Resumen Técnico: TopoNet: Un marco de doble rama guiado por la topología para la clasificación de imágenes médicas

Planteamiento del Problema

La clasificación de imágenes médicas volumétricas enfrenta desafíos significativos en cuanto a robustez e interpretabilidad. Los modelos actuales de vanguardia, basados principalmente en Redes Neuronales Convolucionales (CNN) y Vision Transformers (ViT), dependen fuertemente de claves impulsadas por la apariencia (textura e intensidad local). Estos modelos suelen tener dificultades para capturar explícitamente la topología anatómica global, como la conectividad, los bucles y las cavidades, que son críticas para el diagnóstico clínico. Por ejemplo, en el adenocarcinoma ductal pancreático (PDAC), la distinción entre tejido sano y enfermo suele depender de cambios topológicos como la fragmentación ductal o la dilatación anormal, que las arquitecturas locales a nivel de píxel no logran garantizar.

Además, los intentos existentes de integrar el Análisis de Datos Topológicos (TDA) en el aprendizaje profundo sufren de dos limitaciones principales:

1. Sensibilidad al Ruido: Los métodos tradicionales suelen utilizar umbrales rígidos y ajustados manualmente para filtrar las características topológicas, lo que puede descartar señales sutiles pero clínicamente relevantes o retener ruido debido a la variabilidad caso a caso.
2. El Problema del "Desacoplamiento Espacial": La mayoría de los enfoques vectorizan las características topológicas (por ejemplo, en imágenes de persistencia o curvas de Betti) y las concatenan con las características neuronales. Este proceso descarta las coordenadas espaciales de las características, lo que impide que la red localice dónde ocurren las anomalías topológicas específicas, creando así un desajuste representacional entre las características de la imagen con conciencia espacial y los vectores topológicos sin conciencia espacial.

Metodología: TopoNet

Para abordar estas limitaciones, los autores proponen TopoNet, un marco de doble rama guiado por la topología que integra estructuras topológicas multiescala directamente en el aprendizaje de representaciones volumétricas preservando el contexto espacial.

1. Extracción de Topología Estadística mediante Bandas de Confianza

En lugar de utilizar umbrales fijos, TopoNet emplea una estrategia fundamentada estadísticamente para distinguir las señales topológicas significativas del ruido:

• Homología Persistente Cubical: El método computa la homología persistente en complejos cubicales derivados de la rejilla de vóxeles, rastreando la evolución de $H_0$ (componentes conectados), $H_1$ (bucles) y $H_2$ (cavidades) a través de filtraciones de conjuntos sublevel.
• Filtrado por Bandas de Confianza: Para manejar el ruido topológico, el marco utiliza un enfoque basado en submuestreo para construir bandas de confianza de $(1-\alpha)$ para el diagrama de persistencia. Las características con valores de persistencia ($d-b$) que caen dentro de la banda de confianza (definida por la distancia de cuello de botella $\epsilon_\alpha$) se tratan como ruido. Solo se retienen las características que satisfacen $d-b > 2\epsilon_\alpha$ como estadísticamente significativas. Esto elimina la necesidad de un ajuste de umbral manual y rígido.

2. Mapeo de Topología a Vóxel con Conciencia de Dimensión

Una innovación central de TopoNet es la restauración del contexto espacial a las características topológicas, resolviendo el problema del "desacoplamiento espacial":

• Localización: Los pares de persistencia seleccionados se mapean de nuevo al dominio de vóxeles.
  • $H_0$: Se generan máscaras de componentes conectados identificando vóxeles semilla y extrayendo componentes en umbrales de pre-fusión específicos.
  • $H_1$: Los ciclos representativos de 1 (bucles) se reconstruyen mediante reducción de matrices y se rasterizan en máscaras de bucle binarias, opcionalmente dilatadas para formar vecindarios tubulares.
  • $H_2$: Las cáscaras de las cavidades se identifican mediante semillas "destructoras" (destroyer seeds) y se construyen mediante crecimiento de regiones geodésicas y operadores morfológicos.
• Resultado: Este proceso genera máscaras de topología binarias ($T$) explícitas y espacialmente registradas que están estrictamente alineadas con el volumen de la imagen de entrada ($I$), creando una "modalidad de topología" complementaria.

3. Arquitectura de Doble Rama con Fusión Cross-Modal

TopoNet utiliza una arquitectura de doble rama 3D (basada en DenseNet121) para procesar las modalidades de imagen y topología en paralelo:

• Extracción de Características Mono-modales: Dos ramas independientes extraen características multiescala. La rama de topología utiliza Normalización de Grupo (GN) en lugar de Normalización de Lote para manejar la alta dispersión de las máscaras derivadas de la topología.
• Módulo de Interacción entre Ramas (CBIM): En las etapas intermedias (Etapa 3 y 4), las ramas interactúan a través de un mecanismo de fusión especializado:
  • Módulo de Mejora de Textura: Un módulo de convolución de profundidad ligero mejora las características de textura local en la rama de la imagen.
  • Módulo de Mejora de Topología: Un módulo consciente de la dispersión refina las características topológicas, normalizándolas por el conteo de vóxeles válidos para evitar que los ceros del fondo contaminen la representación.
  • Atención Cruzada (Cross-Attention): Las características de la imagen actúan como consultas (queries), mientras que las características topológicas proporcionan claves (keys) y valores (values). Esto permite que la red condicione las representaciones de la imagen mediante la guía topológica.
  • Fusión Residual con Compuerta (Gated Residual Fusion): Las características guiadas por la topología se inyectan en la rama de la imagen a través de un mecanismo de compuerta aprendible, permitiendo que el modelo controle adaptativamente la fuerza del prior topológico.
• Cabezal de Clasificación: Las características fusionadas finales pasan por un Agrupamiento de Atención (Attention Pooling), que agrega adaptativamente las características de los vóxeles basadas en pesos de atención aprendidos, suprimiendo el ruido de fondo antes de la clasificación.

