Brain Tumor Classification from 3D MRI Using Persistent Homology and Betti Features: A Topological Data Analysis Approach on BraTS2020

Título: Classificação de Tumores Cerebrais a partir de Ressonância Magnética 3D Usando Homologia Persistente e Características de Betti: Uma Abordagem de Análise Topológica de Dados no BraTS 2020

1. Problema

A classificação precisa e interpretável de tumores cerebrais a partir de imagens de Ressonância Magnética (MRI) é um desafio significativo devido à alta dimensionalidade dos dados e aos padrões estruturais complexos presentes nas imagens 3D.

• Limitações das Abordagens Atuais: Métodos tradicionais de aprendizado profundo (como CNNs 3D) exigem grandes volumes de dados rotulados, recursos computacionais intensivos e aumentação de dados extensa. Além disso, esses modelos frequentemente sofrem de baixa interpretabilidade ("caixa preta"), o que é crítico para a tomada de decisões clínicas.
• Necessidade: Há uma demanda por abordagens que sejam computacionalmente eficientes, não dependam de grandes conjuntos de dados e ofereçam características interpretáveis que capturem a morfologia intrínseca do tumor.

2. Metodologia

O estudo propõe um framework orientado à topologia baseado em Análise Topológica de Dados (TDA) e Homologia Persistente, aplicado diretamente a volumes 3D de MRI, sem a necessidade de cortes 2D ou aumentação de dados.

• Dados: Utilização do conjunto de dados BraTS 2020, focando no modo FLAIR (Recuperação de Inversão Atenuada por Fluido), que destaca edema e tecido anormal.
  • Pré-processamento: Seleção de um subconjunto central das fatias (índices 30 a 90 de 155) para reduzir complexidade computacional, mantendo as estruturas tumorais relevantes. Dimensões efetivas: ~60 x 240 x 240.
• Extração de Características (Homologia Persistente):
  1. Filtração Cúbica: Construção de uma sequência de complexos cúbicos a partir do volume de MRI em escala de cinza, variando o limiar de intensidade (filtração subnível).
  2. Cálculo de Diagramas de Persistência: Rastreamento do nascimento e morte de estruturas topológicas à medida que o limiar aumenta.
  3. Características de Betti: Extração de números de Betti para três dimensões homológicas:
     • Betti-0 ($k=0$): Componentes conectados (regiões distintas).
     • Betti-1 ($k=1$): Loops ou túneis.
     • Betti-2 ($k=2$): Cavidades ou vazios (regiões volumétricas fechadas).
  4. Vetorização: As curvas de Betti são discretizadas em 100 limiares, gerando vetores de características fixos. A representação final de cada volume é um vetor concatenado de 300 dimensões ($100 \times 3$).
• Seleção de Características: Aplicação de técnicas de seleção baseadas em importância de características (de modelos de árvores) para reduzir a dimensionalidade e eliminar redundâncias.
• Classificação: Treinamento de classificadores de aprendizado de máquina clássicos:
  • Random Forest (RF)
  • XGBoost
  • Objetivo: Classificação binária entre Glioma de Alto Grau (HGG) e Glioma de Baixo Grau (LGG).

3. Contribuições Principais

1. Framework Topológico 3D: Proposta de uma abordagem que aplica homologia persistente diretamente a volumes 3D completos, em vez de fatias 2D, capturando a morfologia global do tumor.
2. Interpretabilidade: Uso de descritores topológicos (Betti-0, 1, 2) que fornecem insights físicos sobre a estrutura do tumor (conectividade, loops, cavidades), diferentemente das representações latentes de redes neurais.
3. Eficiência Computacional: O método não requer aumentação de dados (pois as características topológicas são invariantes a rotações e reflexões) nem arquiteturas complexas de deep learning, sendo executável em hardware de consumo (ex: MacBook M1).
4. Redução de Dimensionalidade: Demonstração de que um subconjunto compacto de características topológicas (apenas 14 a 42 características selecionadas) é suficiente para atingir alta precisão, reduzindo o custo computacional.

4. Resultados Experimentais

Os experimentos foram realizados no BraTS 2020 (369 pacientes: 293 HGG, 76 LGG), com divisão 80/20 (treino/teste).

• Desempenho Geral: A combinação de todas as características de Betti (B0+B1+B2) superou o uso de características individuais.
• Melhor Modelo: O classificador Random Forest com seleção de características alcançou o melhor desempenho global.
  • Acurácia: 89,19%
  • Precisão: 90,50% (para a combinação B1+B2 com seleção)
  • AUC: 89,33%
• Impacto da Seleção de Características: A seleção reduziu o número de características de 300 para apenas 14 (no caso do Random Forest com B0+B1+B2) ou 42 (para XGBoost), mantendo ou melhorando a acurácia em comparação ao uso de todas as 300 características.
• Comparação: O método superou ou foi competitivo com abordagens de deep learning que exigem muito mais recursos, demonstrando que a topologia captura padrões estruturais discriminativos entre HGG e LGG.

5. Significado e Conclusão

O estudo valida a Análise Topológica de Dados (TDA) como uma alternativa viável, leve e interpretável para a análise de imagens médicas 3D.

• Interpretabilidade Clínica: As características de Betti oferecem uma descrição matemática direta da morfologia do tumor (ex: complexidade de cavidades ou conectividade), o que pode auxiliar radiologistas na compreensão das decisões do modelo.
• Viabilidade Clínica: A baixa dependência de dados massivos e a eficiência computacional tornam o método promissor para ambientes clínicos com recursos limitados.
• Futuro: O trabalho sugere a integração de descritores topológicos com representações de aprendizado profundo para potencialmente melhorar ainda mais o desempenho, além da expansão para outras modalidades de imagem e aplicações médicas.

Em resumo, o artigo demonstra que a topologia persistente pode extrair informações estruturais críticas de tumores cerebrais em 3D, permitindo uma classificação precisa e explicável sem a complexidade e o custo de dados dos modelos de deep learning tradicionais.