이미지 전처리 및 최적화 민감도: 뇌종양 진단에 있어 합성곱 신경망에 대한 시사점

Summary

본 연구는 고정된 아키텍처 내에서 전처리 파이프라인과 최적화자를 평가하기 위한 통제된 프레임워크를 사용하여 고전적 전처리가 뇌종양 분류에서 옵티마이저와 합성곱 신경망(CNN)에 미치는 영향을 규명하는 것을 목표로 합니다.

Abstract

자기공명영상(MRI)을 이용한 뇌종양 분류는 종양의 크기, 형태, 질감의 차이로 인해 어려움을 겪습니다. 전통적인 이미지 전처리 방식이 입력 품질 향상에 흔히 사용되지만, 최적화자 행동과 CNN 성능에 미치는 영향은 아직 철저히 조사되지 않았습니다. 본 연구는 전처리가 다양한 최적화 장치에서 수렴, 일반화 및 분류 정확도에 미치는 영향을 조사합니다. 공개된 Kaggle 데이터셋을 활용해 두 가지 전처리 파이프라인을 만듭니다: 이미지 크기 조절만 하는 기본 파이프라인과 이미지를 그레이스케일로 변환하고 흐리게 처리하며 형태학적 필터링을 적용하는 전통적인 파이프라인입니다. 그 후 이 파이프라인들이 세 가지 최적화 도구인 Adam, Root Mean Square Propagation(RMSProp), Stochastic Gradient Descent(SGD)에 미치는 영향을 테스트합니다. 프로토콜 변수를 분리하기 위해 고정된 CNN 아키텍처가 전반적으로 사용됩니다. 수행 능력은 정확성, 정확성, 회상력, F1 점수를 사용하여 평가되며, 5단계 교차 검증을 통해 검증됩니다. 결과는 기초 전처리가 모든 최적화기에서 일관되게 더 높은 정확도와 더 안정적인 수렴을 보여주며, RMSProp과 SGD는 5배 교차 검증 하에 평균 정확도 99.53%를 기록했습니다. 이 연구 결과는 전처리가 최적화기 성능에 미치는 영향에 대해 충분히 연구되지 않았으며, 의료 영상 분석에서 견고성과 해석 가능성을 높이기 위해 전처리 인지 학습 전략의 필요성을 강조합니다.

Introduction

자기공명영상(MRI)을 이용한 뇌종양 분류는 신경종양학에서 매우 중요한 과제로, 조기 정확한 진단이 치료 계획과 환자 결과에 직접적인 영향을 미칩니다^. CNN은 원시 이미지 데이터로부터 계층적 공간 및 질감적 특징을 직접 학습할 수 있기 때문에 이 과정을 자동화하는 주된 접근법이 되었습니다^. 하지만 입력 데이터의 품질은 모델 성능의 핵심 결정 요인으로 남아 있습니다. 그레이스케일 변환, 가우시안 블러링, 임계값 조정, 형태학적 연산과 같은 고전적 전처리 기법이 노이즈를 줄이고 구조적 경계를 강조하기 위해 일상적으로 적용됩니다 ^3,4,5. Gangadharan 등은 뇌종양 예측을 위한 딥러닝 모델의 비교 분석을 수행하며, 아키텍처 간 성능 변동성과 결과 형성에 있어 데이터셋 특성의 중요성을 강조했다^. Qureshi 등은 다중 등급 종양 검출을 위한 초경량 CNN을 제안했으며, 진단 정확도를 저해하지 않으면서 계산 효율성과 실시간 적용성을 강조합니다⁷. 구조 영상을 넘어, Qureshi 등은 다중 모수 MRI 스캔에서 융합된 다중오믹스 특징을 이용해 메틸구아닌-DNA 메틸트랜스퍼라제(MGMT) 프로모터 메틸화 상태를 예측하는 방사선 유전체 분류를 탐구했으며, 비침습적 종양 프로파일링을 위한 통합 데이터 방식의 잠재력을 입증했습니다⁸. 이러한 변환이 널리 사용되고 있음에도 불구하고, 이러한 변환이 CNN 훈련 역학, 최적화자 동작, 해석 가능성에 미치는 후속 영향은 아직 충분히 탐구되지 않고 있습니다.

