[논문 리뷰] Brain Abnormality Detection by Deep Convolutional Neural Network

Mina Rezaei, Haojin Yang외 1명|arXiv (Cornell University)|2017. 08. 17.

Brain Tumor Detection and Classification참고 문헌 13인용 수 4

한 줄 요약

이 논문은 뇌 MRI 영상을 건강, 고-grade 신경교세포종, 저-grade 신경교세포종, 다발성 경화증, 알츠하이머병의 다섯 가지 범주로 분류하기 위해 7개의 합성곱층과 3개의 완전 연결층을 포함한 10층의 딥 컨volution 신경망(DCNN)을 제안한다. 이 방법은 다중 클래스 뇌 이상 검출 작업에서 95.7%의 분류 정확도를 달성하여 딥 러닝을 활용한 의료 영상 분석에서 뛰어난 성능을 보여준다.

ABSTRACT

In this paper, we describe our method for classification of brain magnetic resonance (MR) images into different abnormalities and healthy classes based on the deep neural network. We propose our method to detect high and low-grade glioma, multiple sclerosis, and Alzheimer diseases as well as healthy cases. Our network architecture has ten learning layers that include seven convolutional layers and three fully connected layers. We have achieved a promising result in five categories of brain images (classification task) with 95.7% accuracy.

연구 동기 및 목표

• MRI 스캔를 이용해 다양한 뇌 이상과 건강한 케이스를 구분할 수 있는 딥 러닝 모델을 개발하는 것.
• 뇌 MRI 영상에서 다양한 신경계 질환을 정확하고 자동으로 분류하는 과제를 해결하는 것.
• 딥 신경망을 활용하여 진단 효율을 향상시키고 수동 방사선 영상 해석에 대한 의존도를 줄이는 것.
• 사용자 정의된 DCNN 아키텍처의 성능을 다중 클래스 뇌 MRI 분류 작업에서 평가하는 것.

제안 방법

• 특징 추출 및 분류를 위해 7개의 합성곱층과 3개의 완전 연결층을 포함한 총 10개의 학습 레이어를 갖는 딥 컨volution 신경망을 설계하였다.
• 수동으로 설계된 특징 없이 원시 뇌 MRI 영상에서 계층적인 특징을 자동으로 추출하기 위해 엔드 투 엔드 학습을 사용하였다.
• 다섯 가지 진단 범주(건강, 고-grade 신경교세포종, 저-grade 신경교세포종, 다발성 경화증, 알츠하이머병)에 걸쳐 레이블이 부여된 뇌 MRI 영상 데이터셋을 사용하여 지도 학습으로 모델을 훈련시켰다.
• 일반화 및 훈련 안정성을 향상시키기 위해 데이터 증강 및 배치 정규화, ReLU 활성화 함수와 같은 표준 딥 러닝 기법을 적용하였다.
• 최종 분류 레이어는 건강, 고-grade 신경교세포종, 저-grade 신경교세포종, 다발성 경화증, 알츠하이머병의 다섯 클래스에 대한 확률을 출력한다.
• 수렴을 위해 표준 역전파 알고리즘과 확률적 경량 최적화 방법을 사용하여 아키텍처를 최적화하였다.

실험 결과

연구 질문

• RQ1 딥 컨volution 신경망은 높은 정확도로 MRI 스캔에서 다양한 종류의 뇌 이상을 효과적으로 분류할 수 있는가?
• RQ2 제안된 DCNN 아키텍처는 다양한 신경계 질환에서 뇌 MRI 영상의 미세한 차이를 어떻게 구분하는가?
• RQ3 딥 러닝 모델은 의료 영상으로 뇌 이상을 진단할 때 인간의 의존도를 어느 정도 줄일 수 있는가?
• RQ4 네트워크의 깊이와 레이어 구성은 다중 클래스 뇌 MRI 분석에서 분류 성능에 어떤 영향을 미치는가?

주요 결과

• 제안된 딥 컨volution 신경망은 다섯 가지 범주로 구성된 뇌 MRI 데이터셋에서 95.7%의 분류 정확도를 달성하였다.
• 고-grade 및 저-grade 신경교세포종, 다발성 경화증, 알츠하이머병을 포함한 다양한 신경계 질환에 대해 강력한 일반화 성능을 보였다.
• 다수의 합성곱층을 포함한 깊은 아키텍처를 통해 원시 MRI 데이터로부터 효과적인 자동 특징 학습이 가능했다.
• 결과는 딥 러닝이 임상 영상에서 뇌 이상의 자동 탐지에 신뢰할 수 있는 도구로 활용될 수 있음을 시사한다.
• 수동 특징 엔지니어링이 필요로 하지 않고 엔드 투 엔드 학습이 가능하기에 전통적 방법보다 우수한 성능을 보였다.