3D-TDA——从三维图像中提取拓扑特征用于阿尔茨海默病分类

鉴于阿尔茨海默病的疾病修饰疗法已获监管机构批准，基于尽可能低成本的测量模态进行早期、客观且准确的AD临床诊断已成为日益迫切的需求。在本研究中，我们提出了一种使用持久同调分析大脑结构MRI的新型特征提取方法。该方法通过Betti函数将拓扑特征转化为强大的特征向量。通过将这些特征向量与XGBoost等简单的机器学习模型相结合，我们得到了一个计算高效的机器学习模型。我们的模型在ADNI 3D MRI疾病诊断的二分类和三分类任务中均优于SOTA深度学习模型。使用10折交叉验证，我们的模型在二分类中达到了97.43%的平均准确率和99.09%的灵敏度。在三分类中，达到了95.47%的平均准确率和94.98%的灵敏度。与许多深度学习模型不同，我们的方法不需要数据增强或大量的预处理，使其特别适用于较小的数据集。拓扑特征与通常使用卷积滤波器和其他深度学习机制提取的特征有显著差异。由于它提供了与机器学习模型完全不同类型的信息，未来有望将拓扑特征与其他模型相结合。