Brain Tumor Classification from 3D MRI Using Persistent Homology and Betti Features: A Topological Data Analysis Approach on BraTS2020

논문 요약: 지속적 호몰로지와 베티 특징을 활용한 3D MRI 기반 뇌종양 분류

1. 문제 정의 (Problem Statement)

• 배경: 뇌종양의 조기 진단과 치료 계획 수립을 위해 MRI(자기공명영상) 가 널리 사용되지만, 고차원의 데이터와 복잡한 구조적 패턴으로 인해 정확한 분류가 어렵습니다.
• 기존 방법의 한계:
  • 기존 딥러닝 (CNN 등) 기반 접근법은 대규모 레이블 데이터, 복잡한 아키텍처, 그리고 방대한 연산 자원을 요구합니다.
  • 데이터 증강 (Data Augmentation) 이 필수적이며, 모델의 해석 가능성 (Interpretability) 이 낮아 의료 결정 과정에서 신뢰성을 확보하기 어렵습니다.
• 목표: 대규모 데이터나 복잡한 모델 없이도, 3D MRI 볼륨의 내재적 기하학적 및 구조적 특성을 포착하여 뇌종양 (고등급 vs 저등급) 을 정확하게 분류하고 해석 가능한 프레임워크를 제안하는 것.

2. 방법론 (Methodology)

이 연구는 위상 데이터 분석 (Topological Data Analysis, TDA) 의 핵심 도구인 지속적 호몰로지 (Persistent Homology) 를 3D MRI 볼륨에 직접 적용하는 위상 기반 프레임워크를 제시합니다.

• 데이터셋: BraTS 2020 데이터셋의 3D FLAIR(유체 억제 반전 회복) 모달리티 사용.
  • 총 369 명 (HGG 293 명, LGG 76 명).
  • 계산 효율성을 위해 원본 155 슬라이스 중 종양이 가장 뚜렷한 30~90 번째 슬라이스 (약 60 슬라이스) 를 추출하여 사용.
• 핵심 프로세스:
  1. 필터레이션 (Filtration) 구성: 3D MRI 그레이스케일 볼륨을 기반으로 서브레벨 (sublevel) 필터레이션을 생성합니다. 임계값 (threshold) 을 증가시키면서 바운스 (voxel) 가 활성화되는 순차적인 이진 볼륨 시퀀스를 만듭니다.
  2. 지속적 호몰로지 계산: 필터레이션 과정에서 위상적 구조 (연결 성분, 고리, 공동) 의 출현 (birth) 과 소멸 (death) 을 추적하여 지속성 다이어그램 (Persistence Diagram) 을 생성합니다.
  3. 베티 특징 추출 (Betti Feature Extraction):
     • Betti-0 ($\beta_0$): 연결 성분 (Connected components) 의 수.
     • Betti-1 ($\beta_1$): 고리 또는 터널 (Loops/Tunnels) 의 수.
     • Betti-2 ($\beta_2$): 공동 또는 빈 공간 (Voids/Cavities) 의 수.
     • 각 차원 ($k=0, 1, 2$) 에 대해 100 개의 임계값 구간에서 베티 수를 계산하여 300 차원의 고정 길이 특징 벡터로 변환합니다.
  4. 특징 선택 (Feature Selection): 트리 기반 모델 (Random Forest, XGBoost) 로부터 얻은 특징 중요도 (Feature Importance) 를 기반으로 불필요한 특징을 제거하여 차원을 축소합니다.
  5. 분류 모델: 선택된 위상적 특징을 입력으로 사용하여 Random Forest와 XGBoost를 학습시켜 고등급 교모세포종 (HGG) 과 저등급 교모세포종 (LGG) 을 이진 분류합니다.

3. 주요 기여 (Key Contributions)

1. 3D MRI 직접 적용: 2D 슬라이스가 아닌 3D MRI 볼륨 전체에 지속적 호몰로지를 적용하여 종양의 입체적 형태학적 특성을 포착했습니다.
2. 해석 가능한 위상적 기술자: Betti-0, 1, 2 특징을 통해 종양의 연결성, 고리 구조, 공동 구조를 수학적으로 해석 가능한 형태로 추출했습니다.
3. 효율적인 프레임워크: 데이터 증강이나 복잡한 딥러닝 아키텍처 없이도, 컴팩트한 위상적 특징만으로 높은 분류 성능을 달성하는 경량화 접근법을 제시했습니다.
4. 성능 검증: BraTS 2020 데이터셋을 통해 제안된 방법이 경쟁력 있는 성능을 보임을 입증했습니다.

4. 실험 결과 (Results)

BraTS 2020 데이터셋 (학습:테스트 = 8:2) 을 사용하여 평가한 결과는 다음과 같습니다.

• 최고 성능: Random Forest 분류기와 특징 선택 (Feature Selection) 을 결합한 모델이 **정확도 (Accuracy) 89.19%**를 기록했습니다.
  • 특히 Betti-1(고리) 과 Betti-2(공동) 특징을 결합한 경우 정밀도 (Precision) 90.50% 를 달성했습니다.
• XGBoost 성능: 특징 선택을 적용한 B0+B1+B2 조합에서 정확도 87.84%, AUC 89.33% 를 기록했습니다.
• 특징 선택의 효과:
  • 전체 300 개 특징을 사용할 때보다 특징 선택을 통해 14~42 개 정도의 핵심 특징만 사용했을 때 정확도와 계산 효율성이 모두 향상되었습니다.
  • 이는 위상적 특징 중 일부가 종양 등급을 구분하는 데 결정적인 역할을 함을 시사합니다.
• 비교 분석: 단일 Betti 특징 (B0, B1, B2) 보다 여러 차원의 특징을 결합했을 때 분류 성능이 전반적으로 향상되었습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 해석 가능성 (Interpretability): 딥러닝의 '블랙박스' 문제를 해결하며, Betti 수를 통해 종양의 구조적 복잡성 (연결성, 구멍, 빈 공간) 을 의학적 관점에서 해석할 수 있는 가능성을 제시했습니다.
• 계산 효율성: 대규모 데이터 증강이나 고사양 GPU 없이도 개인용 노트북 (Apple M1) 에서도 효율적으로 실행 가능하여 임상 환경 적용에 유리합니다.
• 강건성 (Robustness): 지속적 호몰로지는 회전, 반사, 작은 노이즈에 불변 (invariant) 성을 가지므로, MRI 스캔의 작은 변형에 강건한 분류가 가능합니다.
• 향후 연구: 위상적 기술자와 딥러닝 표현을 결합하거나, 다중 모달리티 MRI 및 다른 의료 영상 분야로 확장할 수 있는 잠재력을 가지고 있습니다.

결론적으로, 이 연구는 복잡한 3D 의료 영상 분석에 대해 전통적인 딥러닝의 대안으로, 수학적 위상학 (Topology) 을 기반으로 한 경량화되고 해석 가능한 고효율 분류 프레임워크의 유효성을 입증했습니다.