Technische Samenvatting: TopoNet: Een Topologie-gestuurd Dual-Branch Framework voor Medische Beeldclassificatie

Probleemstelling

Volumetrische medische beeldclassificatie staat voor aanzienlijke uitdagingen met betrekking tot robuustheid en interpreteerbaarheid. Huidige state-of-the-art modellen, die primair gebaseerd zijn op Convolutional Neural Networks (CNN's) en Vision Transformers (ViT's), leunen zwaar op verschijningsgerichte kenmerken (textuur en lokale intensiteit). Deze modellen hebben vaak moeite met het expliciet vastleggen van de globale anatomische topologie, zoals connectiviteit, lussen en holtes, die cruciaal zijn voor klinische diagnose. Bijvoorbeeld, bij pancreascarcinoom (PDAC) hangt het onderscheid tussen gezond en ziek weefsel vaak af van topologische veranderingen zoals ductale fragmentatie of abnormale dilatatie, welke lokale pixel-gebaseerde architecturen niet kunnen garanderen.

Bovendien lijden bestaande pogingen om Topological Data Analysis (TDA) te integreren in deep learning onder twee belangrijke beperkingen:

1. Gevoeligheid voor Ruis: Traditionele methoden maken vaak gebruik van rigide, handmatig afgestelde drempelwaarden om topologische kenmerken te filteren, wat kan leiden tot het weggooien van subtiele maar klinisch relevante signalen of het behouden van ruis door variabiliteit tussen casussen.
2. Het "Ruimtelijke Ontkoppeling"-probleem: De meeste benaderingen vectoriseren topologische kenmerken (bijv. naar persistence images of Betti-curves) en concateneren deze met neurale kenmerken. Dit proces verwerpt de ruimtelijke coördinaten van de kenmerken, waardoor het netwerk niet kan lokaliseren waar specifieke topologische anomalieën optreden, wat een representatieve mismatch creëert tussen ruimtelijk bewuste beeldkenmerken en ruimtelijk onbewuste topologische vectoren.

Methodologie: TopoNet

Om deze beperkingen aan te pakken, stellen de auteurs TopoNet voor, een topologie-gestuurd dual-branch framework dat multiscale topologische structuren direct integreert in volumetrische representatieleer terwijl de ruimtelijke context behouden blijft.

1. Statistische Topologie-extractie via Confidence Bands

In plaats van vaste drempelwaarden te gebruiken, hanteert TopoNet een statistisch gefundeerde strategie om significante topologische signalen van ruis te onderscheiden:

• Cubical Persistent Homology: De methode berekent persistent homology op cubicale complexen afgeleid van het voxelgrid, waarbij de evolutie van $H_0$ (verbonden componenten), $H_1$ (lussen) en $H_2$ (holtes) over sublevel set filtraties wordt gevolgd.
• Confidence Band Filtering: Om topologische ruis te beheersen, gebruikt het framework een subsampling-gebaseerde aanpak om $(1-\alpha)$-niveau confidence bands te construeren voor het persistence diagram. Kenmerken met persistentiewaarden ($d-b$) die binnen de confidence band vallen (gedefinieerd door de bottleneck afstand $\epsilon_\alpha$), worden als ruis beschouwd. Alleen kenmerken die voldoen aan $d-b > 2\epsilon_\alpha$ worden behouden als statistisch significant. Dit elimineert de noodzaak voor rigide, handmatige drempelinstellingen.

2. Dimensie-bewuste Topologie-naar-Voxel Mapping

Een kerninnovatie van TopoNet is het herstellen van de ruimtelijke context naar de topologische kenmerken, wat het "ruimtelijke ontkoppelings"-probleem oplost:

• Lokalisatie: Geselecteerde persistentie-paren worden teruggemapt naar het voxeldomein.
  • $H_0$: Verbonden component-maskers worden gegenereerd door seed-voxels te identificeren en componenten te extraheren bij specifieke pre-merge drempelwaarden.
  • $H_1$: Representatieve 1-cycli (lussen) worden gereconstrueerd via matrix reductie en gerasterd in binaire lus-maskers, optioneel gedilateerd om tubulaire buurten te vormen.
  • $H_2$: Holte-schillen worden geïdentificeerd met behulp van "destroyer" seeds en geconstrueerd via geodesische regio-groei en morfologische operatoren.
• Resultaat: Dit proces genereert expliciete, ruimtelijk geregistreerde binaire topologie-maskers ($T$) die strikt uitgelijnd zijn met het input-beeldvolume ($I$), waardoor een complementaire "topologie-modaliteit" ontstaat.

3. Dual-Branch Architectuur met Cross-Modal Fusie

TopoNet maakt gebruik van een dual-branch 3D-architectuur (gebaseerd op DenseNet121) om de beeld- en topologiemodaliteiten parallel te verwerken:

• Mono-modale Kenmerkextractie: Twee onafhankelijke branches extraheren multiscale kenmerken. De topologie-branch maakt gebruik van Group Normalization (GN) in plaats van Batch Normalization om de hoge sparsiteit van topologie-afgeleide maskers te verwerken.
• Cross-Branch Interaction Module (CBIM): In tussenliggende stadia (Stage 3 en 4) interageren de branches via een gespecialiseerd fusiemechanisme:
  • Texture Enhancement Module: Een lichtgewicht depth-wise convolutie module versterkt lokale textuurkenmerken in de beeld-branch.
  • Topology Enhancement Module: Een sparsity-aware module verfijnt de topologiekenmerken door te normaliseren naar geldige voxel-aantallen om te voorkomen dat achtergrond-nullen de representatie vervuilen.
  • Cross-Attention: Beeldkenmerken fungeren als queries, terwijl topologiekenmerken dienen als keys en values. Dit stelt het netwerk in staat om beeldrepresentaties te conditioneren op topologische sturing.
  • Gated Residual Fusion: De topologie-gestuurde kenmerken worden via een leerbaar gating-mechanisme in de beeld-branch geïnjecteerd, waardoor het model adaptief de sterkte van de topologische prior kan controleren.
• Classification Head: De uiteindelijke gefuseerde kenmerken ondergaan Attention Pooling, die voxel-gewijze kenmerken adaptief aggregeert op basis van geleerde attention-gewichten, waardoor achtergrondruis wordt onderdrukt vóór de classificatie.

