Diffusion-Based Feature Denoising and Using NNMF for Robust Brain Tumor Classification

Each language version is independently generated for its own context, not a direct translation.

이 논문은 뇌종양을 MRI 사진으로 진단할 때, 인공지능 (AI) 이 속임수에 넘어가지 않도록 튼튼하게 만드는 새로운 방법을 소개합니다.

마치 정교한 보안 시스템을 갖춘 병원을 상상해 보세요. 기존 AI 는 아주 똑똑하지만, 해커가 아주 미세하게 사진을 변조하면 (눈에는 안 보이지만) 완전히 엉뚱한 진단을 내릴 수 있는 약점이 있었습니다. 이 논문은 그 약점을 보완하기 위해 세 가지 핵심 전략을 섞어 사용했습니다.

이 방법을 일상적인 비유로 설명해 드릴게요.

1. 첫 번째 단계: "복잡한 사진을 '레고 블록'으로 분해하기" (NNMF)

MRI 영상은 픽셀이 수만 개나 되는 거대한 이미지입니다. AI 가 이걸 통째로 보면 너무 복잡하고, 불필요한 잡음까지 다 기억하려다 지칩니다.

비유: 거대한 레고 성을 상상해 보세요. AI 는 이 성을 통째로 외우려 하지 않고, 성을 이루고 있는 기본 레고 블록 (NNMF) 들로 쪼개서 봅니다.
어떻게?: 연구진은 MRI 이미지를 '음수가 없는' 데이터로 변환한 뒤, 이를 NNMF(비음수 행렬 분해) 라는 방법으로 분해했습니다.
효과: 이 레고 블록들은 뇌의 뼈대, 조직의 밀도 등 의미 있는 부분들만 뽑아냅니다. 마치 복잡한 그림을 "머리, 몸통, 팔" 같은 핵심 요소로 요약하는 것과 같습니다. 이렇게 하면 AI 가 봐야 할 정보가 훨씬 깔끔해지고 해석도 쉬워집니다.

2. 두 번째 단계: "가장 중요한 블록만 골라내기" (통계적 선별)

모든 레고 블록이 중요한 건 아닙니다. 뇌종양 진단에 쓸모없는 블록도 있을 수 있죠.

비유: 최고의 요리사가 재료를 고르는 과정입니다. 모든 재료를 다 넣는 게 아니라, "이 재료가 요리에 얼마나 중요한지 (AUC)", "정상인과 환자가 얼마나 확실히 다른지 (Cohen's d)"를 통계적으로 계산해서 가장 결정적인 레고 블록 15 개만 골라냅니다.
효과: AI 는 이제 불필요한 잡음 없이, 진단에 가장 핵심이 되는 정보만 집중하게 됩니다.

3. 세 번째 단계: "해커의 공격을 막는 '세척기'" (확산 기반 탈노이즈)

여기서부터 이 논문의 가장 혁신적인 부분입니다. AI 가 훈련된 상태에서도 해커가 아주 미세한 노이즈를 섞어 공격하면 (Adversarial Attack) AI 가 혼란을 겪습니다.

비유: 오염된 물을 정수하는 과정입니다.
1. 공격 (Forward Diffusion): 해커가 물에 이슬 같은 미세한 오염물 (노이즈) 을 섞습니다.
2. 세척 (Denoiser): 연구진이 만든 스마트 정수기 (학습된 탈노이즈 네트워크) 가 그 물을 통과시킵니다. 이 정수기는 "어떤 노이즈가 섞였는지"를 기억하고 있어서, 오염물을 제거하고 원래의 깨끗한 물 (원래 특징) 을 다시 만들어냅니다.
3. 결과: 해커가 노이즈를 섞어서 공격을 시도해도, AI 가 보는 것은 이미 정수된 깨끗한 데이터입니다. 그래서 AI 는 속지 않고 정확한 진단을 내릴 수 있습니다.

🏆 이 방법이 가져온 성과

이 세 가지 방법 (레고 분해 + 핵심 선별 + 정수기) 을 합친 결과, 다음과 같은 놀라운 변화가 있었습니다.

정확도 유지: 해커가 없어도 (깨끗한 데이터에서) 뇌종양을 진단하는 정확도는 여전히 높았습니다. (약 85% 이상)
튼튼함 (Robustness): 해커가 공격을 가했을 때, 기존 AI 는 0% 에 가까운 정확도로 무너졌지만, 이 새로운 방법은 약 60% 까지 성능을 유지하며 버텨냈습니다.
해석 가능성: AI 가 왜 그렇게 판단했는지, 어떤 레고 블록 (특징) 을 보고 판단했는지 사람이 이해할 수 있어 의료진이 신뢰하기 쉽습니다.

