🤖 machine learning

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

Dit onderzoek vergelijkt de effectiviteit van gradiënt-gebaseerde kenmerken (HOG) met topologische kenmerken (TDA) voor de classificatie van diabetische retinopathie in fundusfoto's, waarbij de resultaten aantonen dat beide methoden complementaire informatie bieden voor nauwkeurige medische beeldanalyse.

Oorspronkelijke auteurs: Faisal Ahmed

Gepubliceerd 2026-02-10

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Faisal Ahmed

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

De Medische Detective: Hoe we oogziektes kunnen herkennen met 'Vormen' en 'Lijnen'

Stel je voor dat een oogarts een foto bekijkt van de binnenkant van een oog (een fundusfoto) om te zoeken naar tekenen van diabetes. Voor een computer is zo’n foto echter niet zomaar een plaatje; het is een gigantische puzzel van miljoenen lichtpuntjes. Hoe kan een computer die puzzel begrijpen om te zeggen: "Dit oog is gezond" of "Hier is een probleem"?

In dit onderzoek heeft wetenschapper Faisal Ahmed twee totaal verschillende 'detectives' met elkaar laten strijden om te zien wie de beste aanwijzingen vindt.

De twee detectives: De Lijnentrekker en de Vormenkenner

Om de foto te begrijpen, gebruiken we twee verschillende methoden om kenmerken (features) uit het beeld te halen:

1. De Lijnentrekker (HOG - Histogram of Oriented Gradients)
Denk aan deze detective als een kunstenaar die heel snel schetsen maakt. Hij kijkt niet naar de kleuren, maar naar de randen en texturen. Waar zitten de scherpe lijntjes? Waar verandert de lichtinval plotseling?

De metafoor: Stel je een landschap voor. De Lijnentrekker tekent alleen de contouren van de bergen en de lijnen van de wegen. Hij ziet heel goed de details van de 'textuur' van het landschap. In het oog zoekt hij naar de scherpe randjes van bloedinkjes of afwijkingen in de weefsels.

2. De Vormenkenner (TDA - Topological Data Analysis)
Deze detective is heel anders. Hij kijkt niet naar de details van de lijntjes, maar naar de architectuur en de structuur. Hij is minder geïnteresseerd in hoe een lijn eruitziet, maar meer in hoe de 'wereld' in elkaar zit.

De metafoor: Stel je voor dat je naar een stad kijkt vanuit een vliegtuig. De Vormenkenner kijkt niet naar de kleur van de bakstenen, maar hij telt de gaten in de stad (zoals parken of pleinen) en kijkt hoe de wijken met elkaar verbonden zijn. Hij kijkt naar de "vorm" van de data. In het oog zoekt hij naar patronen: "Zijn er meer 'gaten' of 'eilandjes' van licht aanwezig dan normaal?"

Wat was het experiment?

De wetenschapper gaf beide detectives een enorme stapel foto's van ogen (de APTOS-dataset) en stelde twee vragen:

De Ja/Nee vraag: Is dit oog gezond of heeft het diabetes (diabetische retinopathie)?
De Schaalvraag: Hoe erg is de ziekte? (Van mild tot zeer ernstig).

Hij gebruikte daarna klassieke computerprogramma's (Machine Learning) om de aanwijzingen van de detectives te beoordelen.

De uitslag: Wie won er?

De Lijnentrekker (HOG) was de kampioen in details. Hij was over het algemeen nauwkeuriger, vooral bij de simpele ja/nee-vraag. Omdat hij zo goed is in het zien van kleine randjes en texturen, herkende hij de ziekte heel snel. Maar... hij is een beetje een 'black box'. Als hij zegt dat een oog ziek is, is het heel moeilijk uit te leggen waarom hij dat precies ziet. Het zijn gewoon miljoenen getalletjes voor een computer.
De Vormenkenner (TDA) was de kampioen in logica. Hoewel hij soms iets minder nauwkeurig was dan de Lijnentrekker, was hij veel makkelijker te begrijpen. Hij kon letterlijk laten zien: "Kijk, in zieke ogen zie ik veel meer 'eilandjes' van licht dan in gezonde ogen." Dit is cruciaal voor artsen; zij willen niet alleen weten dat een computer iets ziet, maar ook wat de computer ziet.

Waarom is dit belangrijk?

De conclusie is niet dat de één beter is dan de ander, maar dat ze elkaars perfecte partner zijn.

De Lijnentrekker ziet de details (de textuur), en de Vormenkenner begrijpt de structuur (de architectuur). De wetenschapper stelt voor om ze in de toekomst te combineren in één "Super-Detective". Een systeem dat zowel de scherpe randjes van een bloeding ziet als begrijpt hoe de algemene structuur van het oog is veranderd.

