Brain Tumor Classification from 3D MRI Using Persistent Homology and Betti Features: A Topological Data Analysis Approach on BraTS2020

以下は、提示された論文「Brain Tumor Classification from 3D MRI Using Persistent Homology and Betti Features: A Topological Data Analysis Approach on BraTS 2020」の技術的サマリーです。

1. 問題定義 (Problem)

脳腫瘍の画像診断において、磁気共鳴画像（MRI）からの高精度かつ解釈可能な分類は依然として重要な課題です。従来の深層学習（CNN など）アプローチは高い性能を示す一方で、以下の限界があります。

• 大規模なラベル付きデータと計算リソースの必要性: 高性能なモデルを構築するには膨大なデータと計算能力が必要です。
• 解釈性の欠如: 「ブラックボックス」モデルが多く、医療現場での意思決定においてなぜその判断に至ったかの根拠を示すことが困難です。
• データ拡張への依存: 不均衡なデータや少量のデータに対処するために、複雑なデータ拡張技術が必要となることが多いです。

本研究は、3 次元（3D）MRI ボリュームの複雑な構造パターンを捉えつつ、計算効率が高く、解釈可能な脳腫瘍分類フレームワークの構築を目指しています。

2. 手法 (Methodology)

本研究は、トポロジカルデータ分析（TDA）、特に**永続ホモロジー（Persistent Homology）**を 3D MRI ボリュームに直接適用するトポロジー駆動型のフレームワークを提案しています。

• データセット: BraTS 2020 データセットを使用。腫瘍関連の浮腫や異常組織を明確に捉える FLAIR モダリティの 3D MRI ボリューム（155×240×240 ボクセル）を処理対象としました。計算効率化のため、腫瘍構造が最も顕著な中央部分（スライス 30〜90）を抽出し、約 60×240×240 のボリュームとして処理しています。
• 特徴量抽出プロセス:
  1. フィルトレーションの構築: グレースケール MRI ボリュームに対して、閾値を徐々に変化させるサブレベルフィルトレーション（Cubical Filtration）を構築します。これにより、画像のトポロジカル構造が強度レベルに応じてどのように進化するかを追跡します。
  2. 永続ホモロジーの計算: 各フィルトレーション段階において、トポロジカル特徴（連結成分、ループ、空洞）の「誕生」と「死」を追跡し、永続図（Persistence Diagrams）を生成します。
  3. ベッティ曲線へのベクトル化: 永続図を機械学習モデルの入力形式に変換するため、**ベッティ数（Betti Numbers）**に基づいた特徴量を抽出します。
     • ベッティ -0 (Betti-0): 連結成分の数。
     • ベッティ -1 (Betti-1): ループやトンネルの数。
     • ベッティ -2 (Betti-2): 空洞（Void）の数。
       これらのベッティ数を閾値 0〜255（100 段階に離散化）で計算し、各 MRI ボリュームあたり 300 次元（各次元 100 点）の固定長特徴ベクトルを生成します。
• 特徴選択: 300 次元の特徴量から、樹木ベースのモデル（ランダムフォレストや XGBoost）の重要度スコアに基づき、最も情報量の多い特徴量を選択し、次元削減を行いました。
• 分類モデル: 抽出されたトポロジカル特徴量を用いて、古典的な機械学習アルゴリズムであるランダムフォレストとXGBoostを訓練し、高悪性度グリオーマ（HGG）と低悪性度グリオーマ（LGG）の二値分類を行いました。

3. 主要な貢献 (Key Contributions)

• 3D MRI への直接適用: 2D スライスではなく、3D ボリューム全体に対して永続ホモロジーを適用し、腫瘍の 3 次元的な形態を包括的に捉えるトポロジー駆動フレームワークを提案しました。
• 解釈可能な特徴量の抽出: ベッティ数（0, 1, 2 次）に基づく解釈可能なトポロジカル記述子を抽出し、腫瘍の構造的特徴（連結性、ループ、空洞）を定量化しました。
• 計算効率と解釈性の両立: 大規模なデータ拡張や複雑な深層学習アーキテクチャを必要とせず、計算コストが低く、モデルの判断根拠が明確な軽量なアプローチを提供しました。
• 高性能な分類結果: BraTS 2020 データセットにおいて、深層学習に匹敵する分類性能を達成し、特に特徴選択を施したランダムフォレストが優れた結果を示しました。

4. 実験結果 (Results)

BraTS 2020 データセット（HGG 293 例、LGG 76 例）を用いた 80:20 の訓練・テスト分割による評価結果は以下の通りです。

• 特徴選択の有無: 特徴選択（Feature Selection）を適用することで、次元削減が図られつつ分類精度が向上しました。
• 最高性能: ランダムフォレスト分類器に特徴選択を適用した場合、精度 89.19%、適合率 90.50%、**AUC 89.33%**を達成しました。
  • 特に、ベッティ -1（ループ）とベッティ -2（空洞）の組み合わせ、あるいは全ベッティ特徴量（B0+B1+B2）の組み合わせが有効でした。
• XGBoost の結果: XGBoost も同様に良好な性能を示し（特徴選択ありで精度 87.84%）、ベッティ特徴量の組み合わせが単独の特徴量よりも性能を向上させることが確認されました。
• データ拡張の不要性: 永続ホモロジーは回転や反転などの幾何学的変換に対して不変であるため、データ拡張を行わなくても高い汎化性能を維持できました。

5. 意義と結論 (Significance and Conclusion)

本研究は、医療画像分析においてトポロジカルデータ分析（TDA）の有効性を示す重要な成果です。

• 深層学習への代替案: 大規模なデータセットや GPU 資源が限られる環境、あるいはモデルの解釈性が医療判断において不可欠な場面で、深層学習に代わる効率的かつ解釈可能な強力な手法として機能します。
• 構造的特徴の捉え方: 従来の画素強度やテクスチャに基づく特徴量では捉えきれない、腫瘍の複雑な 3D 構造（空洞やループなど）をトポロジー的に定量化し、分類に成功しました。
• 将来展望: 今後は、トポロジカル記述子を深層学習表現と統合することでさらなる性能向上を図ることや、他の医療画像モダリティへの適用が期待されます。

総じて、このアプローチは「複雑な 3D 医療画像の分析」において、計算効率と解釈性を両立させる新たなパラダイムを提供しています。