💡 요약

이 연구는 **"복잡한 MRI 사진을 핵심 레고 블록으로 정리하고, 해커의 속임수 (노이즈) 를 정수기로 걸러낸 뒤, AI 가 진단하게 하는 시스템"**을 만들었습니다.

이는 의료 현장에서 AI 가 해킹이나 오작동에 취약하다는 문제를 해결하고, 더 안전하고 신뢰할 수 있는 AI 진단 시스템을 만드는 중요한 한 걸음입니다. 마치 병원에 **보안 요원 (탈노이즈)**과 **전문 분석가 (NNMF)**를 동시에 배치하여 환자를 지키는 것과 같습니다.

Each language version is independently generated for its own context, not a direct translation.

1. 연구 배경 및 문제 정의 (Problem)

의료 영상 분류의 중요성: MRI 기반 뇌종양 분류는 컴퓨터 보조 진단 시스템에서 핵심적인 역할을 하며, 조기 발견은 환자 생존율에 직접적인 영향을 미칩니다.
딥러닝의 취약성: 최근 CNN(합성곱 신경망) 기반 모델은 높은 분류 정확도를 보이지만, **적대적 공격 (Adversarial Attacks)**에 매우 취약합니다. 시각적으로 구분 불가능한 작은 입력 변형만으로도 모델의 성능이 급격히 저하될 수 있어, 의료와 같은 안전이 중요한 분야에서 신뢰성 문제가 대두되었습니다.
기존 방법의 한계: 고차원 원본 이미지를 직접 사용하는 전통적인 딥러닝 접근법은 해석 가능성 (Interpretability) 이 낮고, 적대적 방어 메커니즘이 부재하거나 계산 비용이 높을 수 있습니다.

2. 제안된 방법론 (Methodology)

이 논문은 NNMF(Non-Negative Matrix Factorization), 통계적 특징 선택, 가벼운 CNN, 그리고 **확산 기반 특징 정제 (Diffusion-based Feature Purification)**를 결합한 4 단계 구조의 강건한 분류 프레임워크를 제안합니다.

2.1. 데이터 전처리 및 NNMF 특징 추출

데이터: Kaggle 의 뇌종양 MRI 데이터셋 (약 2,200 장) 을 사용하며, 70:20:10 비율로 학습/검증/테스트 세트를 구성합니다.
NNMF 적용: MRI 이미지를 비음수 (Non-negative) 데이터 행렬로 변환한 후 NNMF 를 적용합니다.
- $V \approx WH$ 형태로 분해하여, $W$ (기저 행렬) 와 $H$ (계수 행렬) 를 구합니다.
- 목적: 고차원 이미지를 해석 가능하고 컴팩트한 저차원 부분 기반 (parts-based) 표현으로 축소합니다. NNMF 는 픽셀 값이 본질적으로 비음수인 의료 영상에 적합하며, PCA 와 달리 물리적으로 해석 가능한 구조 (두개골 경계, 조직 분포 등) 를 추출합니다.
손실 함수: Kullback–Leibler (KL) 발산을 목적 함수로 사용하여 곱셈 업데이트 규칙을 적용합니다.

2.2. 통계적 특징 선택 (Feature Selection)

추출된 NNMF 성분 (Rank 15 로 설정) 중 가장 판별력이 높은 성분을 선택합니다.
평가 지표:
- AUC (Area Under Curve): 이진 분류 성능 평가.
- Cohen's d: 효과 크기 (Class 간 분리도).
- Welch's t-test: 통계적 유의성 (p-value).
이 다중 기준 평가를 통해 중복되거나 약한 특징을 제거하고, 가장 정보량이 많은 상위 M 개의 특징 벡터를 선별합니다.

2.3. CNN 기반 분류기 학습

선택된 NNMF 특징 벡터를 입력으로 받는 가벼운 경량 CNN을 학습시킵니다.
고차원 원본 이미지 대신 컴팩트한 특징 공간에서 학습하여 계산 효율성을 높이고 과적합을 방지합니다.

