Hybrid Topological and Deep Feature Fusion for Accurate MRI-Based Alzheimer's Disease Severity Classification

Résumé Technique : Fusion Hybride de Topologie et de Caractéristiques Profondes pour une Classification Précise de la Sévérité de la Maladie d'Alzheimer basée sur l'IRM

Énoncé du Problème
Le diagnostic précis et précoce de la maladie d'Alzheimer (MA) ainsi que la classification de ses stades de sévérité demeurent des défis critiques en neuroimagerie. Bien que l'imagerie par résonance magnétique (IRM) soit un pilciers pour évaluer les altérations structurelles telles que l'atrophie hippocampique, la classification automatisée est entravée par des changements structurels subtils et non linéaires, le déséquilibre des classes et les limites des approches traditionnelles d'apprentissage automatique reposant sur des caractéristiques extraites manuellement. De plus, les solutions existantes de deep learning, particulièrement les réseaux de neurones convolutifs (CNN), nécessitent souvent une augmentation massive des données, de grands ensembles d'entraînement ou des stratégies d'ensemble complexes pour atteindre une précision élevée. Ces méthodes peuvent être coûteuses en termes de calcul, sensibles au déséquilibre des données et difficiles à interpréter, limitant ainsi leur applicabilité clinique. En outre, les modèles purement pilotés par la topologie peuvent peiner à capturer les textures locales fines dans les données IRM de haute dimension.

Méthodologie
Les auteurs proposent un nouveau cadre hybride de deep learning qui intègre l'analyse des données topologiques (TDA) à un squelette DenseNet121 pour effectuer une classification en quatre classes de la sévérité de la MA (Non-démentielle, Démence très légère, Démence légère, Démence modérée) en utilisant des données d'IRM structurelle du jeu de données OASIS-1. L'architecture fonctionne via deux branches d'extraction de caractéristiques parallèles suivies d'une stratégie de fusion tardive :

1. Extraction de Caractéristiques Topologiques (Branche TDA) :

   • Le cadre utilise l'homologie persistante (PH) pour extraire des descripteurs structurels robustes à partir de coupes IRM 2D.
   • Une filtration cubique de sous-niveau est construite en seuillant progressivement les intensités de pixels.
   • Les groupes d'homologie sont calculés pour capturer les composantes connexes ($k=0$, Betti-0) et les boucles/cavités ($k=1$, Betti-1).
   • Les diagrammes de persistance sont transformés en courbes de Betti (discrétisées en 100 bacs pour chaque dimension), résultant en un vecteur de caractéristiques topologiques de 200 dimensions ($T = [\beta_0, \beta_1]$).
   • Ces caractéristiques sont traitées par un perceptron multicouche (MLP) pour générer un plongement topologique de 128 dimensions. Cette branche capture les caractéristiques morphologiques globales invariantes aux transformations géométriques.

2. Extraction de Caractéristiques Profondes (Branche DenseNet121) :

   • Des coupes IRM en niveaux de gris (redimensionnées en $248 \times 248$) sont projetées dans une représentation à trois canaux pour utiliser le squelette DenseNet121.
   • Le réseau, initialisé avec des poids pré-entraînés sur ImageNet et débarrassé de sa tête de classification, apprend des caractéristiques spatiales hiérarchiques.
   • Le pooling global moyen (Global Average Pooling) agrège l'information spatiale, qui est ensuite affinée par une couche entièrement connectée avec une activation ReLU pour produire un plongement de caractéristiques d'image de 64 dimensions. Cette branche capture les motifs de texture locale et les variations spatiales.

3. Fusion de Caractéristiques et Classification :

   • L'imprégnation topologique (128 dim) et l'imprégnation CNN (64 dim) sont concaténées pour former un vecteur de caractéristiques unifié de 192 dimensions.
   • Ce vecteur fusionné passe par des couches denses (256 et 128 neurones) avec une activation ReLU et un taux de dropout de 0,2 pour modéliser les interactions d'ordre supérieur et prévenir le surapprentissage.
   • Une couche softmax finale prédit la distribution de probabilité à travers les quatre classes de sévérité de la MA.
   • Le modèle est entraîné de bout en bout en utilisant l'optimiseur Adam et la perte d'entropie croisée catégorielle pendant 50 époques avec une taille de lot de 32. Notamment, aucune augmentation de données n'est employée.

Contributions Clés

• Cadre Hybride Novateur : L'article introduit une architecture TDA+DenseNet121 qui fait la synergie entre les descripteurs topologiques globaux (via l'homologie persistante) et les caractéristiques convolutives profondes locales.
• Efficacité des Données et Robustesse : L'approche démontre que l'intégration d'informations topologiques permet d'obtenir des performances élevées sans dépendre d'une augmentation de données intensive ou de stratégies d'ensemble complexes, répondant ainsi aux limites des ensembles de données petits ou déséquilibrés.
• Interprétabilité : En utilisant des descripteurs topologiques, le modèle offre une représentation plus interprétable des changements structurels du cerveau par rapport aux modèles de deep learning de type "boîte noire".
• Performance de l'État de l'Art : Le cadre atteint des résultats supérieurs sur le jeu de données OASIS-1 par rapport aux méthodes existantes basées sur les CNN, au transfert d'apprentissage et aux méthodes d'ensemble.

Résultats
Évalué sur le jeu de données d'IRM OASIS-1 (Kaggle) avec une division train-test de 90:10, le modèle proposé a atteint :

• Précision (Accuracy) : 99,93 %
• AUC (Aire sous la courbe) : 100 %
• Précision/Rappel (Precision/Recall) : 99,94 % / 99,95 %

Ces résultats surpassent de manière significative les méthodes publiées précédemment sur des ensembles de données similaires, notamment :

• CNN multi-échelle profond (98,00 % de précision, 99,33 % d'AUC).
• CNN siamien à quatre voies (93,85 % de précision, 95,10 % d'AUC).
• Transfer Learning utilisant AlexNet (92,85 % de précision).
• Ensemble de réseaux neuronaux profonds (93,18 % de précision).

Une étude d'ablation a confirmé que le modèle hybride surpasse à la fois le modèle seul TDA (97,99 % de précision) et le modèle seul DenseNet121 (97,78 % de précision), validant la nature complémentaire des deux types de caractéristiques. Les visualisations des caractéristiques Betti-0 et Betti-1 via PCA et des graphiques en violon ont démontré une séparation claire et un regroupement distinct parmi les quatre stades de la maladie.

Signification et Revendications
L'article affirme que le cadre proposé offre une alternative informatiquement efficace, efficace en termes de données et interprétable aux méthodes conventionnelles de classification d'IRM basées sur le deep learning. En capturant les motifs structurels globaux qui complètent les représentations basées sur l'intensité locale, le modèle TDA+DenseNet121 améliore la séparabilité des classes et la robustesse. Les auteurs soutiennent que cette approche est particulièrement précieuse pour les scénarios cliniques où la disponibilité des données est limitée et où l'interprétabilité est cruciale pour la confiance des cliniciens. L'étude souligne le potentiel de l'apprentissage profond conscient de la topologie comme un paradigme efficace pour le diagnostic de la MA par neuroimagerie, suggérant que l'intégration de descripteurs structurels globaux avec des représentations convolutives peut faire progresser l'état de l'art de la classification de la sévérité sans nécessiter une augmentation excessive des données.