Autism Detection based on Structural MRI using YOLO

기술 요약: YOLO를 이용한 구조적 MRI 기반 자폐증 탐지

문제 정의
자폐 스펙트럼 장애(ASD)는 사회적 의사소통과 행동에 영향을 미치는 신경 발달 질환으로, 유병률이 눈에 띄게 증가하고 있습니다(예: 2020년 기준 아동 36명 중 1명). 조기 진단은 개입을 위해 매우 중요하지만, 주관적인 행동 평가에 대한 의존도와 객적인 생물학적 표지자(biomarker)의 부재로 인해 진단이 지연되는 경우가 많습니다. 구조적 자기공명영상(sMRI)은 ASD와 관련된 신경 해부학적 이상을 탐지할 수 있는 비침습적 방법을 제공하지만, 기존의 딥러learning 접근 방식은 몇 가지 한계에 직면해 있습니다. 많은 연구가 연령 관련 뇌 발달 차이를 고려하지 않고 넓은 연령 범위를 활용하여 일반화 성능 저하 및 과적합 문제를 겪고 있습니다. 또한, 전통적인 분류 모델(예: ResNet50, VGG16)은 종종 MRI 스캔을 전역적인 이미지 클래스로 취급하여, 미세하고 국소적인 구조적 생체 표지를 간과할 가능성이 있습니다. 따라서 고도의 객체 탐지 아키텍처를 활용하여 미세한 신경 해부학적 편차를 높은 정확도로 식별할 수 있는 효율적이고 지능적인 스크리닝 도구가 필요합니다.

방법론
본 연구는 ABIDE II 데이터셋의 sMRI 데이터에 적용된 You Only Look Once (YOLO) 객체 탐지 모델(버전 8부터 11까지)을 활용한 진단 프레임워크를 제안합니다. 방법론은 다음과 같은 주요 단계로 구성됩니다:

1. 데이터셋 및 전처리:

   • 데이터 소스: ASD 환자 522명과 전형적 발달(TD) 대조군 592명의 T1 가중 sMRI 스캔을 포함하는 ABIDE II 데이터셋을 사용하였습니다.
   • 연령 층화: 발달 변동성을 해결하기 위해 데이터셋을 두 개의 특정 연령 그룹(5.8–6.8세 및 7–12세)으로 나누었습니다.
   • 슬라이스 추출: 원본 3D sMRI 볼륨을 2D 이미지 시퀀스로 변환하였습니다. 세 가지 해부학적 평면(축상면, 시상면, 관상면) 각각에서 가장 중요한 뇌 정보를 포함하는 중앙의 50개 슬라이스를 추출하였습니다.
   • 어노테이션(Annotation): Roboflow 플랫폼을 사용하여 각 2D 슬라이스의 크기를 224 × 224 픽셀로 조정하였습니다. 전통적인 세그멘테이션(segmentation)과 달리, 각 슬라이스의 전체 뇌 조직 영역에 대해 단일 바운딩 박스(bounding box)를 그렸습니다. 분류 레이블(ASD 또는 TD)은 환자의 진단에 따라 슬ice 전체에 할당되었으며, 뇌 영역을 하나의 탐지 대상인 "객체"로 취급하였습니다.

2. 모델 아키텍처:

   • 본 연구는 원래 객체 탐지를 위해 설계된 YOLO 모델(v8, v9, v10, v11)을 ASD 분류에 맞게 변형하였습니다. 이 접근 방식은 공간적 위치 인식과 계층적 특징 네트워크(FPN)를 활용하여, 구조적 생체 표지를 전역적 강도 패턴이 아닌 국소적 패턴으로 탐지합니다.
   • 주요 아키텍처 특징:
     • YOLOv8: 앵커리스(anchorless) 탐지를 위해 CSPNet 백본과 FPN+PAN 넥(neck)을 활용합니다.
     • YOLOv9: 개선된 다중 스케일 특징 융합을 위해 GELAN(Generalized Efficient Layer Aggregation Network) 및 PGI(Programmable Gradient Information)를 채택합니다.
     • YOLOv10: 계산 비용을 줄이기 위해 깊이 분리 합성곱(depth-separable convolutions)이 적용된 CSPNet을 사용합니다.
     • YOLOv11: 특정 관심 영역에 집중하기 위한 C2PSA(Cross-Stage Partial with Parallel Spatial Attention) 메커니즘과 공간적 특징 집계를 위한 SPPF를 포함합니다.
   • 학습 설정: Google Colab(NVIDIA T4)에서 PyTorch를 사용하여 모델을 학습시켰습니다. 파라미터로는 배치 크기 16, 100 에포크(epoch), 특정 학습률(Adam 사용 시 0.001)을 설정하였습니다. 과적합을 방로하기 위해 데이터 증강(data augmentation)과 조기 종료(patience = 20)를 적용하였습니다.