최근 뇌종양 분류의 발전은 아키텍처 복잡성, 분할-분류 하이브리드, 전이 학습에 초점을 맞추고 있습니다. 예를 들어 MultiFeNet은 다중 규모 특징 융합을 사용하여 공간 표현을 향상시키^{고, 앙}상블 모델과 3D CNN은 계산 오버헤드 증가를 대가로 고충실도를 제공합니다^10,11. 최근 하이브리드 방법, 예를 들어 서포트 벡터 머신(SVM)을 이용한 웨이블릿 변환과 셀룰러 오토마타 기반 엣지 검출 연구는 일반적으로 수작업으로 만든 특징이나 다단계 처리가 필요합니다^12,13. 불균형 데이터셋에 대한 비교 연구는 클래스별^{일반화 달성}의 어려움을 부각시켰습니다. VGG와 ResNet과 같은 사전 학습 네트워크를 이용한 전이 학습 접근법은 MRI 분류^{15, 16, 17}에서 가능성을 보였습니다; 하지만 종종 전처리를 고정된 상류 단계로 취급합니다. 이러한 모델들은 입력 변환이 최적화기나 의미 보존의 수렴에 어떤 영향을 미치는지에 대해 거의 분리하지 못합니다.

전처리 인식 연구들이 이 격차를 부각시키기 시작했습니다. Ivanescu 등은 과도한 필터링이 CNN의 미묘^{한 종양 패턴}에 대한 민감도를 저하시킬 수 있음을 입증했습니다. Vu 등은 그레이스케일 변환과 크기 조정이 맥락 정보를 폐기시켜 진단 정확도에 영향을 줄 수 있음을 입증했습니다^. Hooper 등은 상류 컴퓨터 단층촬영(CT) 필터링이 성능 변동을 유발하며, CNN이 도메인 이동에 얼마나 취약한지 강조했다. Kundu 등은 분할 개선을 위해 가우시안 기반 강도 변환을 제안했다¹⁸; 그러나 최적화 장치의 민감도는 평가하지 않았습니다. 한편, Asiri 등과 Aamir 등은 뇌^{종양 탐지}에 대한 CNN 하이퍼파라미터를 최적화했으며^, Adam이 전처리 변화에 어떻게 반응하는지 분석하지 않고 우수한 성능을 언급했습니다. 그라데이트 가중 클래스 활성화 매핑(Grad-CAM)과 SHapley 적법 설명(SHAP)과 같은 설명 도구는 클래스 구별 영역을 시각화하여 CNN 의사결정에 대한 이해를 발전시켰습니다^19,20. 이러한 방법들은 전처리가 의미 보존을 개선하는지 왜곡하는지 검증하는 데 필수적입니다.

그러나 전처리가 고정된 아키텍처 하에서 최적화자 수렴, 일반화, 해석 가능성에 어떤 영향을 미치는지에 대한 체계적인 연구는 거의 없습니다. 이는 임상적, 계산적으로 중요한 문제입니다. 임상적으로 과도한 부활화나 강도 변환은 진단적으로 중요한 질감과 공간적 기울기를 약화시켜 위치 정확도와 임상가의 신뢰를 떨어뜨릴 수 있습니다. 계산적으로 최적화자는 특징 규모와 구배 분산의 변화에 다르게 반응합니다; 입력 복잡도와 최적화 다이내믹스 간의 불일치는 불안정한 수렴이나 부적절한 일반화를 초래할 수 있습니다.

이를 해결하기 위해, 우리는 일관된 CNN 아키텍처와 BR35H Kaggle 데이터셋²¹을 사용하여 Adam, RMSProp, SGD 세 가지 옵티마이저 간에 기준선(리사이즈 전용)과 전통적인 전처리 파이프라인을 체계적으로 비교하는 이중 경로 프레임워크를 도입했습니다. 우리는 Grad-CAM을 사용하여 분류 성능, 수렴 속도, 해석 가능성을 평가하며, 5중 교차 검증을 통해 검증되었습니다. 아키텍처 변경과 전처리 변경을 혼동하는 이전 연구와 달리, 이 프로토콜은 전처리를 독립 변수로 분리하여 공격적 필터링이 최적화 및 공간 주의의 성능을 저해할 수 있음을 밝혀냅니다.

여기서 제시된 프레임워크는 기존 모델에 비해 여러 가지 장점을 제공합니다. 첫째, 전처리 전략과 최적화자 간의 상호작용을 명시적으로 평가하는데, 이는 앙상블 및 전이 학습 연구에서 종종 간과되는 차원입니다^{15, 16, 17}. 둘째, 고정된 CNN 아키텍처를 유지하여 재구성이^{일반적으로 비현실}적인 실제 배치 제약을 시뮬레이션합니다. 셋째, 시각적 귀속 방법을 통합하여 의미 보존을 평가하며, 이는 방사선 및 수작업 특징 연구를 보완하는²³. 마지막으로, 이 프레임워크는 전처리 인지 학습 전략에 대한 재현 가능한 통찰을 제공하여 견고성과 해석 가능성을 모두 향상시킵니다.

전처리 방법 ^3,4,5, 옵티마이저 연구^16,17, 설명 도구^19,20의 통찰을 종합함으로써, 이 연구는 정확성, 안정성, 임상적 관련성을 균형 있게 조화시키는 실용적이고 해석 가능한 뇌종양 분류 파이프라인을 제시합니다.

