MRI를 이용한 4등급 뇌종양 분류를 위한 주의 유도 전이 학습 프레임워크

요약

본 연구는 MobileNetV2, EfficientNetV1, Inception-ResNet-V2를 이용한 전이 학습을 이용한 MRI 영상을 이용한 4등급 뇌종양 분류를 위한 경량 주의 기반 딥러닝 프레임워크를 제시합니다. 이 모델은 계산 복잡도를 줄이면서 높은 분류 정확도를 달성하며, 자원이 제한된 임상 의사결정 지원 애플리케이션을 지원합니다.

초록

이 연구의 목적은 자기공명영상(MRI) 데이터를 사용해 뇌종양을 교세포종, 수막종, 뇌하수체 종양, 건강한 뇌 조직 네 가지 범주로 분류하는 가볍지만 정확한 딥러닝 프레임워크를 개발하는 것입니다. 제안된 방법론은 전이 학습과 세 가지 사전 학습된 합성 신경망 모델—MobileNetV2, EfficientNetV1, Inception-ResNet-V2—을 결합하며, 인간 시각 시스템이 임상적으로 관련된 이미지 영역에 집중하는 능력을 모방하는 주의 메커니즘과 통합되어 있습니다. 이러한 주의 중심 접근법은 무관한 배경 정보를 억제하면서 종양 위치를 강화합니다. 이 프레임워크는 네 가지 범주에 걸쳐 수천 장의 라벨이 붙은 이미지가 포함된 대규모 공개 뇌 MRI 데이터셋을 기준으로 평가됩니다. 표준 전처리, 데이터 증강, 학습 프로토콜이 적용되어 제안된 방법의 단순한 복제가 가능합니다. 실험 결과는 EfficientNetV1이 MobileNetV2와 Inception-ResNet-V2 모두에 비해 우수한 정확도를 달성하며 최고 분류 성능을 달성함을 보여줍니다. 연구는 제안된 경량 주의 기반 프레임워크가 정확성과 계산 복잡도를 효과적으로 균형 있게 결합하여, 특히 자원이 제한된 환경에서 실시간 및 모바일 헬스케어 애플리케이션에 매우 적합하다고 결론지었습니다.

서론

자기공명영상(MRI)을 이용한 뇌종양의 정확한 분류는 임상 진단, 치료 계획 및 예후 추정에 중요한 역할을 합니다^. 교모세포종, 수막종, 뇌하수체 종양을 포함한 뇌종양은 뚜렷한 병리학적 특성과 치료 반응을 보이며; 따라서 조기하고 신뢰할 수 있는 발견은 치료 결과를 개선하고 질병 진행을 줄이는 데 필수적입니다. MRI는 우수한 연부 조직 대조제, 비침습적 특성, 그리고 여러 해부학적 평면에서 종양 형태를 시각화할 수 있는 능력 때문에 뇌종양 평가에 널리 선호됩니다. 하지만 MRI 스캔의 수동 해석은 종종 시간이 많이 걸리며, 특히 종양 경계가 불규칙하거나 종양 분류 간에 시각적 유사성이 있을 때 방사선학적 전문성에 크게 의존합니다. 따라서 자동화된 컴퓨터 지원 진단 시스템은 방사선 전문의가 종양 분류를 정확하고 효율적으로 수행하는 데 점점 더 중요해지고 있습니다.

딥러닝(DL) 기반 영상 분석 기법은 생의학 및 컴퓨터 비전 응용 분야에서 자동화된 질병 분류를 크게 발전시켰습니다 ^2,3. 신경종양학에서 머신러닝과 전이 학습 기법은 종양 발견, 분할,^{분류 작업에 대해} 유망한 성능을 보여주었습니다. 특히 합성곱 신경망(CNN)은 수작업으로 만든 특징 공학에 의존하지 않고도 MRI 스캔에서 계층적 이미지 특징을 자동으로 추출하는 우수한 능력을 보여주었습니다. CNN 아키텍처는 영상 데이터로부터 종양 관련 판별을 학습할 수 있어, 기존 머신러닝 접근법에 비해 분류 성능을 향상시킵니다. 최근 DL 분야의 발전으로 대규모 영상 데이터셋을 더 높은 정밀도와 인간 개입 감소로 처리할 수 있는 고성능 이미지 분류 시스템 개발이 가능해졌습니다.

