Multi-classification of Brain Tumor MRI images using Convoluted Neural Network (CNN) based approach

인간의 뇌는 복잡한 기관이며, 뇌 안에 비정상적인 조직이 자라기 시작하면 그 결과는 매우 심각할 수 있습니다. 의사들은 수술 없이 두개골 내부를 보기 위해 자기공명영상, 즉 MRI에 크게 의존합니다. 이러한 스캔은 종양의 모양과 위치를 드러내는 상세한 사진을 만들어냅니다. 그러나 이 이미지를 판독하는 것은 매우 까다로운 작업입니다. 환자 한 명의 스캔에는 수십 개의 단면이 포함될 수 있으며, 방사선 전문의는 건강한 조직과 다양한 유형의 암 사이의 미세한 차이를 발견하기 위해 모든 단면을 검사해야 합니다. 이 과정은 시간이 걸리며, 숙련된 전문가라 할지라도 수천 장의 이미지에 직면했을 때 세부 사항을 놓치거나 종양 유형을 잘못 식별할 수 있습니다. 이를 돕기 위해 과학자들은 인간의 눈이 하는 것처럼 컴퓨터가 이 사진들에서 패턴을 인식하도록 가르치는 데 집중해 왔습니다. 딥러닝이라고 알려진 이 분야는 고정된 규칙 세트를 따르는 대신 예시를 통해 학습하는 인공 시스템을 사용합니다. 목표는 의사들이 뇌종양을 더 빠르고 정확하게 진단할 수 있도록 도와, 질병을 조기에 발견함으로써 잠재적으로 생명을 구하는 도구를 만드는 것입니다.

최근 한 연구에서 델리 대학교의 연구진은 뇌 MRI 스캔을 네 가지 뚜렷한 범주로 분류하도록 설계된 특화된 컴퓨터 프로그램을 구축하여 이 과제에 도전했습니다. 그들은 자신들의 시스템이 건강한 뇌와 세 가지 특정 유형의 종양인 신경교종(gliomas), 수막종(meningiomas), 뇌하수체 종양(pituitary tumors)을 구별할 수 있는지 알고 싶었습니다. 신경교종은 뇌를 지지하는 접착제 같은 조직에서 시작되는 종양이고, 수막종은 뇌를 덮고 있는 막에서 자라며, 뇌하수체 종양은 두개골 바닥에 있는 뇌하수체 근처에서 형성됩니다. 연구팀은 이미 수백만 장의 이미지로 훈련된 기존의 거대한 컴퓨터 모델을 사용하지 않았습니다. 대신, 그들은 처음부터 맞춤형의 경량 시스템을 구축했습니다. 이러한 접근 방식은 기술을 단순하고 효율적으로 유지하여, 다른 연구에서 흔히 사용되는 무겁고 복잡한 모델보다 적은 컴퓨팅 파워와 메모리를 필요로 하도록 하기 위해 선택되었습니다.

연구진은 공공 데이터베이스에서 뇌 이미지의 대규모 컬렉션을 수집하는 것으로 시작했습니다. 그들은 총 7,023장의 사진을 선택했는데, 여기에는 1,621장의 신경교종, 1,645장의 수막종, 1,757장의 뇌하수체 종양, 그리고 종양이 없는 건강한 뇌 이미지 2,000장이 포함되었습니다. 이 이미지들은 위에서 아래로 내려다보는 모습, 옆모습, 또는 정면 모습 등 다양한 각도에서 촬영되어 컴퓨터에 뇌 해부학의 다양한 시각을 제공했습니다. 컴퓨터에게 가르치기 전에, 팀은 컴퓨터가 이미지를 더 쉽게 처리할 수 있도록 모든 이미지의 크기를 동일한 치수로 조정하고 밝기 수준을 조절하여 이미지를 준비했습니다. 그런 다음 데이터를 분할하여, 대부분의 이미지는 시스템을 가르치는 데 사용하고 나머지 적은 그룹은 시스템이 얼마나 잘 학습했는지 테스트하는 용도로 남겨두었습니다.

그들이 구축한 컴퓨터 모델은 마치 일련의 점점 더 구체적인 렌즈를 통해 사진을 보는 것처럼 정보의 층을 벗겨내는 방식으로 작동합니다. 이 시스템은 기본적인 모양과 질감을 찾기 위해 이미지를 스캔하는 7개의 층을 포함하며, 그다음은 이러한 단순한 세부 사항들을 종양의 경계와 같은 더 복리한 패턴으로 결합하는 층들로 구성됩니다. 연구진은 시스템이 빠르게 학습하고 정체되지 않도록 특정 수학적 방법을 사용했으며, 시스템이 훈련 이미지를 너무 완벽하게 암기하여 새로운 데이터에서 실패하는 것을 방지하는 메커니즘을 포함했습니다. 모델이 이미지를 반복해서 보며 예측을 개선하기 위해 내부 설정을 조정하는 25번의 라운드 동안 훈련을 마친 후, 결과는 놀라웠습니다.

연구진이 본 적 없는 이미지로 모델을 테스트했을 때, 모델은 96.1퍼센트의 경우에서 뇌 상태의 유형을 정확하게 식별했습니다. 시스템은 특히 건강한 뇌와 뇌하수체 종양을 찾아내는 데 탁월하여 해당 카테고리에서 완벽에 가까운 점수를 기록했습니다. 또한 더 어려운 유형인 신경교종과 수막종에 대해서도 강력한 성능을 보였으며, 대다수의 경우를 정확하게 분류했습니다. 이 연구는 동일한 문제를 해결하려는 다른 최근의 시도들과 결과를 비교했는데, 그들 중 다수는 훨씬 더 크고 복잡한 컴퓨터 구조에 의존했습니다. 그 이전의 모델들은 약 89퍼센트에서 95퍼센트 사이의 정확도를 달성했습니다. 새로운 단순한 모델은 더 적은 자원을 사용하면서도 96.1퍼센트의 정확도에 도달하며 그 모든 모델을 능가했습니다.

연구진은 시스템이 가끔 신경교종을 수막종으로 혼동한다는 점에 주목했는데, 이는 이 두 종류의 종양이 MRI 스캔에서 매우 유사해 보일 수 있다는 점을 고려하면 이해할 수 있는 부분입니다. 그러나 전반적인 성능은 이 경량화된 접근 방식이 의료용 도구로서 실행 가능하다는 것을 시사할 만큼 견고했습니다. 저자들은 컴퓨터 모델이 큰 가능성을 보여주지만, 아직 의사를 대체하는 것은 아니라고 강조합니다. 다음 단계는 시스템이 다양한 유형의 MRI 기기와 환자군에서도 안정적으로 작동하는지 확인하기 위해 여러 병원의 데이터로 테스트하는 것입니다. 만약 향후 검증을 통해 이러한 결과가 확인된다면, 이 도구는 진단 과정의 표준적인 부분이 되어 의료진이 뇌종양 환자를 치료하는 방법에 대해 더 빠르고 확신 있는 결정을 내릴 수 있도록 도울 수 있을 것입니다.