3. 평가 지표:

   • 성능은 정밀도(Precision), 재현율(Recall), 평균 정밀도(mAP50 및 mAP50-95), 그리고 예측값과 실제값 사이의 공간적 중첩을 측정하는 평균 DICE 계수(Av DICE)를 사용하여 평가되었습니다.
   • 비교 베이스라인으로는 전통적인 CNN 아키텍처인 ResNet50과 VGG16을 포함하였습니다.

주요 기여

• ASD에 대한 객체 탐지 적용: 본 연구는 YOLO 객체 탐지 모델을 신경 영상 분류에 성공적으로 적용하여, ASD 생체 표지 탐지를 표준 이미지 분류 문제가 아닌 객체 탐지 작업으로 프레이밍함으로써 그 효용성을 입증하였습니다.
• 연령 층화 분석: 데이터셋을 두 개의 뚜렷한 저연령 그룹(5.8–6.8세 및 7–12세)으로 명시적으로 분리함으로써, 넓은 연령 범위를 다루는 기존 연구의 한계를 해결하고 발달 단계에 따른 진단 일반화 능력을 향상시키고자 하였습니다.
• 다중 평면 슬라이스 추출: 3D sMRI 데이터로부터 축상면, 시상면, 관상면의 2D 이미지 시퀀스를 생성함으로써 학습에 사용할 수 있는 공간 정보를 극대화하였습니다.
• 비교 성능: sMRI 데이터 기반 ASD 탐지에 있어 YOLO 버전 8~11과 전통적인 딥러닝 모델(ResNet50, VGG16) 간의 포괄적인 비교를 제공합니다.

실험 결과
실험을 통해 다음과 같은 결과가 도출되었습니다:

• YOLO 모델의 우월성: 두 연령 그룹 모두에서 YOLO 모델은 정밀도, 재현율, mAP 및 DICE 점수 측면에서 ResNet50과 VGG16을 일관되게 능가하였습니다.
• 연령 그룹 1 (5.8–6.8세): YOLOv11이 정밀도 0.9957, 재현율 0.998, 평균 DICE 계수 0.9978로 가장 높은 성능을 달 기록하였습니다. YOLOv9 또한 매우 뛰어난 성능을 보였습니다. 반면, ResNet50과 VGG16은 더 낮은 정확도를 보였으며 과적합 또는 일반화 성능 저하의 징후를 나타냈습니다.
• 연령 그룹 2 (7–12세): 모든 YOLO 버전이 높은 성능(정밀도 및 재현율 일반적으로 ≥0.95)을 유지하였습니다. YOLOv9와 YOLOv8이 가장 높은 DICE 점수(0.9957)를 달성하였으며, YOLOv11은 더 어린 그룹에 비해 상대적으로 약간 낮은 성능을 보였으나 여전히 전통적인 CNN보다는 우수한 성능을 보였습니다.
• 모델 견고성: 실험 결과는 YOLO 아키텍처, 특히 고급 어텐션 메커니즘(v11의 C2PSA와 같은)과 효율적인 특징 집합(v9의 GELAN과 같은)을 갖춘 모델이 ASD와 관련된 sMRI의 미세하고 국소적인 구조적 이상을 식별하는 데 더 적합하다는 것을 시사합니다.

의의 및 주장
본 논문은 제안된 프레임워크가 YOLO 기술을 이용한 ASD의 조기 진단에 유망한 통찰을 제공한다고 주장합니다. 연구의 핵심은 다음과 같습니다:

• 객체 탐지 아키텍처를 구조적 차이를 국소적 패턴으로 취급함으로써 신경 영상 분류로 성공적으로 확장할 수 있습니다.
• YOLO 모델(특히 v9 및 v11)의 다중 스케일 특징 및 공간 어텐션 프로세스 통합은 ASD 초기 단계의 미세한 신경 해부학적 이상을 효과적으로 드러냅니다.
• 본 프레임워크는 MRI 영상을 처리하는 데 있어 높은 계산 효율성과 견고성을 입증하였습니다.
• 결과가 매우 뛰어나지만, 저자들은 이 연구를 임상 적용을 위한 단계로 규정하며, 이러한 기술이 조기 탐지 및 개인 맞춤형 개입 전략을 지원할 수 있음을 시사합니다. 본 연구는 즉각적인 임상 배치를 주장하는 것이 아니라, 기존 방법론 대비 본 접근 방식의 기술적 타당성과 우수한 성능을 검증하는 데 목적이 있습니다.