Protocol

그림 1 은 프로토콜 워크플로우의 개요를 보여줍니다. 본 연구는 고전적 이미지 전처리가 CNN의 성능과 MRI를 이용한 뇌종양 분류에서 최적화 장치의 행동에 미치는 영향을 조사합니다. 이 프로토콜은 데이터셋 준비, 이중 경로 전처리 파이프라인, 모델 아키텍처, 옵티마이저 구성, 성능 평가, 해석 가능성 검증을 포함합니다. 모든 실험은 Python 3.10.12에서 Keras 버전 2.13.1과 TensorFlow 백엔드, OpenCV 버전 4.8.0, Matplotlib 버전 3.8.0을 사용하여 실행되었습니다.

데이터셋 준비
Kaggle²¹의 BR35H 뇌종양 MRI 데이터셋은 종양 존재("예")와 종양 부재("아니오") 그룹으로 균등하게 나누어진 3,000장의 이미지로 구성되어 이 연구에서 사용되었습니다. 모든 이미지는 OpenCV의 cv2.resize 함수를 사용해 128 × 128 픽셀로 크기 조정하여 실험 간 입력 치수를 표준화했습니다. Scikit-learn의 train_test_split를 이용한 층화 표본추출은 훈련 세트(80%)와 검증 세트(20%) 전반에 걸쳐 균형 잡힌 대표성을 보장하여 각 접힘 전반에 걸쳐 클래스 분포의 일관성을 유지했습니다.

BR35H 공개 데이터셋 외에도, Ultralytics 뇌종양 데이터셋(https://docs.ultralytics.com/datasets/detect/brain-tumor/)에서 수집한 독립적인 데이터셋을 사용해 이 프로토콜을 검증했습니다. 이 데이터셋은 유효한 878장의 학습 이미지와 223장의 테스트 세트로 구성되어 있으며, 두 가지 명확하게 정의된 클래스가 있습니다: 부정(뇌종양이 없는 이미지)과 양성(뇌종양이 있는 이미지). 이 독립적인 데이터셋의 포함은 원래 데이터 외에도 프레임워크의 일반화 가능성과 견고성을 더욱 평가할 수 있게 해주었습니다.

전처리 파이프라인
고전적인 이미지 전처리의 영향을 평가하기 위해 두 가지 뚜렷한 전처리 파이프라인이 구현되었습니다. 기준선 전처리(BP) 파이프라인은 추가 변환 없이 이미지를 128 × 128 픽셀로 단순히 크기 조정하여 원시 픽셀 강도와 구조적 특징을 제어 조건으로 유지했습니다. 전통적인 전처리(TP) 파이프라인은 OpenCV 함수를 사용하여 일련의 고전적 이미지 처리 단계를 적용했습니다: 채널 차원을 줄이기 위한 회색 변환(cv2.cvtColor), 가우시안 블러링(cv2. GaussianBlur)를 사용해 노이즈를 억제하고 대비를 높이^{고, 고}강도 구조를 분할하기 위한 임계값(cv2.threshold)²⁵, 형태학적 연산(cv2.침식, cv2.dilate)을 통해 가장자리를 정제하고 아티팩트를 줄이고, 윤곽 검출(cv2.findContours)을 통해 관심 영역을 식별합니다. 이 파이프라인은 대비를 높이고 시각적 혼잡함을 줄였지만, 진단적으로 중요한 텍스처를 억제할 위험이 있었습니다.

모델 아키텍처
맞춤형 CNN이 구현되어 모든 실험에서 일정하게 유지되어 전처리와 최적화자 선택의 영향을 분리했습니다. 아키텍처는 입력 계층(128 × 128 × 1), 세 개의 합성곱 계층(첫 번째는 32개의 필터, 다음 두 개의 합성곱 계층은 64개의 필터로 구성되어 있으며, 모두 2 × 2 커널과 정류 선형 단위(ReLU) 활성화를 사용), 각 층은 2× 2개의 최대 풀링으로 구성되었습니다. 출력은 평탄화되어 ReLU가 활성화된 128 단위의 밀집된 층을 통과한 뒤, 드롭아웃 층(속도 = 0.5), 마지막으로 단일 시그모이드 단위를 통해 이진 분류를 수행했습니다. 이 설계는 해석 가능성과 계산 효율성 사이에서 균형을 이루어 자원이 제한된 임상 하드웨어에 적합합니다.