이러한 발전에도 불구하고, 기존의 딥 CNN 아키텍처는 높은 메모리 소비, 증가한 매개변수 복잡성, 그리고 긴 훈련 시간 등 상당한 연산 자원을 요구하는 경우가 많습니다^. 이러한 계산 요구는 자원이 제한된 임상 환경과 이동식 의료 시스템에서의 구현을 제한합니다. 또한, 가벼운 컨볼루션 신경망 아키텍처는 계산 복잡도가 낮고 저자원 응용 분야에 적합하다는 점에서 점점 더 주목받고 있습니다⁵. 최근 여러 연구에서는 최적화된 CNN 전략, 효율적인 특징 추출 메커니즘, 그리고^{예측 정확도를} 크게 훼손하지 않으면서 분류 효율성을 높이기 위한 경량 배포 프레임워크를 탐구해 왔습니다. 그러나 MRI 기반 뇌종양 분석에서 계산 효율성과 견고한 다중 분류 성과를 균형 있게 유지하는 것은 여전히 큰 과제로 남아 있습니다⁹.

주의 기반 딥러닝 프레임워크는 의료 영상 분석에서 특징 표현을 개선하는 효과적인 해결책으로 등장했습니다¹⁰. 주의 메커니즘은 신경망이 진단적으로 관련된 이미지 영역을 선택적으로 강조하면서 무관한 배경 정보는 억제할 수 있게 합니다. 인간 시각 시스템에서 영감을 받은 주의 유도 아키텍처는 종양 특이적 공간 영역과 맥락적 특성에 계산 집중을 집중함으로써 구별적 특징 학습을 향상시킵니다. 이러한 메커니즘은 종양 조직이 이질적인 강도 패턴, 불규칙한 형태, 종양 범주 간 겹치는 시각적 특성을 자주 보이기 때문에 뇌종양 MRI 분석에 특히 유익합니다. 따라서 CNN 기반 아키텍처에 주의 모듈을 통합하면 분류 정확도를 높이고 특징 위치 추적 성능을 향상시킬 수 있습니다.

최근 여러 연구에서 자동화된 뇌종양 진단과 MRI 기반 종양 분류에 DL 프레임워크의 잠재력이 입증되었습니다^11,12. Gao 등은 MRI 데이터를 활용한 뇌종양 진단을 위한 DL 모델을 개발 및 검증하여 자동화된 신경영상 분석에 강력한 분류 능력을 입증했습니다¹¹. 마찬가지로, Abdusalomov 등은 MRI 스캔을 이용한 DL 기반 뇌종양 탐지 접근법을 조사했으며 유망한 진단 성과를 보고했습니다¹². 이 연구들이 분류 정확도를 향상시켰음에도 불구하고, 데이터셋 다양성, 모델 일반화, 계산 요구와 관련된 한계는 여전히 해결되지 않았습니다. 많은 경우 훈련 데이터셋이 크기가 제한적이거나 임상 출처가 제한되어 있어 과적합 위험이 증가하고 이질적인 환자 집단 전반에 걸쳐 견고성이 감소했습니다.

종양 시각화와 특징 추출을 향상시키기 위해 다중 모달 MRI 분석 및 재건 기법도 연구되었습니다^13,14. Sun 등은 딥러닝 재구성 프레임워크와 잡음 제거 전략을 결합하여 다중 모달 MRI 기반 교모종 평가를 조사했습니다¹³. 그들의 연구는 교모세포종 검출 정확도를 향상시키기 위한 이미지 품질 향상의 중요성을 입증했습니다. 마찬가지로, Srinivas와 Rao는 다중 모달 MRI 뇌종양 하위 영역 분석을 위한 DL 기반 분할 프레임워크를 제안했다¹⁴. 이들의 접근법은 종양 하위 영역 구분을 개선하고 개별화된 치료 계획에 기여했습니다. 그럼에도 불구하고, 멀티모달 프레임워크는 일반적으로 광범위한 전처리, 증가된 연산 자원, 그리고 영상 모달 간의 정밀한 이미지 등록을 요구하여 실제 임상 환경에서의 적용 가능성을 제한할 수 있습니다.

