[论文解读] 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 4

一句话总结

该论文提出了一种无需训练的、可解释的MRI分割方法，利用立方体持久同调（cubical persistent homology）基于解剖结构的拓扑特征（如胶质母细胞瘤中的球体、心肌中的圆柱体、胎儿皮层板中的圆环）进行检测，通过利用拓扑特征和循环定位，在无需深度学习或标注数据集的情况下实现了具有竞争力的性能（例如，在BraTS 2021数据集上Dice分数达到0.711）。

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.

研究动机与目标

• 解决基于深度学习的MRI分割方法存在的局限性，包括对大规模标注数据集的依赖、可解释性不足以及输出结果在解剖学上的不合理性。
• 开发一种基于拓扑数据分析（TDA）的分割框架，确保结果具有拓扑正确性（例如，球形或圆柱形结构）。
• 通过利用目标结构的先验形态学知识，结合持久同调与循环定位，实现在无需模型训练的情况下进行分割。
• 提供一种模块化、可泛化的算法，适用于具有非平凡拓扑特征的多样化生物医学成像挑战。
• 通过显式地将拓扑特征映射到解剖结构，提升临床可解释性与稳定性，支持临床决策。

提出的方法

• 基于灰度差异，使用自动阈值法从MRI扫描中识别待分割的完整结构。
• 应用立方体持久同调计算持久图，捕捉跨尺度的拓扑特征（例如，连通分量、孔洞、空腔）。
• 利用拓扑特征（如代表性循环）在图像中的空间定位信息，引导分割过程，这是在TDA中新颖地利用空间信息的方法。
• 选择最持久的同调类（例如，H₂用于球形肿瘤）或包含最大体积的同调类（例如，用于胎儿皮层板）以识别目标结构。
• 提取所选拓扑特征对应的连通分量作为最终分割结果，确保拓扑一致性。
• 通过将目标结构的预期拓扑（球体、圆柱体、圆环）与持久同调输出匹配，实现对不同解剖结构的自适应处理。

实验结果

研究问题

• RQ1 是否可以使用基于持久同调的无训练分割方法，在不依赖标注训练数据的情况下，实现MRI分割任务的竞争力表现？
• RQ2 如何利用拓扑循环的空间定位信息，以提升医学影像中分割的准确性和鲁棒性？
• RQ3 拓扑约束（例如，球形或圆柱形拓扑）在多大程度上能确保MRI分割结果的解剖学合理性？
• RQ4 模块化的基于TDA的方法在多大程度上可泛化应用于多样化的分割挑战（如胶质母细胞瘤、心肌、胎儿皮层板），且仅需极少的重新配置？
• RQ5 与最先进的深度学习模型（如U-Net）相比，纯拓扑方法在Dice分数和可解释性方面表现如何？

主要发现

• 所提方法在BraTS 2021胶质母细胞瘤数据集上实现了0.711的Dice分数，证明了其在无任何训练数据情况下的竞争力。
• 在ACDC数据集的心肌分割任务中，该方法性能与最先进模型相当，凸显其在低变异性结构上的有效性。
• 该算法通过检测具有预期同调结构的特征（如H₂对应球体，H₁对应圆柱体）确保了拓扑正确性，防止出现解剖学上不可能的分割结果。
• 与标准持久图相比，引入循环定位显著提升了分割准确性，尤其在复杂或异质性区域表现更优。
• 该方法具有内在可解释性，每个分割结果均直接对应一个具有明确几何与拓扑意义的拓扑特征。
• 该方法具有良好的泛化能力：可适用于任何已知具有非平凡拓扑且可通过灰度差异区分的结构的分割任务。