Zo kunnen we in de toekomst sneller, nauwkeuriger en vooral begrijpelijker oogziektes opsporen met behulp van computers.

Technische Samenvatting: Topologische Signaturen vs. Gradiënt-histogrammen

1. Probleemstelling

De automatisering van medische beeldanalyse, zoals het diagnosticeren van diabetische retinopathie (DR) via fundusfoto's, kampt vaak met een dilemma tussen nauwkeurigheid en interpreteerbaarheid. Hoewel Deep Learning (DL) zeer accuraat is, fungeren deze modellen vaak als 'black boxes'. Handgemaakte kenmerken (handcrafted features) bieden meer transparantie, maar de effectiviteit van verschillende soorten kenmerken (zoals textuur versus globale vorm) is in de context van medische beeldvorming nog onvoldoende vergeleken. Dit onderzoek adresseert het gebrek aan een systematische vergelijking tussen gradiëntgebaseerde methoden en topologische methoden voor medische classificatie.

2. Methodologie

Het onderzoek voert een vergelijkende studie uit tussen twee fundamenteel verschillende extractietechnieken op de grootschalige APTOS-dataset:

Histogram of Oriented Gradients (HOG): Deze methode richt zich op lokale structuren. Het berekent de distributie van gradiëntoriëntaties in kleine ruimtelijke regio's om texturen en randen (edges) te coderen. Per afbeelding worden 26.244 HOG-kenmerken geëxtraheerd.
Topological Data Analysis (TDA): Gebruikmakend van cubical persistent homology, extraheert deze methode hoogwaardige topologische beschrijvers die de globale vorm en connectiviteit van pixelintensiteiten kwantificeren. Door middel van vectorisatie (Betti-functies) worden 800 TDA-kenmerken (gebaseerd op $\beta_0$ voor verbonden componenten en $\beta_1$ voor gaten/lussen) verkregen.

Experimenteel ontwerp:

Classificatietaken: (i) Binaire classificatie (normaal vs. DR) en (ii) Multi-class classificatie (vijf gradaties van DR-ernst).
Modellen: Zeven klassieke machine learning-modellen werden onafhankelijk getest: Logistic Regression, Random Forest, XGBoost, SVM, Decision Tree, k-NN en Extra Trees.
Validatie: Er werd gebruikgemaakt van 10-voudige kruisvalidatie (10-fold cross-validation).

3. Belangrijkste Bijdragen

Eerste vergelijking: Het is de eerste studie die HOG en TDA direct en systematisch vergelijkt op dezelfde medische dataset.
Complementaire inzichten: Het onderzoek toont aan dat HOG en TDA verschillende aspecten van de beeldstructuur vastleggen (lokale textuur vs. globale geometrie).
Interpreteerbaarheid: Het biedt een methode om topologische kenmerken (Betti-curven) te visualiseren, wat klinisch inzicht geeft in de structurele verschillen tussen gezonde en zieke retina's.

4. Resultaten

Prestaties: XGBoost bleek het meest effectieve model voor beide methoden.
- Binaire taak: XGBoost behaalde een nauwkeurigheid van 94,29% met HOG en 94,18% met TDA.
- Multi-class taak: XGBoost behaalde 74,41% met HOG en 74,69% met TDA.
HOG vs. TDA: HOG presteert over het algemeen iets beter in lineaire en kernel-gebaseerde modellen (zoals SVM en Logistische Regressie), wat suggereert dat lokale gradiënten zeer krachtig zijn voor randdetectie. TDA is echter zeer competitief bij ensemble-methoden (zoals XGBoost) en biedt een superieure interpretatie van de globale vorm.
Interpretatie: De Betti-1 curven lieten zien dat DR-afbeeldingen tussen bepaalde intensiteitswaarden aanzienlijk meer "lussen" (holes) vertonen, wat direct correleert met de aanwezigheid van pathologische laesies (zoals exudaten).

5. Betekenis en Conclusie

De studie concludeert dat beide methoden lichtgewicht, interpreteerbaar en efficiënt zijn. De belangrijkste wetenschappelijke waarde ligt in de suggestie voor hybride benaderingen: door zowel geometrische (HOG) als topologische (TDA) kenmerken te combineren met Deep Learning-pipelines, kan de diagnostische nauwkeurigheid worden verhoogd zonder de interpreteerbaarheid te verliezen. Dit legt de basis voor de ontwikkeling van transparante en robuuste AI-systemen voor de klinische praktijk.