주의 유도 다중 모달 융합 기법도 분할 정확도 향상과 MRI 특징 통합 개선을 위해 제안되었습니다^{15, 16, 17, 18}. Zhou 등은 다중양식 뇌종양 분할을 위한 주의 기전 기반 융합 프레임워크를 도입했다¹⁵. 이 연구는 맥락적 특징 학습을 통해 세분화 성능 향상을 입증했으며; 그러나 이 접근법은 경량 종양 분류보다는 주로 분할에 초점을 맞추었습니다. 마찬가지로, Zhou와 Du는 가속된 MRI^{재구성을 위한} 3D 멀티모달 네트워크를 제안했고, Huang 등은 멀티모달 뇌종양 진단을 위한 적응형 다중 시퀀스 융합 네트워크인 AMF-Net을 개발^{했습니다.} Zhou 등은 멀티모달 가속 MRI 재구성을 위한 MLMFNet을 추가로 제안했습니다^. 이러한 방법들은 재구성 품질과 특징 융합 능력을 향상시켰지만, 여러 MRI 모달리티, 딥 아키텍처, 그리고 계산 비용이 많이 드는 융합 작업에 크게 의존했습니다. 이러한 요구사항은 자원이 제한된 의료 시스템과 엣지 기반 진단 플랫폼에서의 배포 가능성을 낮출 수 있습니다.

추가 연구에서는 MRI 영상을 이용해 교모세포종, 수막종, 뇌하수체 종양을 분류하기 위한 DL 프레임워크를 연구했습니다¹⁹. Mokri 등은 MRI 스캔을 이용해 세 가지 주요 뇌종양 유형을 식별하는 DL 기반 분류 시스템을 개발했다¹⁹. 연구는 고무적인 성과를 보였지만, 모델이 비교적 작은 데이터셋에 의존했고 경량 전이 학습 프레임워크와의 비교가 부족했습니다. 트랜스포머 기반 아키텍처는 장거리 기능 의존성과 맥락적 관계를 모델링할 수 있는 능력 덕분에 최근 의료 영상 분야에서도 주목받고 있습니다²⁰. Feng 등은 가속된 MR 영상 재구성을 위한 다중 모달 트랜스포머 프레임워크를 제안했다²⁰. 이들의 접근법은 기존 방법에 비해 재구성 성능을 향상시켰습니다; 그러나 트랜스포머 아키텍처는 일반적으로 광범위한 계산 자원과 대규모 훈련 데이터셋을 필요로 하여, 자원이 제한된 의료 시스템에서의 실용적 배치가 제한될 수 있습니다.

전이 학습 기반 경량 CNN 아키텍처는 분류 정확도를 유지하면서 계산 복잡도를 줄이는 데 상당한 가능성을 보여주었습니다 21,22,23. Rahman 등은 MobileNetV2와 고급 전처리 및 미세 조정 접근법을 결합하여 뇌종양 분류 성능 향상을 입증했다²¹. MobileNetV2는 깊이별 분리 가능한 컨볼루션, 감소한 매개변수 수, 효율적인 특징 추출 덕분에 경량 의료 영상 응용에 특히 적합합니다. 마찬가지로, EfficientNet 기반 프레임워크는 네트워크 깊이, 폭, 입력 해상도를 동시에 최적화하는 복합 확장 전략을 통해 강력한 다중 분류 성능을 보^{였습니다.} EfficientNet 아키텍처는 기존 CNN에 비해 계산 오버헤드를 낮추면서도 분류 효율성을 향상시킵니다. 또한, Inception-ResNet 아키텍처는 잔류 학습과 효율적인 특징 추출 메커니즘을 통합하여 이미지 분류 성능을 향상시킵니다²³. 이러한 하이브리드 아키텍처는 계산 효율성을 유지하면서 효과적인 그라디언트 전파와 더 깊은 네트워크 표현 학습을 가능하게 합니다.

MRI 기반 뇌종양 분류에서 상당한 진전이 이루어졌음에도 불구하고, 여러 한계점이 여전히 해결되지 않았습니다. 기존 접근법 중 많은 부분이 분류 정확도를 우선시하는 반면, 배포 효율성이나 계산 제약을 충분히 해결하지 못하고 있습니다. 다른 연구들은 직접적인 4군 종양 분류보다는 분할, 다중 모달 재구성, 특징 융합에 주로 초점을 맞추고 있습니다. 더욱이, 효율적인 다분류 뇌종양 분류를 위해 경량 전이 학습 아키텍처와 주의 유도 특징 학습을 통합하는 프레임워크는 상대적으로 적습니다. 따라서 자원이 제한된 임상 환경에서 분류 정확도, 경량 배포, 판별적 특징 추출을 균형 있게 갖춘 계산 효율적인 프레임워크가 여전히 필요합니다.

