뇌종양 MRI 판독의 혁신: 인공지능 딥러닝(CNN)을 활용한 뇌종양 자동 분류 기술의 모든 것
http://dx.doi.org/10.31916/sjmi2023-01-03
서론: 뇌종양 진단의 패러다임을 바꾸는 인공지능(AI)
전 세계적으로 수많은 사람들의 생명을 위협하는 뇌종양은 조기 발견과 정확한 분류가 환자의 생존율을 높이는 데 결정적인 역할을 합니다.
컴퓨터 비전 기술의 핵심인 컨볼루션 신경망(Convolutional Neural Network, CNN)은 인간의 시각적 인식 능력을 모방하여 이미지 속의 복잡한 패턴과 특징을 놀라운 정확도로 식별해냅니다.
이 글을 통해 의료 전문가뿐만 아니라, 뇌종양 진단 기술과 인공지능의 접점에 관심 있는 모든 분들께 유익한 정보를 제공할 것입니다.
1. 핵심 기술: 컨볼루션 신경망(CNN)과 전이 학습(Transfer Learning)
뇌종양 분류 모델을 이해하기 위해서는 먼저 그 기반이 되는 핵심 기술인 CNN과 전이 학습에 대한 이해가 필요합니다.
컨볼루션 신경망(CNN)이란?
CNN은 이미지, 영상, 음성 등과 같은 데이터를 처리하는 데 특화된 딥러닝 모델입니다.
분류 부분에서는 추출된 특징들을 종합하여 이미지가 어떤 카테고리(예: 정상, 선종, 수막종)에 속하는지 최종적으로 판단합니다.
그림 1. CNN 모델의 개념도. 영상 판독 내용: 입력된 뇌 MRI 영상(Input image)은 특징 추출(Feature Extraction) 단계에서 컨볼루션(Convolution)과 풀링(Pooling) 과정을 거치며 주요 특징 맵(Feature Maps)을 생성합니다. 이후 분류(Classification) 단계의 완전 연결 계층(Fully connected layer)을 통해 최종적으로 특정 뇌종양(선종, 수모세포종, 수막종, 교모세포종)일 확률 분포(Probabilistic Distribution)를 계산하여 결과를 출력(Output)합니다.
이 연구에서는 2012년 이미지넷 대규모 시각 인식 챌린지(ILSVRC)에서 우승하며 딥러닝의 부흥을 이끈 전설적인 모델, 알렉스넷(AlexNet)을 기반으로 합니다.
그림 2. AlexNet의 병렬 연산 아키텍처. 영상 판독 내용: 이 다이어그램은 AlexNet 모델이 두 개의 GPU를 사용하여 병렬로 연산을 수행하는 구조를 보여줍니다. 입력 이미지가 여러 개의 컨볼루션 계층, 정규화(Local Response Normalization), 풀링(Max Pooling) 계층을 거치면서 특징이 추출되고, 최종적으로 완전 연결 계층을 통해 분류됩니다.
전이 학습(Transfer Learning)의 효율성
방대한 데이터셋으로 처음부터 CNN 모델을 훈련시키는 것은 엄청난 시간과 컴퓨팅 자원을 필요로 합니다. 전이 학습은 이러한 문제를 해결하는 매우 효과적인 방법입니다.
그림 3. AlexNet의 전이 학습 과정. 영상 판독 내용: 1단계(Load pre-trained network)에서 수백만 개의 이미지로 사전 훈련된 네트워크를 불러옵니다. 2단계(Last layer replacement)에서 기존의 분류 계층을 새로운 뇌종양 카테고리(4가지) 분류를 위한 계층으로 교체합니다. 3단계와 4단계(Training & Prediction)에서 뇌종양 MRI 이미지로 네트워크를 재훈련시킨 후, 새로운 테스트 이미지를 입력하여 뇌종양 종류별 확률을 예측합니다.
2. 뇌종양 분류 모델의 설계 및 실험 과정
본 연구에서는 NEJM, AuntMinnie와 같은 저명한 의학 저널에서 수집한 뇌 MRI 이미지를 데이터셋으로 사용했습니다.
실험은 다음과 같은 절차로 진행되었습니다.
데이터 입력: 'Exam_Brain.Zip' 파일에 담긴 50개의 뇌 MRI 이미지를 입력 데이터로 사용합니다.
데이터 분할: 전체 데이터의 70%는 모델 훈련(training)용으로, 30%는 모델 성능 검증(validation)용으로 분할합니다.
모델 훈련: AlexNet에 전이 학습을 적용하여 훈련용 데이터로 뇌종양의 특징을 학습시킵니다.