Principales Contribuciones

El artículo describe cuatro contribuciones primarias:

1. Extracción con Fundamento Estadístico: Un marco que utiliza bandas de confianza para identificar características de homología persistente significativas en complejos cubicales, separando las señales clínicas robustas del ruido sin umbrales rígidos.
2. Restauración Espacial: Un flujo de trabajo de mapeo de topología a vóxel con conciencia de dimensión que convierte resúmenes topológicos abstractos ($H_0/H_1/H_2$) en máscaras binarias por vóxel alineadas espacialmente, cerrando la brecha entre el TDA y el aprendizaje profundo basado en rejillas.
3. Arquitectura TopoNet: Una red de doble rama que codifica las modalidades de imagen y topología en paralelo, utilizando atención entre ramas para guiar a la red hacia regiones estructuralmente significativas.
4. Validación Empírica: Experimentos extensos que demuestran mejoras consistentes sobre bases sólidas en dos conjuntos de datos distintos.

Resultados Experimentales

Los autores evaluaron TopoNet en dos conjuntos de datos utilizando validación cruzada de 5 pliegues (5-fold cross-validation):

1. Tarea MSD Task07 Pancreas (PDAC vs. No-PDAC):

   • TopoNet alcanzó una Exactitud de 0.8197 ± 0.0587 y un AUC de 0.8123 ± 0.1127.
   • Superó a bases sólidas de CNN (ResNet50, DenseNet121, EfficientNet) y Transformer (ViT, Swin).
   • Notablemente, TopoNet mostró una varianza significativamente menor en Exactitud y F1-score en comparación con las bases, indicando una mayor estabilidad.

2. Conjunto de Datos BraTS 2018 (Gradación de Glioma: HGG vs. LGG):

   • TopoNet alcanzó una Exactitud de 0.9333 ± 0.0079 y un AUC de 0.9267 ± 0.0437.
   • Demostró una generalización superior a las modalidades de MRI en comparación con las bases, con predicciones altamente estables a través de los pliegues.

Los Estudios de Ablación confirmaron que:

• La selección por banda de confianza supera a las estrategias de umbral fijo.
• La combinación de todas las dimensiones de homología ($H_0 + H_1 + H_2$) produce el mejor rendimiento.
• La estrategia de filtración "No Inversion" (sublevel set sobre la intensidad bruta) fue óptima para el TC pancreático, resaltando la importancia de la semántica de filtración específica de la tarea.
• La dirección específica de la interacción cross-modal (Mejora de Imagen guiada por Topología, $T \to I$) fue más efectiva que las alternativas bidireccionales o secuenciales.
• Eliminar cualquier componente (Mejora de Textura, Mejora de Topología, Atención Cruzada o Agrupamiento de Atención) degradó el rendimiento, validando la necesidad de la arquitectura completa.

Visualización: Las visualizaciones de Grad-CAM mostraron que TopoNet se enfoca en patrones estructurales relevantes para la enfermedad (por ejemplo, trayectorias ductales) alineados con las características topológicas, mientras que las bases suelen producir activaciones difusas impulsadas por la textura.

Significado y Reivindicaciones

El artículo afirma que TopoNet proporciona una vía prometedora para mejorar el rendimiento, la robustez y la interpretabilidad clínica de la clasificación de imágenes médicas volumétricas. Al integrar fundamentalmente pistas estructurales explícitas en el flujo de trabajo de aprendizaje profundo en lugar de tratar la topología como una estadística global, el marco aborda el "desacoplamiento espacial" inherente a los métodos de TDA previos.

Los autores enfatizan que su enfoque:

• Mejora la Interpretabilidad: Al mapear las características topológicas de vuelta al dominio de vóxeles, el modelo proporciona pistas estructurales con base espacial que se alinean con el razonamiento clínico (por ejemplo, la conectividad ductal).
• Mejora la Robustez: El filtrado por banda de confianza y los mecanismos de fusión con compuerta permiten al modelo adaptarse al ruido y la variabilidad anatómica, reduciendo la dependencia de texturas incidentales.
• Ofrece un Paradigma Plug-and-Play: El marco de aprendizaje guiado por la topología demuestra ser efectivo a través de varias arquitecturas de base (CNNs y Transformers), sugiriendo una amplia aplicabilidad.

Los autores concluyen que, si bien el método es prometedor, se necesita trabajo futuro para modelar las interacciones sinérgicas entre las dimensiones de la homología (por ejemplo, usando Redes Neuronales de Grafos) y para validar el enfoque en cohortes más grandes y multicéntricas para evaluar la generalizabilidad a través de diversos protocolos de escaneo.