따라서 본 연구는 MRI 이미지를 이용한 4등급 뇌종양 분류를 위한 경량 주의 유도 전이 학습 프레임워크를 제안합니다. 제안된 프레임워크는 MobileNetV2, EfficientNetV1, Inception-ResNet-V2를 통합하여, 진단적으로 중요한 종양 영역을 선택적으로 강조하고 무관한 배경 특징은 억제하는 주의 메커니즘을 제공합니다. 이 프레임워크는 특징 식별과 분류 성능을 향상시키면서 계산 복잡도를 줄이는 것을 목표로 합니다. 경량 전이 학습 백본과 주의 유도 기능 추출을 결합함으로써, 제안된 접근법은 자원이 제한된 임상 의사결정 지원 환경에서 MRI 기반 뇌종양 분류를 효율적이고 확장 가능한 솔루션을 제공하는 것을 목표로 합니다.

프로토콜

이 연구는 공개된 익명 데이터셋을 사용했으며; 따라서 사전 동의는 필요하지 않았습니다. 제안된 접근법은 전처리, 컨볼루션 모듈, 주의 모듈, 합성곱과 주의 모듈의 통합, 그리고 완전 연결(FC) 계층의 여섯 가지 구성 요소로 구성되어 있습니다. 그림 1 은 우리 방법의 전체 워크플로우를 보여줍니다.

데이터셋 획득
라벨링된 뇌 MRI 영상은 네 가지 종양 범주와 정상 조직으로 구성된 공개된 Kaggle 데이터셋에서 얻어집니다.

데이터 전처리
이미지는 해상도와 강도를 표준화하여 크기를 조정합니다. 일반화 향상을 위해 선택적 보강(회전, 뒤집기, 확대)이 적용됩니다. 데이터셋은 훈련(70%)과 테스트(30%)로 나뉩니다.

모델 아키텍처
ImageNet에서 사전 학습된 세 개의 백본 CNN—MobileNetV2, EfficientNetV1, Inception-ResNet-V2—을 사용해 MRI 영상을 이용해 뇌종양을 네 가지 범주로 분류했습니다. MobileNetV2와 EfficientNetV1은 입력 크기가 224 × 224 픽셀로 구성되었고, Inception-ResNet-V2는 299 × 299 픽셀의 입력 크기를 요구했습니다. 전이 학습 과정에서 초기 합성곱 층은 일반적으로 된 이미지 특징을 유지하기 위해 시작 단계에서 동결되었고, 상위 계층은 뇌종양 분류에 맞게 모델에 맞게 미세 조정되었습니다. 각 백본은 전역 평균 풀링, 밀집층, 정규화를 위한 드롭아웃, 그리고 네 가지 클래스를 예측하는 소프트맥스 활성화 함수를 포함하는 경량 분류 헤드와 짝지어졌습니다. 드롭아웃은 과적합을 완화하고 일반화를 향상시키기 위해 구현되었습니다. 설계된 아키텍처는 효율적인 특징 추출과 낮은 계산 요구량을 효과적으로 결합하여 정밀한 분류를 용이하게 하면서도 자원이 제한된 시나리오와 개념 증명 시나리오에서의 배포에 적합함을 유지했습니다.

주의 기반 특징 추출
입력 이미지는 초기 컨볼루션 계층을 거쳐 맞춤형 주의 모듈을 거쳐 처리됩니다. 병렬 최대 풀링과 평균 풀링은 두드러지고 맥락적인 특징을 포착하며, 합성곱을 통해 종양과 관련된 영역을 강조하기 위해 연계되고 정제됩니다.

합성곱 백본과 융합
주의 가중치 기능은 사전 학습된 백본(MobileNetV2, EfficientNetV1, 또는 Inception-ResNet-V2)으로 전달됩니다. 고수준 컨볼루션 계층은 메모리 접근을 줄이고 계산 효율성을 높이기 위해 논리적으로 융합됩니다.

분류
평탄화된 특징은 ReLU6 활성화와 드롭아웃을 통해 완전히 연결된 층을 통과하여 최종 4클래스 소프트맥스 분류를 위한 간결한 표현을 만듭니다.

