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

技術要約：MRIに基づくアルツハイマー病重症度分類のためのハイブリッド・トポロジカルおよびディープ特徴融合

問題提起
アルツハイマー病（AD）の正確かつ早期の診断、およびその重症度段階の分類は、神経画像診断における極めて重要な課題である。磁気共鳴画像法（MRI）は、海馬の萎縮などの構造的変化を評価するための基盤であるが、自動分類は、微妙で非線形な構造変化、クラスの不均衡、および手作業による特徴量に依存する従来の機械学習手法の限界によって阻害されている。さらに、既存のディープラーニング・ソリューション、特に畳み込みニューラルネットワーク（CNN）は、高い精度を実現するために、積極的なデータ拡張、大規模な訓練セット、または複雑なアンサンブル戦略を必要とすることが多い。これらの手法は計算コストが高く、データの不均衡に敏感であり、解釈が困難であるため、臨床への適用を制限している。加えて、純粋にトポロジー（位相幾何学）駆動型のモデルは、高次元のMRIデータにおける微細な局所的テクスチャを捉えることに苦慮する場合がある。

手法
著者らは、OASIS-1データセットを用いた4クラスのAD重症度分類（非認知症、極めて軽度の認知症、軽度の認知症、中等度の認知症）を行うために、トポロジカルデータ解析（TDA）とDenseNet121バックボーンを統合した、新しいハイブリッド・ディープラーニング・フレームワークを提案している。このアーキテクチャは、2つの並列な特徴抽出ブランチと、その後の遅延融合（late-fusion）戦略を通じて動作する：

1. トポロジカル特徴抽出（TDAブランチ）：

   • 本フレームワークは、2D MRIスライスから堅牢な構造記述子を抽出するために**パーシステント・ホモロジー（PH）**を採用している。
   • 画素強度を段階的に閾値処理することにより、キュービカル・サブレベル・フィルトレーションが構築される。
   • 連結成分（$k=0$, Betti-0）およびループ／空洞（$k=1$, Betti-1）を捉えるために、ホモロジー群が計算される。
   • パーシステンス図は、固定長となるベッチ曲線（Betti curves）（各次元について100個のビンに離散化）へと変換され、結果として200次元のトポロジカル特徴ベクトル（$T = [\beta_0, \beta_1]$）が得られる。
   • これらの特徴量は、多層パーセプトロン（MLP）を通じて128次元のトポロジカル埋め込みへと処理される。このブランチは、幾何学的変換に対して不変なグローバルな形態学的特性を捉える。

2. ディープ特徴抽出（DenseNet121ブランチ）：

   • グレースケールMRIスライス（$248 \times 248$にリサイズ）は、DenseNet121バックボーンを利用するために3チャンネル表現へと投影される。
   • ImageNetの学習済み重みを用いて初期化され、分類ヘッドを取り除かれたこのネットワークは、階層的な空間特徴を学習する。
   • グローバル平均プーリングが空間情報を集約し、その後、ReLU活性化関数を備えた全結合層を通じて精緻化され、64次元の画像特徴埋め込みを生成する。このブランチは、局所的なテクスチャパターンと空間的変動を捉える。

3. 特徴融合および分類：

   • トポロジカル埋め込み（128次元）とCNN埋め込み（64次元）が結合され、統一された192次元の特徴ベクトルを形成する。
   • この融合ベクトルは、高次の相互作用をモデル化し過学習を防ぐために、ReLU活性化とドロップアウト率0.2を持つ高密度層（25 5256および128ニューロン）を通過する。
   • 最終的なソフトマックス層が、4つのAD重症度クラスに対する確率分布を予測する。
   • モデルは、Adamオプティマイザとカテゴリカル交差エントロピー損失を用いて、バッチサイズ32で50エポックにわたりエンドツーエンドで訓練される。特筆すべきは、データ拡張は採用されていない点である。

主な貢献

• 新規ハイブリッドフレームワーク： 本論文は、グローバルなトポロジカル記述子（パーシステント・ホモロジー経由）と局所的なディープ畳み込み特徴を相乗させる、TDA+DenseNet121アーキテクチャを導入している。
• データの効率性と堅牢性： このアプローチは、トポロジカルな情報を統合することで、広範なデータ拡張や複雑なアンサンブル戦略に頼ることなく高い性能を発揮できることを示しており、小規模または不均衡なデータセットにおける限界に対処している。
• 解釈性： トポロジカルな記述子を利用することで、本モデルは「ブラックボックス」的なディープラーニングモデルと比較して、脳の構造的変化に対するより解釈可能な表現を提供する。
• 最先端の性能： 本フレームワークは、OASIS-1データセットにおいて、既存のCNNベース、転移学習、およびアンサンブル手法を凌駕する優れた結果を達成している。

結果
OASIS-1（Kaggle）MRIデータセットを用いて90:10の訓練・テスト分割で評価した結果、提案モデルは以下の数値を達成した：

• 精度（Accuracy）： 99.93%
• AUC（曲線下の面積）： 100%
• 適合率／再現率（Precision/Recall）： 99.94% / 99.95%

これらの結果は、同様のデータセットにおける既存の公開手法を大幅に上回っている：

• ディープ・マルチスケールCNN（精度98.00%、AUC 99.33%）
• 4ウェイ・サイアミーズCNN（精度93.85%、AUC 95.10%）
• AlexNetを用いた転移学習（精度92.85%）
• ディープニューラルネットワークのアンサンブル（精度93.18%）

アブレーション研究により、ハイブリッドモデルがスタンドアロンのTDAのみのモデル（精度97.99%）およびスタンドアロンのDenseNet121モデル（精度97.78%）の両方を上回ることが確認され、2つの特徴タイプの相補的な性質が検証された。PCAおよびバイオリンプロットによるBetti-0およびBetti-1特徴の可視化は、4つの疾患段階間における明確な分離と、はっきりとしたクラスタリングを示した。

意義および主張
本論文は、提案されたフレームワークが、従来のディープラーニングベースのMRI分類に対する、計算効率が高く、データ効率的で、解釈可能な代替案を提供すると主張している。グローバルな構造パターンを局所的な強度ベースの表現と補完的に捉えることで、TDA+DenseNet121モデルはクラスの分離性と堅牢性を高めている。著者らは、このアプローチが、データの可用性が限られており、臨床医の信頼のために解釈性が極めて重要となる臨床シナリオにおいて特に価値があると主張している。本研究は、トポロジーを考慮したディープラーニングが、神経画像ベースのAD診断における効果的なパラダイムとなる可能性を強調しており、グローバルな構造記述子を畳み込み表現と統合することで、過度なデータ拡張を必要とせずに、重症度分類の最先端を前進させることができることを示唆している。