Belangrijkste Bijdragen

Het artikel schetst vier primaire bijdragen:

1. Statistisch Gefundeerde Extractie: Een framework dat confidence bands gebruikt om significante persistent homology kenmerken op cubicale complexen te identificeren, waardoor robuuste klinische signalen van ruis worden gescheiden zonder rigide drempelwaarden.
2. Ruimtelijke Restauratie: Een dimensie-bewuste topologie-naar-voxel mapping pipeline die abstracte topologische samenvattingen ($H_0/H_1/H_2$) omzet in ruimtelijk uitgelijnde, voxel-wijze binaire maskers, waarmee de kloof tussen TDA en grid-gebaseerde deep learning wordt overbrugd.
3. TopoNet Architectuur: Een dual-branch netwerk dat beeld- en topologiemodaliteiten parallel codeert, waarbij cross-branch attention wordt gebruikt om het netwerk te sturen naar structureel significante regio's.
4. Empirische Validatie: Uitgebreide experimenten die consistente verbeteringen laten zien ten opzichte van sterke baselines op twee verschillende datasets.

Experimentele Resultaten

De auteurs evalueerden TopoNet op twee datasets met behulp van 5-voudige kruisvalidatie:

1. MSD Task07 Pancreas Dataset (PDAC vs. Non-PDAC):

   • TopoNet bereikte een Accuracy van 0.8197 ± 0.0587 en een AUC van 0.8123 ± 0.1127.
   • Het presteerde beter dan sterke CNN (ResNet50, DenseNet121, EfficientNet) en Transformer (ViT, Swin) baselines.
   • Opvallend genoeg vertoonde TopoNet een aanzienlijk lagere variantie in Accuracy en F1-score vergeleken met de baselines, wat duidt op grotere stabiliteit.

2. BraTS 2018 Dataset (Glioma Grading: HGG vs. LGG):

   • TopoNet bereikte een Accuracy van 0.9333 ± 0.0079 en een AUC van 0.9267 ± 0.0437.
   • Het demonstreerde een superieure generalisatie naar MRI-modaliteiten vergeleken met baselines, met zeer stabiele voorspellingen over de folds heen.

Ablatie-studies bevestigden dat:

• Selectie via confidence bands beter presteert dan fixed-threshold strategieën.
• Het combineren van alle homology-dimensies ($H_0 + H_1 + H_2$) de beste prestaties oplevert.
• De "No Inversion" filtratiestrategie (sublevel set op ruwe intensiteit) optimaal was voor pancreas CT, wat het belang van taakspecifieke filtratie-semantiek benadrukt.
• De specifieke richting van de cross-modale interactie (Topologie-gestuurde beeldversterking, $T \to I$) effectiever was dan bidirectionele of sequentiële alternatieven.
• Het verwijderen van een component (Texture enhancement, Topology enhancement, Cross-attention, of Attention pooling) de prestaties verslechterde, wat de noodzaak van de volledige architectuur valideert.

Visualisatie: Grad-CAM visualisaties toonden aan dat TopoNet zich focust op ziekte-relevante structurele patronen (bijv. ductale trajecten) die uitgelijnd zijn met topologische kenmerken, terwijl baselines vaak diffuse, textuur-gestuurde activaties produceerden.

Betekenis en Claims

Het artikel claimt dat TopoNet een veelbelovende weg biedt voor het verbeteren van de prestaties, robuustheid en klinische interpreteerbaarheid van volumetrische medische beeldclassificatie. Door de topologie fundamenteel te integreren als expliciete structurele aanwijzingen in de deep learning pipeline, in plaats van topologie als een globale statistiek te behandelen, adresseert het framework de "ruimtelijke ontkoppeling" die inherent is aan eerdere TDA-methoden.

De auteurs benadrukken dat hun aanpak:

• Interpreteerbaarheid Verbetert: Door topologische kenmerken terug te mappen naar het voxeldomein, biedt het model ruimtelijk gegronde structurele aanwijzingen die aansluiten bij klinische redenering (bijv. ductale connectiviteit).
• Robuustheid Verhoogt: De confidence-band filtering en gated fusion mechanismen stellen het model in staat om aan te passen aan ruis en anatomische variabiliteit, waardoor de afhankelijkheid van incidentele texturen wordt verminderd.
• Een Plug-and-Play Paradigma Biedt: Het topologie-gestuurde leersframework is effectief gebleken over diverse backbone architecturen (CNN's en Transformers), wat wijst op een brede toepasbaarheid.

De auteurs concluderen dat hoewel de methode veelbelovend is, toekomstig werk nodig is om synergetische interacties tussen homology-dimensies te modelleren (bijv. met behulp van Graph Neural Networks) en om de aanpak te valideren op grotere, multi-center cohorten om de generaliseerbaarheid over diverse scannerprotocollen te beoordelen.