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

기술 요약: 정확한 MRI 기반 알츠하이머병 중증도 분류를 위한 하이브리드 위상학적 및 딥 피처 융합

문제 정의
알츠하이머병(AD)의 정확하고 조기 진단과 그 중증도 단계의 분류는 신경 영상 분야에서 여전히 중요한 과제로 남아 있다. 자기공명영상(MRI)은 해마 위축과 같은 구조적 변화를 평가하는 데 핵심적인 역할을 하지만, 자동화된 분류는 미세하고 비선형적인 구조적 변화, 클래스 불균형, 그리고 수작업으로 설계된 특징(handcrafted features)에 의존하는 전통적인 머신러닝 방식의 한계로 인해 어려움을 겪고 있다. 또한, 기존의 딥러닝 솔루션, 특히 합성곱 신경망(CNN)은 높은 정확도를 달기 위해 공격적인 데이터 증강, 대규모 학습 세트 또는 복잡한 앙상블 전략을 필요로 하는 경우가 많다. 이러한 방법들은 계산 비용이 많이 들고, 데이터 불균형에 민민하며, 해석하기 어려워 임상적 적용을 제한할 수 있다. 또한, 순수하게 위상학적 구조에 기반한 모델은 고차원 MRI 데이터의 미세한 국소적 질감을 포착하는 데 어려움을 겪을 수 있다.

방법론
저자들은 OASIS-1 데이터셋의 구조적 MRI 데이터를 사용하여 4단계 알츠하이머병 중증도 분류(정상, 매우 경미한 치매, 경도 치매, 중등도 치매)를 수행하기 위해 **위상 데이터 분석(TDA)**과 DenseNet121 백본을 통합한 새로운 하이브리드 딥러닝 프레임워크를 제안한다. 이 아키텍처는 두 개의 병렬 특징 추출 브랜치와 후기 융합(late-fusion) 전략을 통해 작동한다:

1. 위상학적 특징 추출 (TDA 브랜치):

   • 프레임워크는 2D MRI 슬라이스에서 견고한 구조적 기술자(descriptors)를 추출하기 위해 **지속성 호몰로지(Persistent Homology, PH)**를 사용한다.
   • 픽셀 강도를 점진적으로 임계값 처리함으로써 큐비컬 하위 레벨 필트레이션(cubical sublevel filtration)을 구축한다.
   • 연결 성분($k=0$, Betti-0)과 루프/공동($k=1$, Betti-1)을 포착하기 위해 호몰로지 그룹을 계산한다.
   • 지속성 다이어그램(persistence diagrams)은 고정된 길이의 베티 곡선(Betti curves)(각 차원에 대해 100개의 빈으로 이산화됨)으로 변환되어, 200차원의 위상학적 특징 벡터($T = [\beta_0, \beta_1]$)를 생성한다. 이 브랜치는 기하학적 변환에 불변하는 전역적 형태학적 특성을 포착한다.
   • 이 특징들은 다층 퍼셉트론(MLP)을 통해 128차원의 위상학적 임베딩으로 생성된다.

2. 딥 피처 추출 (DenseNet121 브랜치):

   • 그레이스케일 MRI 슬라이스(248 × 248 크기로 조정됨)는 DenseNet121 백본을 활용하기 위해 3채널 표현으로 투영된다.
   • ImageNet 사전 학습 가중치로 초기화되고 분류 헤드가 제거된 이 네트워크는 계층적 공간 특징을 학습한다.
   • 전역 평균 풀링(Global Average Pooling)이 공간 정보를 집계하며, 이후 ReLU 활성화 함수를 가진 완전 연결층을 통해 64차원의 이미지 특징 임베딩으로 정제된다. 이 브랜치는 국소적 질감 패턴과 공간적 변이를 포착한다.

