要約: 医用画像からの正確で解釈可能な脳腫瘍分類は、磁気共鳴画像法（MRI）に存在する高次元性と複雑な構造パターンのため、依然として困難な問題です。本研究では、Topological Data Analysis（TDA）に基づくトポロジー駆動の脳腫瘍分類フレームワークを、三次元（3D）MRIボリュームに直接適用して提案します。具体的には、BraTS 2020データセットの3D Fluid Attenuated Inversion Recovery（FLAIR）画像を分析し、パーシステント・ホモロジーを用いて解釈可能なトポロジー記述子を抽出します。
持続的ホモロジーは、Betti数を通じてデータの内在的な幾何学的・構造的特徴を捉えます。Betti-0は連結成分、Betti-1はループ、 Betti-2は空洞を表します。3D MRIボリュームから、脳腫瘍構造の基盤となるトポロジーを要約する100個のトポロジー特徴量のコンパクトな集合を導出します。これらの記述子は、複雑な三次元腫瘍形態を表現しつつ、データの次元を大幅に削減します。
多くの深層学習アプローチが大規模な訓練データや複雑なアーキテクチャを必要とするのに対し、提案された枠組みは画像から直接抽出される計算効率の高いトポロジー特徴量に依存します。これらの特徴量は、ランダムフォレストやXGBoostを含む古典的な機械学習分類器の訓練に用いられ、高グレード膠腫（HGG）と低グレード膠腫（LGG）の二値分類を行います。BraTS 2020データセットを用いた実験結果は、選択されたBetti特徴と組み合わせたランダムフォレスト分類器が89.19%の精度を達成することを示しています。これらの発見は、持続的ホモロジーが複雑な3D医用画像を分析し、脳腫瘍分類を行ううえでの有効で解釈可能なアプローチとして潜在能力を持つことを示しています。
返却形式: {"translated": "翻訳されたHTML"}