평가
모델 성능은 시험 세트에서 정확도, 정밀도, 회상력, F1 점수, 혼동 행렬을 사용하여 평가합니다.

프레임워크 개발
제안된 솔루션은 파이썬으로 구현되었으며 실행에는 Keras를 사용합니다. 표 1은 하이퍼파라미터를 보여줍니다. 데이터셋은 70:30 비율로 훈련 세트와 테스트 세트로 나뉩니다. 각 데이터 세트의 최종 균형 성능을 보여주기 위해 다섯 가지 임의의 열차/시험 분할이 사용됩니다.

전처리
입력 이미지는 MobileNetV2 프레임워크가 제안된 해결책의 기초 역할을 하므로 업데이트되어야 합니다. 사진에서 고해상도 특징을 추출하기 위해 입력 차원과 함께 사전 학습된 MobileNetV2 모델을 사용합니다. 각 입력 이미지는 [-1, 1] 범위 내에서 224×224 픽셀로 축소됩니다.

컨볼루션 모델
MobileNetV2는 계산 요구를 최소화하도록 설계된 효율적인 합성곱 신경망(CNN) 아키텍처를 활용하여 이미지 인식을 향상시킵니다. 전통적인 CNN은 높은 정확도를 달성하지만, 상당한 메모리와 처리 능력이 요구되는 경우가 많습니다. MobileNetV1은 깊이별 분리 가능한 합성곱 개념을 도입했는데, 이는 표준 합성곱을 입력 필터링을 위한 깊이별 합성곱과 특징 적분을 위한 점별 합성곱 두 가지 연산으로 분리합니다. MobileNetV2는 확장 계층, 깊이별 합성곱, 투영 계층, 잔류 연결로 구성된 병목 잔류 블록을 통합하여 이 아이디어를 발전시킵니다. 투영 계층은 특징 채널을 압축하고, 잔류 연결은 네트워크 전반에 걸친 정보 흐름을 향상시킵니다. 안정성을 높이고 학습 성능을 향상시키기 위해 ReLU6 활성화와 배치 정규화가 합성곱 연산 후에 적용됩니다.

이 연구에서는 ImageNet에서 사전 학습된 MobileNetV2를 특징 추출의 핵심 모델로 사용했으며, 이를 통해 뇌종양 분류의 계산 비용을 낮추면서 효과적인 고수준 의미론적 표현을 제공했습니다. 각 컨볼루션 층 후에는 ReLU6 활성화층이 있는데, 이는 ReLU 활성화 함수의 적응형으로, 크기가 6에서 최대치입니다. 그리고 배치 정규화 계층이 있습니다. 일반적인 1x1 합성곱, 평균 풀링, 분류 계층이 남은 17개의 병목 블록에 적용되어 완전한 MobileNetV2 아키텍처를 형성합니다. ImageNet에서 사전 학습된 MobileNetV2를 백본 네트워크로 사용했습니다. 이 경우, 합성곱 사상은 MobileNetV2 합성곱 층을 통과한 후 마지막 잔차 블록에서 얻어집니다. 하위 잔류 블록은 더 작은 특징 지도를 생성합니다. 이러한 블록들은 전체 이미지 식별을 위한 고수준 데이터를 수집하지 않기 때문에 연구에 기여하지 않습니다. 모델 구축 및 학습 중에는 7× 7개의 3D 특징 맵을 생성하는 컨볼루션 층 앞에 있는 레이어들이 고정되어 있습니다. 수학적으로 이는 다음과 같이 식(1)에서 표현됩니다:

F₁(I) = Conv(I) (1)

여기서 F₁(I)은 입력 이미지인 I에서 추출한 합성곱 특징을 나타냅니다.

포커스 모듈
인간 뇌의 주의 메커니즘은 사람들이 자연스럽게 이미지의 모든 세부 사항보다 중요한 시각적 입력에 더 집중한다는 것을 암시하며, 이 변형 네트워크 설계의 기초가 됩니다. 이 아이디어 덕분에 딥러닝 연구에서 수많은 주의 기반 모델이 만들어졌습니다. 뇌종양 표현에서 관찰되는 공간적 상관관계는 제안된 주의 기전에 의해 강조됩니다. 채널 주의 모듈이 특징 채널 전반에 걸쳐 가장 중요한 종양 관련 정보를 포착하는 반면, 지역 주의 장치는 MRI 영상에서 가장 유익한 영역을 식별합니다. 구조화된 주의 방법을 사용하여 제안된 집중 단위는 구별적인 종양 정보가 포함된 영역에 집중합니다.

