🤖 machine learning

Topological Signatures vs. Gradient Histograms: A Comparative Study for Medical Image Classification

Questo studio confronta l'efficacia dei descrittori basati sui gradienti (HOG) e quelli topologici (TDA) per la classificazione delle immagini del fondo oculare, dimostrando che entrambi i metodi offrono rappresentazioni complementari e ottimi risultati con il modello XGBoost nel rilevamento della retinopatia diabetica.

Autori originali: Faisal Ahmed

Pubblicato 2026-02-10

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Faisal Ahmed

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

👁️ Il Detective dell'Occhio: Due modi per scovare la malattia

Immagina di dover esaminare migliaia di fotografie del fondo dell'occhio per trovare segni di una malattia chiamata retinopatia diabetica. È un lavoro enorme e delicato. In questo studio, un ricercatore (Faisal Ahmed) ha deciso di mettere alla prova due "detective" diversi per vedere chi è più bravo a trovare le prove del crimine (la malattia).

Non sono detective umani, ma metodi matematici che trasformano le immagini in numeri per aiutare i computer a decidere: "Questo occhio è sano o è malato?"

🕵️‍♂️ Il Primo Detective: "Il Maestro delle Texture" (HOG)

Il primo metodo si chiama HOG (Histogram of Oriented Gradients).

L'analogia: Immagina che il primo detective sia un artista specializzato nel disegno tecnico. Quando guarda una foto, non si interessa del colore o della storia dell'immagine, ma cerca solo le linee, i bordi e le ombre.
Se vede una linea netta, un bordo brusco o una macchia con una direzione precisa, la annota subito. È bravissimo a notare i dettagli "fisici" e le trame (come le venature o i piccoli segni sulla retina), un po' come un esperto che riconosce un tessuto solo toccandone la trama.

Punto di forza: È molto preciso nel vedere i dettagli locali e le piccole imperfezioni.
Punto debole: È un po' "miope". Si concentra così tanto sui piccoli dettagli che a volte perde di vista la struttura generale dell'immagine.

🕸️ Il Secondo Detective: "L'Architetto delle Forme" (TDA)

Il secondo metodo si chiama TDA (Topological Data Analysis).

L'analogia: Immagina che il secondo detective sia un architetto o un geometra. A lui non interessano i singoli pixel o le piccole linee. Lui guarda la "forma" globale.
Se l'occhio è come una città, il TDA non guarda il colore dei mattoni, ma si chiede: "Ci sono dei buchi? Ci sono dei ponti? Le strade sono collegate o sono isolate?".
In medicina, una malattia può creare delle "macchie" o dei "vuoti" nella struttura dell'occhio. Il TDA è un maestro nel contare questi "buchi" (chiamati matematicamente Betti numbers) e nel capire come la struttura dell'immagine cambia se la guardiamo con diverse intensità di luce.

Punto di forza: È un visionario. Capisce la struttura globale e la "connessione" tra le parti. È molto più facile capire perché ha preso una decisione (è molto "trasparente").
Punto debole: È meno dettagliato del primo detective quando si tratta di micro-texture.

🥊 Lo Scontro: Chi ha vinto?

Il ricercatore ha dato le foto a entrambi i detective e ha usato dei "giudici" (modelli di Machine Learning come XGBoost) per valutare i loro rapporti.

Nella sfida "Sano vs Malato" (Binaria): Il detective delle texture (HOG) è stato leggermente più preciso. È stato quasi imbattibile nel distinguere un occhio normale da uno malato.
Nella sfida "Quanto è grave?" (Multi-classe): Qui la sfida si è fatta dura. La malattia ha diversi livelli di gravità. In questo caso, entrambi i detective sono stati molto validi, dimostrando che hanno capacità diverse.

💡 La Conclusione: La Squadra Perfetta

La vera notizia non è che uno ha vinto e l'altro ha perso, ma che sono complementari.

È come se avessi un team di investigatori: uno è un esperto di impronte digitali (HOG) e l'altro è un esperto di planimetrie degli edifici (TDA). Se li metti insieme in una "squadra speciale" (un sistema ibrido), avrai un potere diagnostico incredibile.

In parole povere: Il futuro della medicina non sarà scegliere tra il dettaglio e la visione d'insieme, ma usare entrambi per salvare la vista delle persone in modo più veloce, preciso e comprensibile per i medici.