2.4. 특징 공간 확산 기반 정제 (Feature-Space Diffusion Defense)

핵심 아이디어: 입력 이미지를 직접 노이즈 처리하는 대신, 추출된 NNMF 특징 공간에서 확산 (Diffusion) 과정을 적용하여 적대적 노이즈를 제거합니다.
프로세스:
1. Forward Diffusion: 학습된 특징 벡터에 가우시안 노이즈를 점진적으로 추가하여 ( $t=41$ 단계 등) 노이즈가 섞인 특징을 생성합니다.
2. Denoiser Training: 노이즈가 섞인 특징 ( $x_t$ ) 을 입력으로 받아 원래 깨끗한 특징 ( $x_0$ ) 을 복원하는 회귀 신경망 (Denoiser) 을 학습합니다.
3. Inference: 테스트 시, 입력된 특징에 확산 노이즈를 추가한 후 학습된 Denoiser 를 통과시켜 정제된 특징을 얻고, 이를 분류기에 입력합니다.
이는 적대적 공격이 생성하는 교란을 확산 역과정 (Reverse Diffusion) 을 통해 제거하는 방어 메커니즘으로 작용합니다.

3. 주요 기여 및 혁신점 (Key Contributions)

해석 가능한 특징 표현: 고차원 CNN 특징 대신 NNMF 를 통해 생성된 해석 가능하고 컴팩트한 저차원 특징을 사용하여 모델의 투명성을 높였습니다.
특징 공간 기반 확산 방어: 기존 이미지 공간이 아닌 NNMF 특징 공간에서 확산 기반 노이즈 제거를 수행하여, 적대적 공격에 대한 강건성을 획기적으로 향상시켰습니다.
강력한 평가 벤치마크: 단일 공격이 아닌 **AutoAttack (APGD-CE 및 Square 공격 포함)**을 사용하여 모델의 강건성을 엄격하게 평가했습니다.
종합적 성능 지표: 단순 정확도뿐만 아니라 ROC-AUC, Brier Score, Log-Loss, MCC 등 확률적 보정 및 불균형 데이터에 적합한 다양한 지표를 통해 모델의 신뢰성을 검증했습니다.

4. 실험 결과 (Results)

클린 데이터 (Clean Data) 성능:
- 제안된 프레임워크는 테스트 세트에서 약 **85.1%**의 정확도를 달성하여, 기존 CNN 기반 방법과 경쟁력 있는 성능을 보였습니다.
- NNMF 특징 선택을 통해 불필요한 차원을 줄이면서도 유의미한 분류 정보를 유지했습니다.
적대적 공격 하의 강건성 (Robustness under AutoAttack):
- Baseline 모델: AutoAttack ( $L_\infty, \epsilon=0.10$ ) 공격 시 정확도가 **0.47%**까지 급락하여 완전히 무너졌습니다.
- 제안 모델 (Defended): 확산 기반 정제를 적용한 모델은 공격 하에서도 **59.53%**의 강건 정확도 (Robust Accuracy) 를 유지했습니다.
- 이는 Baseline 대비 약 60% 포인트 이상의 성능 향상을 의미하며, 확산 기반 방어 기법의 유효성을 입증했습니다.
확률적 보정: 제안된 모델은 Brier Score 와 Log-Loss 가 낮아, 예측 확률의 신뢰도가 높음을 보여주었습니다.
계산 효율성: GPU 가속을 사용할 경우 전체 실행 시간이 CPU 대비 약 1.73 배 단축되었습니다 (약 201 초 $\to$ 116 초).

5. 의의 및 결론 (Significance & Conclusion)

의료 AI 의 신뢰성 확보: 본 연구는 해석 가능한 특징 추출 (NNMF) 과 최신 생성 모델 기반 방어 기술 (Diffusion) 을 결합하여, 의료 영상 분류 시스템이 적대적 공격에 노출되더라도 안정적으로 작동할 수 있음을 증명했습니다.
새로운 패러다임: 고차원 원본 이미지에 의존하는 전통적인 딥러닝 방식에서 벗어나, 통계적으로 선별된 특징 공간에서 방어 메커니즘을 적용함으로써 계산 효율성과 강건성을 동시에 달성하는 새로운 접근법을 제시했습니다.
미래 전망: 적응형 확산 스케줄링, 다단계 정제 전략, 그리고 다중 클래스 종양 분류 문제로의 확장을 통해 의료 진단 시스템의 실용성을 더욱 높일 수 있을 것으로 기대됩니다.

요약하자면, 이 논문은 NNMF 를 통한 해석 가능한 특징 추출과 확산 기반 노이즈 제거를 결합하여, 적대적 공격에 강한 뇌종양 분류 시스템을 구축하고 그 유효성을 AutoAttack 을 통해 엄격하게 검증한 의미 있는 연구입니다.