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

Technische Samenvatting: Hybride Topologische en Diepe Feature Fusie voor Nauwkeurige MRI-gebaseerde Classificatie van de Ernst van de Ziekte van Alzheimer

Probleemstelling
Nauwkeurige en vroege diagnose van de ziekte van Alzheimer (AD) en de classificatie van de ernst van de stadia blijven kritieke uitdagingen in de neuroimaging. Hoewel Magnetic Resonance Imaging (MRI) een hoeksteen is voor het beoordelen van structurele veranderingen zoals hippocampale atrofie, wordt automatische classificatie bemoeilijkt door subtiele, niet-lineaire structurele veranderingen, klassenonbalans en de beperkingen van traditionele machine learning-benaderingen die vertrouwen op handmatig ontworkte kenmerken (handcrafted features). Bovendien schieten bestaande deep learning-oplossingen, met name Convolutionele Neurale Netwerken (CNN's), vaak tekort omdat ze agressieve data-augmentatie, grote trainingssets of complexe ensemble-strategieën vereisen om een hoge nauwkeurigheid te bereiken. Deze methoden kunnen computationeel duur zijn, gevoelig voor data-onbalans en moeilijk interpreteerbaar, wat de klinische toepasbaarheid beperkt. Daarnaast kunnen puur topologie-gestuurde modellen moeite hebben met het vastleggen van fijnmazige lokale texturen in hoogdimensionale MRI-data.

Methodologie
De auteurs stellen een nieuw hybride deep learning-framework voor dat Topologische Data Analyse (TDA) integreert met een DenseNet121-backbone om een vier-klassen AD-ernstclassificatie (Niet-Dement, Zeer Milde Dementie, Milde Dementie, Matige Dementie) uit te voeren met behulp van structurele MRI-data uit de OASIS-1 dataset. De architectuur werkt via twee parallelle feature-extractie-takken gevolgd door een late-fusie strategie:

1. Topologische Feature Extractie (TDA-tak):

   • Het framework maakt gebruik van Persistente Homologie (PH) om robuuste structurele beschrijvers te extraheren uit 2D MRI-slices.
   • Een cubicale sublevel filtratie wordt geconstrueerd door pixelintensiteiten progressief te drempelen.
   • Homologiegroepen worden berekend om verbonden componenten ($k=0$, Betti-0) en lussen/holtes ($k=1$, Betti-1) te vangen.
   • Persistentie-diagrammen worden getransformeerd naar vaste-lengte Betti-curves (gediscretiseerd in 100 bins voor elke dimensie), wat resulteert in een 200-dimensionale topologische feature-vector ($T = [\beta_0, \beta_1]$).
   • Deze kenmerken worden verwerkt door een Multilayer Perceptron (MLP) om een 128-dimensionale topologische embedding te genereren. Deze tak vangt globale morfologische kenmerken die invariant zijn voor geometrische transformaties.

2. Diepe Feature Extractie (DenseNet121-tak):

   • Grijswaarden MRI-slices (rescaled naar $248 \times 248$) worden geprojecteerd in een drie-kanaals representatie om de DenseNet121-backbone te benutten.
   • Het netwerk, geïnitialiseerd met ImageNet pre-trained gewichten en ontdaan van zijn classificatiekop, leert hiërarchische ruimtelijke kenmerken.
   • Global Average Pooling aggregeert ruimtelijke informatie, die vervolgens wordt verfijnd door een fully connected laag met ReLU-activatie om een 64-dimensionale beeld-feature embedding te produceren. Deze tak vangt lokale textuurpatronen en ruimtelijke variaties.

3. Feature Fusie en Classificatie:

   • De topologische embedding (128-dim) en de CNN-embedding (64-dim) worden geconcateneerd om een verenigde 192-dimensionale feature-vector te vormen.
   • Deze gefuseerde vector gaat door dense lagen (256 en 128 neuronen) met ReLU-activatie en een dropout-ratio van 0,2 om hogere-orde interacties te modelleren en overfitting te voorkomen.
   • Een finale softmax-laag voorspelt de waarschijnlijkheidsverdeling over de vier AD-ernstklassen.
   • Het model wordt end-to-end getraind met de Adam-optimizer en categorical cross-entropy loss voor 50 epochs met een batchgrootte van 32. Opvallend genoeg wordt er geen data-augmentatie toegepast.

Belangrijkste Bijdragen

• Nieuw Hybride Framework: Het artikel introduceert een TDA+DenseNet121-architectuur die globale topologische beschrijvers (via persistente homologie) combineert met lokale diepe convolutionele kenmerken.
• Data-efficiëntie en Robuustheid: De aanpak toont aan dat het integreren van topologische informatie een hoge prestatie mogelijk maakt zonder te vertrouwen op uitgebreide data-augmentatie of complexe ensemble-strategieën, waarmee de beperkingen van kleine of ongebalanceerde datasets worden aangepakt.
• Interpreteerbaarheid: Door gebruik te maken van topologische beschrijvers biedt het model een meer interpreteerbare representatie van hersenstructurele veranderingen vergeleken met "black-box" deep learning-modellen.
• State-of-the-Art Prestaties: Het framework behaalt superieure resultaten op de OASIS-1 dataset vergeleken met bestaande CNN-gebaseerde, transfer learning en ensemble-methoden.

Resultaten
Geëvalueerd op de OASIS-1 (Kaggle) MRI-dataset met een 90:10 train-test split, behaalde het voorgestelde model:

• Nauwkeurigheid (Accuracy): 99,93%
• AUC (Area Under the Curve): 100%
• Precisie/Recall: 99,94% / 99,95%

Deze resultaten presteren significant beter dan eerder gepubliceerde methoden op vergelijkbare datasets, waaronder:

• Deep Multi-scale CNN (98,00% nauwkeurigheid, 99,33% AUC).
• Four-way Siamese CNN (93,85% nauwkeurigheid, 95,10% AUC).
• Transfer Learning met gebruik van AlexNet (92,85% nauwkeurigheid).
• Ensemble van diepe neurale netwerken (93,18% nauwkeurigheid).

Een ablatie-studie bevestigde dat het hybride model beter presteert dan zowel het standalone TDA-alleen model (97,99% nauwkeurigheid) als het standalone DenseNet121-model (97,78% nauwkeurigheid), wat de complementaire aard van de twee soorten kenmerken valideert. Visualisaties van Betti-0 en Betti-1 kenmerken via PCA en violin plots toonden een duidelijke scheiding en onderscheidende clustering tussen de vier ziektestadia.

Betekenis en Claims
Het artikel claimt dat het voorgestelde framework een computationeel efficiënt, data-efficiënt en interpreteerbaar alternatief biedt voor conventionele deep learning-gebaseerde MRI-classificatie. Door globale structurele patronen te vangen die lokale intensiteitsgebaseerde representaties aanvullen, verbetert het TDA+DenseNet121-model de klasse-scheidbaarheid en robuustheid. De auteurs stellen dat deze aanpak bijzonder waardevol is voor klinische scenario's waar de beschikbaarheid van data beperkt is en waar interpreteerbaarheid cruciaal is voor klinisch vertrouwen. De studie benadrukt het potentieel van topologie-bewuste deep learning als een effectief paradigma voor neuroimaging-gebaseerde AD-diagnose, en suggereert dat het integreren van globale structurele beschrijvers met convolutionele representaties de stand van de techniek kan verbeteren zonder de noodzaak voor excessieve data-augmentatie.