Riassunto Tecnico: Analisi Comparativa tra Firme Topologiche e Istogrammi di Gradienti per la Classificazione di Immagini Mediche

1. Il Problema (Problem Statement)

Nonostante i progressi del deep learning nella diagnostica medica, molti modelli soffrono di una mancanza di interpretabilità e di una limitata generalizzabilità. Sebbene tecniche di estrazione di caratteristiche manuali (handcrafted features) siano state utilizzate singolarmente, esiste una lacuna nella letteratura scientifica riguardante un confronto sistematico tra descrittori basati sul gradiente (che catturano texture e bordi) e descrittori basati sulla Topological Data Analysis (TDA) (che catturano la forma globale e la connettività). L'obiettivo dello studio è determinare come queste due metodologie, fondamentalmente diverse, si comportino nel compito di classificare la retinopatia diabetica (DR) attraverso immagini del fondo oculare.

2. Metodologia (Methodology)

Lo studio utilizza il dataset pubblico APTOS 2019 e valuta due scenari di classificazione:

Classificazione Binaria: Normale vs. Retinopatia Diabetica.
Classificazione Multi-classe: Suddivisione in 5 livelli di gravità della DR.

Vengono estratte e confrontate due tipologie di feature:

Topological Data Analysis (TDA): Utilizzando l'omologia persistente cubica, lo studio estrae caratteristiche che quantificano la struttura topologica (componenti connesse e cicli/buchi). Il processo prevede la costruzione di una filtrazione di sottolivello basata sui valori di intensità dei pixel, la creazione di diagrammi di persistenza e la successiva vettorizzazione tramite funzioni di Betti ( $\beta_0$ e $\beta_1$ ). Per ogni immagine vengono estratti 800 vettori topologici (distribuiti su canali RGB e scala di grigi).
Histogram of Oriented Gradients (HOG): Questa tecnica cattura l'orientamento locale dei gradienti per descrivere texture e bordi. Le immagini vengono convertite in scala di grigi, suddivise in celle e blocchi, e normalizzate. Da ogni immagine vengono estratti 26.244 feature HOG.

Le feature vengono poi testate indipendentemente utilizzando sette modelli di machine learning classico: Regressione Logistica, Random Forest, XGBoost, SVM, Decision Tree, k-NN ed Extra Trees, con una validazione incrociata a 10 pieghe (10-fold cross-validation).

3. Contributi Chiave (Key Contributions)

Primo confronto sistematico: È il primo studio a confrontare direttamente l'efficacia di HOG e TDA sullo stesso dataset per la classificazione di malattie retiniche.
Analisi della complementarità: Dimostra che le due tecniche codificano aspetti strutturali dell'immagine fondamentalmente diversi (geometria locale vs. topologia globale).
Interpretabilità: Fornisce un quadro su come le curve di Betti possano offrire una spiegazione visiva e matematica delle differenze patologiche (es. la presenza di lesioni che appaiono come "buchi" topologici).
Efficienza: Dimostra che entrambi i metodi sono lightweight (leggeri) e non richiedono data augmentation o pre-addestramento massivo.

4. Risultati (Results)

I risultati mostrano che entrambi i metodi sono altamente competitivi, ma con sfumature diverse:

Classificazione Binaria: Il modello XGBoost ha ottenuto le prestazioni migliori. Le feature HOG hanno leggermente superato la TDA in termini di accuratezza (94,29% vs 94,18%), ma la TDA ha mostrato punteggi AUC (Area Under Curve) superiori in modelli come Random Forest, indicando una migliore separabilità delle classi.
Classificazione Multi-classe (5 livelli): La sfida è maggiore, ma XGBoost rimane il leader con un'accuratezza intorno al 74%. In questo scenario, il divario tra HOG e TDA si riduce, suggerendo che la TDA è particolarmente efficace nel catturare le sottili variazioni strutturali legate alla progressione della malattia.
Interpretazione: Le feature HOG risultano difficili da interpretare clinicamente a causa dell'elevata dimensionalità e della sovrapposizione dei dati. Al contrario, le curve di Betti della TDA permettono di visualizzare chiaramente come le immagini con DR presentino un numero maggiore di "loop" (cicli) rispetto alle immagini normali, riflettendo la presenza di lesioni luminose.

5. Significato e Conclusioni (Significance)

Lo studio conclude che HOG e TDA non sono in competizione, ma sono complementari. Mentre HOG eccelle nel catturare dettagli di texture locale, la TDA offre una visione strutturale globale e altamente interpretabile.

La rilevanza clinica risiede nella possibilità di integrare queste feature in pipeline di Deep Learning ibride, combinando la potenza di apprendimento delle reti neurali con la robustezza e la trasparenza delle caratteristiche geometriche e topologiche manuali. Questo approccio promette di creare sistemi diagnostici più affidabili, veloci e, soprattutto, spiegabili per i medici.