성능 평가: 훈련된 모델을 사용하여 검증용 데이터의 뇌종양 종류를 예측하고, 그 정확도를 평가합니다.
그림 4. 뇌종양 분류 실험 절차. 영상 판독 내용: 'Exam_Brain.Zip' 파일의 MRI 데이터가 입력(Input data)되면, 개선된 CNN 모델(Improved CNN model)이 CNN 풀링(CNN Pooling)과 분류(Classification) 과정을 수행합니다. 이 과정을 통해 모델은 뇌종양을 자동으로 진단하고 예측된 결과(Predicted outcome)를 출력합니다.
그림 5. 연구에 사용된 뇌 MRI 샘플 이미지. 영상 판독 내용: 상단 좌측부터 시계방향으로 수모세포종(germinoma) 2개, 수막종(meningioma), 정상(normal), 교모세포종(glioblastoma), 선종(adenoma)의 대표적인 MRI 영상입니다. 각기 다른 종양의 위치, 형태, 명암 대비 특징을 시각적으로 확인할 수 있습니다.
3. 실험 결과 분석: 88.25% 정확도의 달성
총 10회에 걸친 교차 검증 실험 결과, 개발된 CNN 모델은 88.25%의 뇌종양 분류 정확도를 기록했습니다.
그림 6. CNN 모델 훈련 과정. 영상 판독 내용: 상단 그래프는 훈련이 진행됨에 따라 정확도(Accuracy)가 빠르게 100%에 가까워지는 것을 보여줍니다. 하단 그래프는 오차를 나타내는 손실(Loss) 값이 급격히 감소하여 0에 수렴하는 것을 보여줍니다. 이는 모델이 주어진 데이터를 효과적으로 학습하고 있음을 시사합니다.
그림 7. 모델에 의해 분류된 뇌종양 이미지. 영상 판독 내용: 학습된 모델이 4가지 다른 유형의 뇌종양(선종, 수모세포종, 수막종, 교모세포종) 이미지를 성공적으로 분류하고 정확한 라벨을 예측한 결과 예시입니다.
그림 8. AUC(Area Under the Curve) 결과. 영상 판독 내용: 10개의 폴드(folds)에 대한 처리(Processing)를 거쳐 계산된 최종 AUC 값이 0.8825로 표시되어 있습니다. 이는 모델의 전반적인 분류 성능을 정량적으로 나타내는 지표입니다.
모델의 세부적인 성능을 평가하기 위해 혼동 행렬(Confusion Matrix)과 ROC(Receiver Operating Characteristic) 곡선 분석이 수행되었습니다.
혼동 행렬은 모델이 각 카테고리를 얼마나 정확하게 예측했는지, 그리고 어떤 카테고리들을 혼동했는지를 시각적으로 보여줍니다. 아래 그림 9에서 녹색 대각선 셀은 정답을 맞힌 경우를, 붉은색 셀은 오답을 나타냅니다. 예를 들어, 모델은 수모세포종(germinoma)을 76.9%의 정확도로 올바르게 예측했습니다.
그림 9. CNN 모델의 혼동 행렬(Confusion Matrix). 영상 판독 내용: 이 행렬은 모델의 실제 클래스(행)와 예측 클래스(열)를 비교합니다. 대각선 상의 높은 백분율(녹색 셀)은 높은 예측 정확도를 의미합니다. 예를 들어, 선종(adenoma)은 74.1%의 정확도로, 교모세포종(glioblastoma)은 76.9%의 정확도로 올바르게 분류되었습니다.
ROC 곡선은 모델의 분류 성능을 나타내는 또 다른 중요한 지표입니다. 그래프의 가로축은 '위양성 비율(False Positive Rate)'을, 세로축은 '진양성 비율(True Positive Rate, 민감도)'을 나타냅니다. 곡선이 왼쪽 상단에 가까울수록, 그리고 곡선 아래의 면적인 AUC가 1에 가까울수록 모델의 성능이 우수하다고 평가합니다. 본 연구에서는 적은 데이터 양으로 인해 곡선이 계단 형태로 나타났지만, AUC 값 0.8825는 모델의 높은 변별력을 입증합니다.
그림 10. ROC(Receiver Operating Characteristic) 곡선. 영상 판독 내용: 이 그래프는 모델의 분류 성능을 시각화합니다. 곡선 아래의 면적(AUC)은 0.8825로, 이는 모델 전체 성능의 88.25%를 차지함을 의미하며, 우수한 분류 능력을 나타냅니다.
