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

Riepilogo Tecnico: Fusione Ibrida di Topologia e Caratteristiche Profonde per la Classificazione Accurata della Gravità dell'Alzheimer basata su MRI

Problematica
La diagnosi accurata e precoce della Malattia di Alzheimer (AD) e la classificazione dei suoi stadi di gravità rimangono sfide critiche nella neuroimaging. Sebbene la Risonanza Magnetica (MRI) sia un pilastro per la valutazione delle alterazioni strutturali come l'atrofia ippocampale, la classificazione automatizzata è ostacolata da cambiamenti strutturali non lineari sottili, squilibri di classe e dai limiti degli approveri di machine learning tradizionali che si affidano a caratteristiche (feature) progettate manualmente. Inoltre, le soluzioni esistenti di deep learning, in particolare le Reti Neurali Convoluzionali (CNN), richiedono spesso un'ampia aumentazione dei dati, set di addestramento estesi o strategie di ensemble complesse per raggiungere un'elevata accuratezza. Questi metodi possono essere computazionalmente costosi, sensibili allo squilibrio dei dati e difficili da interpretare, limitandone l'applicabilità clinica. Inoltre, i modelli puramente guidati dalla topologia potrebbero faticare a catturare texture locali fini in dati MRI ad alta dimensionalità.

Metodologia
Gli autori propongono un nuovo framework ibrido di deep learning che integra l'Analisi dei Dati Topologici (TDA) con una struttura portante DenseNet121 per eseguire la classificazione della gravità dell'AD a quattro classi (Non Demenza, Demenza Molto Lieve, Demenza Lieve, Demenza Moderata) utilizzando dati MRI strutturali dal dataset OASIS-1. L'architettura opera tramite due rami paralleli di estrazione delle caratteristiche seguiti da una strategia di fusione tardiva (late-fusion):

1. Estrazione delle Caratteristiche Topologiche (Ramo TDA):

   • Il framework utilizza l'Omologia Persistente (PH) per estrarre descrittori strutturali robusti da sezioni 2D di MRI.
   • Viene costruita una filtrazione cubica di sottolivello (sublevel filtration) sottraendo progressivamente le intensità dei pixel.
   • I gruppi di omologia vengono calcolati per catturare componenti connesse ($k=0$, Betti-0) e cicli/cavità ($k=1$, Betti-1).
   • I diagrammi di persistenza vengono trasformati in curve di Betti (Betti curves) a lunghezza fissa (discretizzate in 100 bin per ogni dimensione), risultando in un vettore di caratteristiche topologiche a 200 dimensioni ($T = [\beta_0, \beta_1]$).
   • Queste caratteristiche sono elaborate attraverso un Perceptron Multistrato (MLP) per generare un embedding topologico a 128 dimensioni. Questo ramo cattura caratteristiche morfologiche globali invarianti rispetto alle trasformazioni geometriche.

2. Estrazione delle Caratteristiche Profonde (Ramo DenseNet121):

   • Le sezioni MRI in scala di grigi (ridimensionate a $248 \times 248$) sono proiettate in una rappresentazione a tre canali per utilizzare la struttura DenseNet121.
   • La rete, inizializzata con pesi pre-addestrati su ImageNet e privata della sua testa di classificazione, apprende caratteristiche spaziali gerarchiche.
   • Il Global Average Pooling aggrega l'informazione spaziale, che viene poi raffinata attraverso uno strato completamente connesso con attivazione ReLU per produrre un embedding di caratteristica d'immagine a 64 dimensioni. Questo ramo cattura pattern di texture locale e variazioni spaziali.

3. Fusione delle Caratteristiche e Classificazione:

   • L'embedding topologico (128-dim) e l'embedding CNN (64-dim) vengono concatenati per formare un vettore di caratteristiche unificato a 192 dimensioni.
   • Questo vettore fuso passa attraverso strati densi (256 e 128 neuroni) con attivazione ReLU e un tasso di dropout di 0.2 per modellare interazioni di ordine superiore e prevenire l'overfitting.
   • Uno strato softmax finale predice la distribuzione di probabilità tra le quattro classi di gravità dell'AD.
   • Il modello è addestrato end-to-end utilizzando l'ottimizzatore Adam e la perdita di cross-entropia categorica per 50 epoche con una dimensione del batch di 32. Notevolmente, non viene utilizzata alcuna aumentazione dei dati (data augmentation).

Contributi Chiave

• Framework Ibrido Innovativo: Il documento introduce un'architettura TDA+DenseNet121 che sinergizza i descrittori topologici globali (tramite omologia persistente) con le caratteristiche convoluzionali profonde locali.
• Efficienza dei Dati e Robustezza: L'approccio dimostra che l'integrazione delle informazioni topologiche consente prestazioni elevate senza dipendere da un'estesa aumentazione dei dati o da strategie di ensemble complesse, affrontando i limiti dei dataset piccoli o sbilanciati.
• Interpretabilità: Utilizzando descrittori topologici, il modello offre una rappresentazione più interpretabile dei cambiamenti strutturali cerebrali rispetto ai modelli di deep learning "black-box".
• Prestazioni allo Stato dell'Arte: Il framework raggiunge risultati superiori sul dataset MRI OASIS-1 rispetto a metodi esistenti basati su CNN, transfer learning e metodi di ensemble.

Risultati
Valutato sul dataset MRI OASIS-1 (Kaggle) con una suddivisione train-test 90:10, il modello proposto ha ottenuto:

• Accuratezza: 99.93%
• AUC (Area Under the Curve): 100%
• Precisione/Richiamo (Precision/Recall): 99.94% / 99.95%

Questi risultati superano significativamente i metodi precedentemente pubblicati su dataset simili, tra cui:

• Deep Multi-scale CNN (98.00% accuratezza, 99.33% AUC).
• Four-way Siamese CNN (93.85% accuratezza, 95.10% AUC).
• Transfer Learning utilizzando AlexNet (92.85% accuratezza).
• Ensemble di reti neurali profonde (93.18% accuratezza).

Uno studio di ablazione ha confermato che il modello ibrido supera sia il modello standalone solo TDA (97.99% accuratezza) che il modello standalone DenseNet121 (97.78% accuratezza), validando la natura complementare dei due tipi di caratteristiche. Le visualizzazioni delle caratteristiche Betti-0 e Betti-1 tramite PCA e grafici a violino hanno dimostrato una chiara separazione e un clustering distinto tra i quattro stadi della malattia.

Significatività e Rivendicazioni
Il documento afferma che il framework proposto offre un'alternativa computazionalmente efficiente, efficiente nei dati e interpretabile alla convenzionale classificazione MRI basata sul deep learning. Catturando i pattern strutturali globali che completano le rappresentazioni basate sull'intensità locale, il modello TDA+DenseNet121 migliora la separabilità delle classi e la robustezza. Gli autori asseriscono che questo approccio è particolarmente prezioso per scenari clinici in cui la disponibilità di dati è limitata e dove l'interpretabilità è cruciale per la fiducia del clinico. Lo studio evidenzia il potenziale della deep learning consapevole della topologia come paradigma efficace per la diagnosi dell'AD basata sulla neuroimaging, suggerendo che l'integrazione di descrittori strutturali globali con rappresentazioni convoluzionali possa far avanzare lo stato dell'arte nella classificazione della gravità senza la necessità di un'eccessiva aumentazione dei dati.