특징 표현을 개선하기 위해 공간적 특징 탐지 단계 이전에 Top Activation Pooling과 균형 잡힌 특징 추출과 같은 기법이 사용됩니다. 이 전략은 임상적으로 중요한 종양 영역을 강조하면서 불필요한 배경 정보를 최소화하는 모델을 강화하여 분류 정확도와 특징 학습의 효율성을 향상시킵니다. 두 번째는 최대 풀된 텐서와 평균 풀된 텐서의 연결 상태입니다. 마지막으로, 시그마 활성화 함수와 7x7 합성곱 필터를 결합하여 시각 자극 내 시각적 자극을 활성화하는 데 사용됩니다. 포커스 모듈의 다양한 단계는 식(2)과 (3)에 표시되어 있습니다. 여기서 균형 잡힌 풀(F) ∈ RHxWx1은 평균 풀링 연산을, MaxPool(F) ∈ RHxWx1은 최대 풀링 연산을 나타냅니다.

F₂(I) = [AvgPool(F); 맥스풀(여성) (2)

이 두 원소 맵은 3D에서 결합하여 원소 맵을 만들 수 있습니다

F₂(I) = ∈ RHxwx1. _F3(I) = σ(f7x7(F₂(I))) (3)

여기서 σ는 시그마를 나타내는 활성화 함수입니다. 주의 특성은 HxWxC 높이 인코딩 텐서(V), 너비(W), 두께(C)로 표현되며, f7x7은 필터 크기 합성곱 연산(7x7)으로 표현됩니다.

주의력의 융합과 합성곱 모형
단일 인코더에 의존하는 네트워크와 달리, 멀티모달 머징 유닛은 대부분의 모달리티에 대해 훨씬 더 효율적이고 포괄적인 정보를 추출할 수 있습니다. 융합 블록은 최대한의 필수 교차 모달 특징을 유도하는 데 목적이 있습니다; 따라서 종양 영역 제거가 주목할 부위를 정확히 파악할 수 있습니다. 이는 개별 잠재적 표현들의 단순한 연결이지만, 일부 정보가 손실될 수 있습니다. 따라서 합성곱 모듈과 관찰 모듈의 특징 맵을 Sitaula 등의 기본 특징 연결 방법을 결합하여 결합된 객체 맵이 생성되었습니다. 이 두 특징 맵은 다양한 이미지 특성의 차이를 포착했기에, 우리는 최대, 최소, 합 기반 전략 대신 단순한 연결 방식을 사용하기로 결정했습니다. 이로 인해 쌍선형 방법을 텐서 곱 계산의 한 형태로 사용하는 대안 방법들보다 계산 효율이 낮아집니다. 이러한 두 특징이 결합되면, 그 결과물을 특징 텐서(feature tensor)라고 부른다. 문자 T의 집계된 텐서 출력의 수학적 표현은 식(4)으로 주어집니다.

[F₁(I), F₃(I)] = T(I) (4)

여기서 F1(I)은 RHxWx1∈, F2(I)는 RHxWx1280∈. 이들은 폭(W)과 높이(H)가 같은 3차원 텐서입니다. 더 나아가, 3차원 텐서의 3D k 생성에서 T(I) ∈ LxWx1281 이들을 연결할 수 있다.

완전 연결 계층(FC)
특징 융합 후 일련의 FC 레이어를 사용해 재형성된 체적 텐서를 선형 특징 벡터로 변환했습니다. 분류 헤드는 전역 평균 풀링 계층, 완전 연결 밀집층, 드롭아웃 정규화, 그리고 소프트맥스 출력 계층으로 구성됩니다. ReLU6 활성화 함수가 사용되며, 128 단위와 50%의 드롭아웃 확률을 가집니다.

결과

MobileNetV2, EfficientNetV1, Inception-ResNet-V2 등 세 가지 사전 학습된 딥러닝 모델이 MRI 영상을 이용해 4등급 뇌종양 분류를 위해 평가되었습니다.