4. 심층 논의: 기존 연구와의 차별점 및 연구의 한계
이 연구의 가장 큰 의의는 기존의 뇌종양 분류 연구들과 차별화되는 접근 방식에 있습니다.
과거의 많은 연구들은 웨이블릿 변환(wavelet decomposition), 질감 특징 추출(textural feature extraction) 등 복잡하고 여러 단계에 걸친 이미지 전처리 및 특징 공학 과정을 요구했습니다.
표 1. 본 연구 이전의 뇌종양 분류 관련 선행 연구 요약. 영상 판독 내용: 이 표는 본 연구 이전에 수행된 5개의 주요 선행 연구들을 요약하고 있습니다. 대부분의 연구들이 웨이블릿 변환(DWT), 유전 알고리즘, SVM 등 다양한 기법을 활용하여 특징 추출 및 분류를 시도했음을 보여줍니다.
물론 이 연구에도 명확한 한계점이 존재합니다.
데이터셋의 한계: 총 50개라는 매우 적은 수의 이미지를 사용했기 때문에 모델의 일반화 성능에 한계가 있을 수 있습니다.
데이터의 양과 질이 보장되지 않으면 분류 정확도에 문제가 발생할 수 있습니다. AI의 역할: 현재의 인공지능 기술은 의료진의 진단을 보조하는 강력한 도구이지만, 최종적인 의학적 결정은 영상 데이터 외에도 환자의 병력, 임상 증상 등 종합적인 정보를 고려하는 의사의 영역입니다.
기계가 의사의 개입 없이 단독으로 의료 결정을 내릴 수는 없습니다. 전문가의 협업: 민감도(sensitivity)와 특이도(specificity) 같은 모델의 판단 기준점을 설정하는 것은 AI 전문가가 아닌, 해당 분야의 의료 전문가가 결정해야 할 영역입니다.
따라서 의료 분야 AI 개발 과정에는 반드시 현장 의료진의 적극적인 참여가 필수적입니다.
결론: 뇌종양 AI 진단의 미래를 향한 중요한 발걸음
본 연구는 CNN과 전이 학습을 통해 88.25%의 높은 정확도로 뇌종양 MRI 이미지를 성공적으로 분류함으로써, 인공지능이 뇌종양 진단 분야에서 가질 수 있는 엄청난 잠재력을 명확히 보여주었습니다.
앞으로 인공지능 기반 뇌종양 진단 시스템은 더욱 정교화되어 영상 판독의 정확성과 속도를 높이고, 의료진이 더 빠르고 정확한 결정을 내릴 수 있도록 지원하는 핵심적인 역할을 수행하게 될 것입니다. 이는 궁극적으로 뇌종양 환자들의 치료 결과를 개선하고 생존율을 높이는 데 크게 기여할 것입니다. 인공지능과 의료 영상 기술의 융합은 이제 시작이며, 그 미래는 무한한 가능성으로 가득 차 있습니다.
참고문헌
[1] A. Krizhevsky, I. Sutskever, and G. E. Hinton, "ImageNet Classification with Deep Convolutional Neural Networks," Communications of the ACM, vol. 60, no. 6, pp. 84-90, Jun. 2017.
[2] P. John, "Brain tumor classification using wavelet and texture based neural network," International Journal of Scientific & Engineering Research, vol. 3, no. 10, pp. 1-7, Oct. 2012.
[3] S. Sawakare and D. Chaudhari, "Classification of Brain Tumor Using Discrete Wavelet Transform, Principal Component Analysis and Probabilistic Neural Network," International Journal for Research in Emerging Science and Technology, vol. 1, no. 6, pp. 13-19, 2014.
[4] A. Kharrat, K. Gasmi, M. Ben Messaoud, et al., "A Hybrid Approach for Automatic Classification of Brain MRI Using Genetic Algorithm and Support Vector Machine," Leonardo Journal of Sciences, no. 17, pp. 71-82, 2010.
[5] N. Varuna Shree and T. N. R. Kumar, "Identification and classification of brain tumor MRI images with feature extraction using DWT and probabilistic neural network," Brain Informatics, vol. 5, no. 1, p. 23, 2018.
[6] M. Arunachalam and S. R. Savarimuthu, "An efficient and automatic glioblastoma brain tumor detection using shift-invariant shearlet transform and neural networks," International Journal of Imaging Systems and Technology, vol. 27, no. 3, pp. 216-226, 2017.
[7] S. Niu, Y. Liu, J. Wang, and H. Song, "A Decade Survey of Transfer Learning (2010-2020)," IEEE Transactions on Artificial Intelligence, vol. 1, no. 2, pp. 151-166, Aug. 2020.
댓글
댓글 쓰기