3. 특징 융합 및 분류:

   • 위상학적 임베딩(128차원)과 CNN 임베딩(64차원)을 결합하여 통합된 192차원 특징 벡터를 형성한다.
   • 이 융합된 벡터는 고차 상호작용을 모델링하고 과적합을 방지하기 위해 드롭아웃 비율 0.2를 가진 밀집층(256 및 128 뉴런)과 ReLU 활성화를 통과한다.
   • 최종 소프트맥스(softmax) 층은 4개의 알츠하이머병 중증도 클래스에 대한 확률 분포를 예측한다.
   • 모델은 Adam 옵티마이저와 범주형 교차 엔트로피 손실을 사용하여 배치 크기 32로 50 에포크 동안 엔드투엔드(end-to-end)로 학습된다. 주목할 점은 데이터 증강을 사용하지 않았다는 것이다.

주요 기여

• 새로운 하이브리드 프레임워크: 본 논문은 전역적 위상 기술자(지속성 호몰로지를 통해)와 국소적 딥 합성곱 특징을 시너지 효과를 내도록 결합한 TDA+DenseNet121 아키텍처를 소개한다.
• 데이터 효율성 및 견고성: 이 접근 방식은 위상학적 정보를 통합함으로써 광범위한 데이터 증강이나 복잡한 앙상블 전략 없이도 높은 성능을 달성할 수 있음을 입증하며, 이는 소규모 또는 불균형 데이터셋의 한계를 해결한다.
• 해석 가능성: 위상학적 기술자를 활용함으로써, 모델은 "블랙박스" 형태인 딥러닝 모델에 비해 뇌의 구조적 변화에 대한 더 해석 가능한 표현을 제공한다.
• 최첨단 성능: 제안된 프레임워크는 OASIS-1 데이터셋에서 기존의 CNN 기반, 전이 학습 및 앙상블 방법보다 우수한 결과를 달성했다.

결과
OASIS-1 (Kaggle) MRI 데이터셋에 대해 90:10 훈련-테스트 분할로 평가되었을 때, 제안된 모델은 다음과 같은 성과를 거두었다:

• 정확도(Accuracy): 99.93%
• AUC (곡선 아래 면적): 100%
• 정밀도/재현율(Precision/Recall): 99.94% / 99.95%

이 결과는 유사한 데이터셋에 대해 이미 발표된 다음의 방법들을 크게 상회한다:

• Deep Multi-scale CNN (정확도 98.00%, AUC 99.33%)
• Four-way Siamese CNN (정확도 93.85%, AUC 95.10%)
• AlexNet을 이용한 전이 학습 (정확도 92.85%)
• 딥 신경망 앙상블 (정확도 93.18%)

절제 연구(Ablation study)를 통해 하이브리드 모델이 단독 TDA 모델(정확도 97.99%)과 단독 DenseNet121 모델(정확도 97.78%)보다 우수함을 확인하였으며, 이는 두 가지 유형의 특징이 갖는 상보적 성격을 입증한다. PCA 및 바이올린 플롯을 통한 Betti-0 및 Betti-1 특징의 시각화는 네 가지 질병 단계 간의 명확한 분리와 뚜렷한 클러스터링을 보여주었다.

의의 및 주장
본 논문은 제안된 프레임워크가 전통적인 딥러닝 기반 MRI 분류에 대한 계산 효율적이고, 데이터 효율적이며, 해석 가능한 대안을 제공한다고 주장한다. 전역적 구조 패턴을 국소적 강도 기반 표현과 보완하도록 포착함으로써, TDA+DenseNet121 모델은 클래스 분리도와 견고성을 향상시킨다. 저자들은 이 접근 방식이 데이터 가용성이 제한적이고 임상의의 신뢰를 위한 해석 가능성이 중요한 임상 시나리오에서 특히 가치가 있다고 단언한다. 본 연구는 위상학적 구조 기술자를 합성곱 표현과 통합하는 것이 과도한 데이터 증강 없이도 중증도 분류의 최첨단 기술을 발전시킬 수 있음을 시사하며, 위상학적 인지 딥러닝(topology-aware deep learning)이 신경 영상 기반 알츠하이머병 진단을 위한 효과적인 패러다임이 될 수 있음을 강조한다.