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

Resumo Técnico: Fusão Híbrida de Topologia e Características Profundas para Classificação Precisa da Severidade da Doença de Alzheimer Baseada em RM

Declaração do Problema
O diagnóstico preciso e precoce da Doença de Alzheimer (DA) e a classificação de seus estágios de severidade permanecem como desafios críticos na neuroimagem. Embora a Ressonância Magnética (RM) seja um pilar para avaliar alterações estruturais como a atrofia hipocampal, a classificação automatizada é dificultada por mudanças estruturais não lineares sutis, desbalanceamento de classes e pelas limitações das abordagens tradicionais de aprendizado de máquina que dependem de características extraídas manualmente (handcrafted features). Além disso, as soluções de aprendizado profundo existentes, particularmente as Redes Neurais Convolucionais (CNNs), frequentemente exigem aumento de dados agressivo, grandes conjuntos de treinamento ou estratégias de ensemble complexas para alcançar alta precisão. Esses métodos podem ser computacionalmente caros, sensíveis ao desbalanceamento de dados e difíceis de interpretar, limitando sua aplicabilidade clínica. Adicionalmente, modelos puramente baseados em topologia podem ter dificuldade em capturar texturas locais detalhadas em dados de RM de alta dimensão.

Metodologia
Os autores propõem um novo framework híbrido de aprendizado profundo que integra a Análise de Dados Topológicos (TDA) com uma espinha dorsal (backbone) DenseNet121 para realizar a classificação de quatro classes de severidade da DA (Não Demenciante, Demência Muito Leve, Demência Leve, Demência Moderada) utilizando dados de RM estrutural do conjunto de dados OASIS-1. A arquitetura opera por meio de dois ramos paralelos de extração de características seguidos por uma estratégia de fusão tardia (late-fusion):

1. Extração de Características Topológicas (Ramo TDA):

   • O framework utiliza a Homologia Persistente (PH) para extrair descritores estruturais robustos de fatias de RM 2D.
   • Uma filtração de subnível cúbica é construída através do limiar de intensidade de pixels de forma progressiva.
   • Grupos de homologia são computados para capturar componentes conectados ($k=0$, Betti-0) e loops/cavidades ($k=1$, Betti-1).
   • Diagramas de persistência são transformados em curvas de Betti de comprimento fixo (discretizadas em 100 bins para cada dimensão), resultando em um vetor de características topológicas de 200 dimensões ($T = [\beta_0, \beta_1]$).
   • Essas características são processadas através de um Perceptron Multicamadas (MLP) para gerar um embedding topológico de 128 dimensões. Este ramo captura características morfológicas globais invariantes a transformações geométricas.

2. Extração de Características Profundas (Ramo DenseNet121):

   • Fatias de RM em tons de cinza (redimensionadas para $248 \times 248$) são projetadas em uma representação de três canais para utilizar o backbone DenseNet121.
   • A rede, inicializada com pesos pré-treinados do ImageNet e sem o seu cabeçalho de classificação, aprende características espaciais hierárquicas.
   • O Global Average Pooling agrega a informação espacial, que é então refinada através de uma camada totalmente conectada com ativação ReLU para produzir um embedding de característica de imagem de 64 dimensões. Este ramo captura padrões de textura local e variações espaciais.

3. Fusão de Características e Classificação:

   • O embedding topológico (128 dim) e o embedding da CNN (64 dim) são concatenados para formar um vetor de características unificado de 192 dimensões.
   • Este vetor fundido passa por camadas densas (252 e 128 neurônios) com ativação ReLU e uma taxa de dropout de 0,2 para modelar interações de ordem superior e prevenir o overfitting.
   • Uma camada softmax final prevê a distribuição de probabilidade entre as quatro classes de severidade da DA.
   • O modelo é treinado de ponta a ponta usando o otimizador Adam e perda de entropia cruzada categórica por 50 épocas com um tamanho de lote (batch size) de 32. Notavelmente, nenhum aumento de dados (data augmentation) é empregado.

Principais Contribuições

• Framework Híbrido Inovador: O artigo introduz uma arquitetura TDA+DenseNet121 que sinergiza descritores topológicos globais (via homologia persistente) com características convolucionais profundas locais.
• Eficiência de Dados e Robustez: A abordagem demonstra que a integração de informações topológicas permite alto desempenho sem depender de extensivo aumento de dados ou estratégias de ensemble complexas, abordando as limitações de conjuntos de dados pequenos ou desbalanceados.
• Interpretabilidade: Ao utilizar descritores topológicos, o modelo oferece uma representação mais interpretável das mudanças estruturais cerebrais em comparação com modelos de aprendizado profundo de "caixa-preta".
• Desempenho de Estado da Arte: O framework alcança resultados superiores no conjunto de dados OASIS-1 em comparação com métodos existentes baseados em CNN, aprendizado por transferência (transfer learning) e métodos de ensemble.

Resultados
Avaliado no conjunto de dados de RM OASIS-1 (Kaggle) com uma divisão de treino-teste de 90:10, o modelo proposto alcançou:

• Acurácia: 99,93%
• AUC (Área Sob a Curva): 100%
• Precisão/Recall: 99,94% / 99,95%

Estes resultados superam significativamente métodos publicados anteriormente em conjuntos de dados semelhantes, incluindo:

• CNN Multi-escala Profunda (98,00% de acurácia, 99,33% de AUC).
• CNN Siamesa de quatro vias (93,85% de acurácia, 95,10% de AUC).
• Aprendizado por Transferência usando AlexNet (92,85% de acurácia).
• Ensemble de redes neurais profundas (93,18% de acurácia).

Um estudo de ablação confirmou que o modelo híbrido supera tanto o modelo apenas TDA (97,99% de acurácia) quanto o modelo apenas DenseNet121 (97,78% de acurácia), validando a natureza complementar dos dois tipos de características. Visualizações das características Betti-0 e Betti-1 via PCA e gráficos de violino demonstraram separação clara e agrupamentos distintos entre os quatro estágios da doença.

Significância e Alegações
O artigo afirma que o framework proposto oferece uma alternativa computacionalmente eficiente, eficiente em termos de dados e interpretável aos métodos convencionais de classificação de RM baseados em aprendizado profundo. Ao capturar padrões estruturais globais que complementam as representações baseadas em intensidade local, o modelo TDA+DenseNet121 aumenta a separabilidade das classes e a robustez. Os autores sustentam que esta abordagem é particularmente valiosa para cenários clínicos onde a disponibilidade de dados é limitada e onde a interpretabilidade é crucial para a confiança do clínico. O estudo destaca o potencial do aprendizado profundo consciente da topologia como um paradigma eficaz para o diagnóstico de DA baseado em neuroimagem, sugerindo que a integração de descritores estruturais globais com representações convolucionais pode avançar o estado da arte na classificação de severidade sem a necessidade de excessivo aumento de dados.