[論文レビュー] Train-Free Segmentation in MRI with Cubical Persistent Homology

Anton François, Raphaël Tinarrage|arXiv (Cornell University)|Jan 2, 2024

Topological and Geometric Data Analysis被引用数 4

ひとこと要約

本稿では、立方体の持続的ホモロジーを用いて、解釈可能で訓練なしのMRI画像分類手法を提案する。この手法は、解剖学的構造の位相的特徴（例：膠芽腫における球体、心筋における円筒、胎児皮質板における円環）を基に検出する。深層学習やアノテート済みデータセットに依存せず、位相的特徴とサイクル局在化を活用することで、競争力のある性能（例：BraTS 2021でDiceスコア0.711）を達成する。

ABSTRACT

We present a new general framework for segmentation of MRI scans based on Topological Data Analysis (TDA), offering several advantages over traditional machine learning approaches. The pipeline proceeds in three steps, first identifying the whole object to segment via automatic thresholding, then detecting a distinctive subset whose topology is known in advance, and finally deducing the various components of the segmentation. Unlike most prior TDA uses in medical image segmentation, which are typically embedded within deep networks, our approach is a standalone method tailored to MRI. A key ingredient is the localization of representative cycles from the persistence diagram, which enables interpretable mappings from topological features to anatomical components. In particular, the method offers the ability to perform segmentation without the need for large annotated datasets. Its modular design makes it adaptable to a wide range of data segmentation challenges. We validate the framework on three applications: glioblastoma segmentation in brain MRI, where a sphere is to be detected; myocardium in cardiac MRI, forming a cylinder; and cortical plate detection in fetal brain MRI, whose 2D slices are circles. We compare our method with established supervised and unsupervised baselines.

研究の動機と目的

• 深層学習ベースのMRI分類手法の限界、すなわち大規模なアノテート済みデータセットへの依存、解釈不能性、出力の解剖学的に不自然な結果を是正すること。
• 結果の位相的整合性（例：球体や円筒構造）を保証する、位相的データ解析（TDA）に基づく分類フレームワークの構築。
• 対象構造の事前形態的知識を、持続的ホモロジーとサイクル局在化を用いて活用することで、モデルの学習を一切行わず分類を実現すること。
• 非自明な位相的特徴を有する多様な生物医学的画像処理課題に適用可能なモジュラーより汎用性の高いアルゴリズムの提供。
• 位相的特徴を解剖的成分に明示的にマッピングすることで、臨床的解釈可能性と安定性を向上させ、意思決定を支援すること。

提案手法

• 強度差に基づき、MRIスキャンから分類対象の全体を自動しきい値処理で特定する。
• 立方体の持続的ホモロジーを用いて、スケールにわたる位相的特徴（例：連結成分、穴、空洞）を捕捉するパーシステント図を計算する。
• 画像内での代表的サイクル（位相的特徴）の局在化を活用し、TDAにおける空間的情報の新たな応用として分類を支援する。
• 最も持続的なホモロジー類（例：球体腫瘍ではH₂）または最も大きな体積を囲むもの（例：胎児皮質板では）を選択し、対象構造を特定する。
• 選択された位相的特徴に対応する連結成分を抽出し、位相的整合性を保証する最終的な分類を得る。
• 期待される位相（球体、円筒、円環）と持続的ホモロジー出力の一致により、異なる解剖学的構造に適応する。

実験結果

リサーチクエスチョン

• RQ1 持続的ホモロジーを用いたトレーニング不要な分類手法は、アノテート済み学習データに依存せず、MRI分類タスクで競争力のある性能を達成できるか？
• RQ2 位相的サイクルの空間的局在化を活用することで、医療画像における分類精度と耐障害性をどのように向上させられるか？
• RQ3 球体や円筒構造といった位相的制約が、MRI分類出力における解剖学的妥当性をどの程度保証できるか？
• RQ4 モジュラーなTDAベースの手法は、再構成を最小限に抑え、多様な分類課題（例：膠芽腫、心筋、胎児皮質板）に一般化可能か？
• RQ5 完全に位相的アプローチである本手法の性能は、U-Netのような最先端の深層学習モデルと比較して、Diceスコアおよび解釈可能性の観点でどの程度優れるか？

主な発見

• 提案手法は、BraTS 2021の膠芽腫データセットでDiceスコア0.711を達成し、学習データを一切使用しないにもかかわらず、競争力のある性能を示した。
• ACDCデータセットにおける心筋分類では、最先端モデルと同等の性能を達成し、低ばらつきの構造に対して本手法の有効性を示した。
• 期待されるホモロジー（例：球体ではH₂、円筒ではH₁）の検出により、位相的整合性が保証され、解剖学的に不可能な分類を防止した。
• 標準のパーシステント図に加え、サイクル局在化を組み込むことで、特に複雑または不均一な領域における分類精度が顕著に向上した。
• 本手法は本質的に解釈可能であり、各分類結果が明確な幾何学的・位相的意味を持つ位相的特徴に対応している。
• 本手法は汎用性がある：ある成分が既知の非自明な位相を有し、強度で区別可能である限り、任意の分類タスクに適応可能である。