).
• النمط (Modality): تم اختيار صور "الاسترخاء المرتد لزمن التلاشي" (FLAIR) لأنها تبرز الوذمة المرتبطة بالورم بشكل أفضل.
• تقليل الحجم: لتقليل العبء الحسابي مع الحفاظ على هياكل الورم، تم استخراج الـ 60 شريحة المركزية (المؤشرات 30-90) من الأحجام الأصلية المكونة من 155 شريحة، مما نتج عنه حجم عمل يبلغ حوالي $60 \times 240 \times 240$.

ب. بناء الترشيح (Filtration Construction)

• يتم إنشاء ترشيح تحت-مستوى مكعبي (cubical sublelet filtration) من حجم الرنين المغناطيسي الرمادي.
• يتم تقسيم نطاق الكثافة $[0, 255]$ إلى $N=100$ من العتبات ($t_1 < t_2 < \dots < t_{100}$).
• مع زيادة العتبة، يتم تفعيل البكسلات ثلاثية الأبعاد (voxels) تدريجياً، مما يخلق تسلسلاً متداخلاً من الصور الثنائية ($X_1 \subset X_2 \subset \dots \subset X_{100}$). يتتبع هذا المسار كيفية ظهور وتطور الهياكل الطوبولوجية.

ج. الهومولوجيا المستمرة واستخراج الميزات

• تتبع الهومولوجيا المستمرة "ميلاد" و"وفاة" الميزات الطوبولوجية عبر عملية الترشيح.
• أعداد بيتي (Betti Numbers): تحسب الطريقة أعداد بيتي لثلاثة أبعاد هومولوجية:
  • بيتي-0 ($k=0$): المكونات المتصلة (عدد المناطق المتميزة).
  • بيتي-1 ($k=1$): الحلقات أو الأنفاق.
  • بيتي-2 ($k=2$): الفراغات أو التجاويف.
• التحويل إلى ناقلات (Vectorization): بدلاً من استخدام مخططات الاستمرار الخام (وهي مجموعات من النقاط)، قام المؤلفون بتحويلها إلى منحنيات بيتي (Betti curves). لكل بُعد $k$، يتم إنشاء متجه $\beta_k(X)$ بطول 100، يمثل عدد الميزات عند كل عتبة.
• ناقل الميزات النهائي: يتم دمج المتجهات الخاصة بـ $k=0, 1, 2$ لتشكيل ناقل ميزات مكون من 300 بُعد ($f(X) \in \mathbb{R}^{300}$) لكل حجم رنين مغناطيسي.

د. التصنيف

• اختيار الميزات: لتقليل التكرار، تُستخدم درجات أهمية الميزات من النماذج القائمة على الأشجار لاختيار مجموعة فرعية من ميزات بيتي الأكثر إخبارية.
• المصنفات: تم تدريب نموذجين من نماذج تعلم الآلة الكلاسيكية:
  1. الغابة العشوائية (Random Forest - RF)
  2. تعزيز التدرج الشديد (XGBoost)
• المهمة: التصنيف الثنائي لـ HGG مقابل LGG.
• الميزة: الميزات الطوبولوجية ثابتة بطبيعتها تجاه الدوران، والانعكاس، وتغيرات الكثافة الطفيفة، مما يلغي الحاجة إلى تعزيز البيانات (Data Augmentation).

3. المساهمات الرئيسية

1. إطار عمل مدفوع طوبولوجياً: يقترح نهجاً جديداً لتطبيق الهومولوجيا المستمرة مباشرة على أحجام الرنين المغناطيسي ثلاثية الأبعاد (بدلاً من الشرائح ثنائية الأبعاد) لتصنيف الأورام.
2. واصفات قابلة للتفسير: يستخرج ميزات قائمة على "بيتي" (0، 1، 2) توفر وصفاً رياضياً لمورفولوجيا الورم (المكونات، الحلقات، الفراغات)، مما يوفر قابلية تفسير عالية مقارنة بميزات التعلم العميق "الصندوق الأسود".
3. الكفاءة الحسابية: يثبت إمكانية تحقيق أداء عالٍ دون الحاجة إلى بنيات تعلم عميق معقدة، أو مجموعات بيانات ضخمة، أو عمليات تعزيز بيانات.
4. تقليل الأبعاد: نجح في تقليل بيانات الرنين المغناطيسي ثلاثية الأبعاد إلى مجموعة ميزات مدمجة مكونة من 300 بُعد (أو أقل مع الاختيار) مع الحفاظ على المعلومات الهيكلية الحرجة.

4. النتائج التجريبية

أُجريت التجارب على مجموعة بيانات BraTS 2020 مع تقسيم 80/20 للتدريب والاختبار.

• تأثير اختيار الميزات: أدى اختيار الميزات إلى تحسين الأداء بشكل كبير وتقليل عدد الميزات المطللة.
  • XGBoost: حقق دقة قدرها 87.84% باستخدام 42 ميزة مختارة (مزيج من B0+B1+B2).
  • الغابة العشوائية (RF): حققت أفضل أداء إجمالي بنسبة 89.19% دقة.
    • حقق أفضل تكوين لـ RF استخدام مزيج من ميزات B1+B2 (42 ميزة) أو الثلاثة معاً (14 ميزة).
    • وصلت الدقة (Precision) إلى 90.50% لمزيج B1+B2.
• المقارنة:
  • دمج جميع ميزات بيتي (B0+B1+B2) تفوق عموماً على استخدام الميزات المنفردة.
  • حقق النهج نتائج تنافسية ضد طرق التعلم العميق مع استخدام جزء بسيط من الموارد الحسابية وعدم الحاجة لتعزيز البيانات.
• التصور البصري: أظهرت مخططات PCA ومنحنيات بيتي توزيعات منفصلة بوضوح بين HGG و LGG، مما يؤكد أن الواصفات الطوبولوجية تلتقط اختلافات هيكلية متميزة بين درجات الأورام.

5. الأهمية والخاتمة

• الأهمية السريرية: يقدم هذا الأسلوب بديلاً خفيف الوزن وقابلاً للتفسير للتعلم العميق، وهو أمر بالغ الأهمية في البيئات الطبية حيث يكون فهم سبب اتخاذ النموذج لقرار ما بنفس أهمية القرار نفسه.
• القوة والمتانة: النهج الطوبولوجي قوي تجاه الضوضاء والتحولات الهندسية، مما يجعله مناسباً لبيانات الرنين المغناطيسي السريرية الواقعية حيث قد تختلف جودة الصور.
• الكفاءة: من خلال تجنب الحاجة إلى تدريب واسع النطاق وموارد GPU ثقيلة، فإن هذا الإطار أكثر سهولة في الوصول إليه للانتشار في البيئات محدودة الموارد.
• العمل المستقبلي: يقترح المؤلفون دمج هذه الواصفات الطوبولوجية مع تمثيلات التعلم العميق وتوسيع الإطار ليشمل بيانات الرنين المغناطوي متعددة الأنماط لتحليل أكثر ثراءً.

باختصار، أثبتت الورقة بنجاح أن الهومولوجيا المستمرة يمكنها بفعالية تلخيص هياكل أورام الدماغ ثلاثية الأبعاد المعقدة إلى ميزات عددية بسيطة وقابلة للتفسير، مما يتيح تصنيفاً عالي الدقة باستخدام خوارزميات تعلم آلة قياسية.