옵티마이저 구성
고정된 하이퍼파라미터로 세 가지 옵티마이저가 평가되었습니다: Adam(학습률 = 0.001, β₁ = 0.99, β₂ = 0.999, epsilon = 1e−07), RMSProp(학습률 = 0.001, rho = 0.9, epsilon = 1e−07), SGD(학습률 = 0.005, 운동량 = 0.9, 네스테로프 비활성화). 훈련 매개변수는 실험 전반에 걸쳐 일정하게 유지되었으며, 배치 크기는 32, 50 에포크, 그리고 과적합을 방지하기 위해 Keras 콜백을 통해 조기 중단(인내심 = 10)을 구현했습니다.

성과 평가
수행 능력은 Scikit-learn의 classification_report로 계산된 정확도, 정확성, 회상 능력, F1 점수를 사용해 평가되었습니다. 훈련 및 검증 손실 곡선을 Matplotlib으로 그려 수렴 속도를 평가하고 과적합을 감지하였습니다. 결과를 표로 정리하고 시각화하여 다양한 전처리 조건에서 최적화 장치의 민감도를 비교하였습니다.

해석 가능성 검증
해석 가능성은 최종 합성 곱슬레이어에서 생성된 Grad-CAM 시각화를 사용하여 검증되었습니다. 히트맵은 Kera와 TensorFlow 함수를 사용해 생성한 후 Matplotlib을 사용해 원본 MRI 이미지 위에 겹쳐 보았습니다. 이 조치는 CNN의 공간적 주의가 임상적으로 관련된 종양 영역과 일치하도록 하여 투명성과 진단 신뢰를 지원하도록 했습니다.

Results

아담 옵티마이저 - 기준선 전처리:
그림 2는 아담 옵티마이저를 이용한 뇌종양 분류 모델의 기초 전처리 성능을 보여줍니다. 혼동 행렬은 종양과 비종양 사례 간 거의 완벽한 분리를 보여주며, 600개 샘플 중 단 8건만 오분류되었습니다. 첨부된 분류 보고서는 두 클래스 모두 0.98 이상인 정확도, 회상 능력, F1 점수로 이를 확인해 줍니다.

전통적인 전처리를 사용한 Adam 옵티마이저:
그림 3은 Adam 최적화기와 전통적인 전처리로 학습된 CNN 모델의 분류 성능을 보여줍니다. 이 모델은 전체 정확도 95.83%를 달성했으며, 두 클래스 모두에서 균형 잡힌 정밀도와 0.96의 기억 점수를 기록했습니다. 혼동 행렬은 종양 양성 사례와 종양...

Discussion

이 연구에서 CNN 기반 뇌종양 분류의 성공은 주로 두 가지 프로토콜 구성 요소인 전처리 설계와 최적화자 선택에 의해 주도되었습니다. 이미지 크기 조정만으로 구성된 기초 전처리는 고유 픽셀 강도와 공간 구조를 보존하여 모델이 임상적으로 관련된 특징을 학습할 수 있게 했습니다. 반면, 전통적인 전처리 방법(그레이스케일 변환, 가우시안 블러, 임계값 처리, 형태학적 연산과 같은 경우)은 특징 추상화를 도입하여 미묘한 종양 단서를 억제하여 성능과 해석 가능성을 떨어뜨렸습니다.

최적화 장치의 선택은 수렴 속도와 일반화에 추가로 영향을 미쳤습니다. 적응형 최적화기인 Adam과 RMSProp은 깨끗한 입력 조건에서 빠른 수렴과 안정적인 성능을 보여주었습니다. SGD는 수렴 속도가 느렸지만, 기초 전처리와 결합했을 때 강한 일반화와 최소한의 과적합을 보였습니다. 이러한 발견은 의료 영상 워크플로우에서 견고한 CNN 학습을 보장하기 ...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
API 래퍼	케라스	2.13.1(RRID:SCR_016345)	CNN 아키텍처 및 교육을 위한 고수준 API
귀속 도구	Grad-CAM 구현	커스텀 (케라스 경유)	CNN 주의력에 대한 시각적 설명
BR35H 뇌종양 MRI 데이터셋	그리고 nbsp; 캐글	https://www.kaggle.com/ahmedhamada0/brain-tumor-detection	분류를 위한 라벨 부착된 MRI 영상의 출처 및 nbsp;
뇌종양 데이터셋	울트라리틱스	https://docs.ultralytics.com/datasets/detect/brain-tumor/
딥러닝 라이브러리	텐서플로우	2.15.0 (RRID:SCR_018345)	CNN 모델 구현을 위한 백엔드
이미지 처리	오픈CV	4.8.0 (RRID:SCR_015526)	전처리: 그레이스케일, 블러, 임계값, 형태
프로그래밍 언어	파이썬	3.10.12 (RRID:SCR_008394)	모든 실험의 실행 환경
시각화	매트플롯립	3.8.0 (RRID:SCR_008624)	손실 곡선 및 Grad-CAM 오버레이 플롯