사용 데이터셋
제안된 프레임워크는 Kaggle 플랫폼에서 얻은 공개된 뇌종양 MRI 데이터셋을 사용하여 평가되었습니다. 데이터셋은 835장의 정상 뇌 MRI 이미지, 826장의 교모세포종 이미지, 822장의 수막종 이미지, 827장의 뇌하수체 종양 이미지로 구성되었습니다. 데이터셋에서 대표적인 MRI 샘플은 그림 2에 나와 있습니다.

모바일넷V2
MobileNetV2 모델은 총 2,263,108개의 매개변수를 포함했으며, 이 중 2,228,996개는 훈련 가능...

토론

정확성, 기억, F1 점수, 정밀도를 기반으로 한 성능 평가는 MobileNetV2와 Inception-ResNet-V2 모두 뇌종양 분류에서 97–98%의 종합 및 가중평균 정확도를 달성하는 유사한 결과를 달성함을 보여줍니다. 반면, EfficientNet은 향상된 일반화와 복리 확장 전략 덕분에 거시평균 및 가중 평균 지표 전반에서 99%의 정확도를 달성하며 다른 모델들보다 우수한 성능을 보입니다. 이 결과는 다중 클래스 MRI 종양 분류와 계산 효율적인 특징 학습에 EfficientNet 아키텍처의 효과를 입증한 이전 연구들과 일치합니다²². 마찬가지로, 전이 학습 기반 MobileNetV2 프레임워크는 낮은 계산 복잡도를 유지하면서도 경량 뇌종양 분류 작업에서 강한 성능을 보인 바 있습니다²¹.

EfficientNetV1의 향상...

재료

이 논문에 사용된 재료 목록

이름	회사	카탈로그 번호	댓글
뇌 MRI 데이터셋	IEEE	https://dx.doi.org/10.21227/q2vt-tf46	데이터셋은 기관 액세스로 다운로드됩니다. MRI 데이터셋은 뇌종양, 수막종, 뇌하수체 종양 및 정상 뇌의 네 가지 클래스를 포함합니다
CNN 가속기 (레이어 융합)	제안된 작업	—	메모리 액세스를 줄이고 계산 효율성을 향상시키기 위한 최상위 컨볼루션 레이어의 논리적 융합
사용자 정의 주의 모듈	제안된 작업	—	최대 풀링과 평균 풀링을 통합하여 종양 관련 영역을 강조하는 주의 메커니즘
EfficientNetV1	구글	사전 학습됨 (ImageNet)	최적의 정확도-효율성 트레이드오프를 제공하는 확장 가능한 CNN 아키텍처
구글 Colaboratory	구글	https://colab.research.google.com/	GPU 지원으로 모델 학습, 평가 및 실험에 사용되는 클라우드 기반 환경
Inception-ResNet-V2	구글	사전 학습됨 (ImageNet)	Inception 모듈과 잔차 연결을 결합한 깊은 하이브리드 CNN 아키텍처
Keras	구글	v2.6.0	신속한 모델 프로토타이핑을 위해 TensorFlow 위에 구축된 고급 신경망 API
Matplotlib	Matplotlib 개발자	v3.4.3	학습 곡선, 혼동 행렬 및 성능 지표를 표시하는 데 사용되는 시각화 라이브러리
MobileNetV2	구글	사전 학습됨 (ImageNet)	모바일 및 엣지 배포를 위해 최적화된 경량 CNN 백본
NumPy	NumPy 개발자	v1.21.4	수치 연산에 사용되는 핵심 과학 계산 라이브러리
Pandas	Pandas 개발 팀	v1.3.4	데이터셋 구성 및 메타데이터 처리에 사용되는 데이터 처리 및 조작 라이브러리
파이썬	파이썬 소프트웨어 재단	v3.8.10	데이터 전처리, 모델 개발 및 평가에 사용되는 주요 프로그래밍 언어
Scikit-learn	Scikit-learn 개발자	최신 안정판	정밀도, 재현율, F1-점수 및 혼동 행렬과 같은 성능 평가 지표에 사용됨
Seaborn	Seaborn 개발자	최신 안정판	향상된 그래픽 분석에 사용되는 고급 통계 시각화 라이브러리
TensorFlow	구글	v2.6.0	CNN 백본 및 주의 모듈을 구현하는 데 사용되는 엔드-투-엔드 딥 러닝 프레임워크