[논문 리뷰] Predictive modeling of brain tumor: A Deep learning approach

Priyansh Saxena, Akshat Maheshwari외 1명|arXiv (Cornell University)|2019. 11. 06.

Brain Tumor Detection and Classification인용 수 4

한 줄 요약

이 연구는 사전 훈련된 CNN 모델(VGG-16, Inception-V3, ResNet-50)을 사용한 전이 학습을 활용하여 뇌 MRI 영상을 악성 또는 양성 종양으로 분류하는 딥러닝 접근법을 제안한다. ResNet-50가 95% 정확도와 0%의 가짜 음성 비율을 기록하며 F1-score, AUC-ROC, Cohen’s kappa와 같은 핵심 지표에서 다른 모델들을 능가하였다.

ABSTRACT

Image processing concepts can visualize the different anatomy structure of the human body. Recent advancements in the field of deep learning have made it possible to detect the growth of cancerous tissue just by a patient's brain Magnetic Resonance Imaging (MRI) scans. These methods require very high accuracy and meager false negative rates to be of any practical use. This paper presents a Convolutional Neural Network (CNN) based transfer learning approach to classify the brain MRI scans into two classes using three pre-trained models. The performances of these models are compared with each other. Experimental results show that the Resnet-50 model achieves the highest accuracy and least false negative rates as 95% and zero respectively. It is followed by VGG-16 and Inception-V3 model with an accuracy of 90% and 55% respectively.

연구 동기 및 목표

• MRI 영상으로부터 뇌 종양 조기 검출을 위한 정확하고 신뢰할 수 있는 자동화된 시스템 개발.
• 임상 진단에서 매우 중요한 가짜 음성 비율을 낮추기 위한 필요성 해결 — 악성 종양을 양성으로 잘못 분류하는 것은 치명적일 수 있다.
• 사전 훈련된 세 가지 CNN 아키텍처(VGG-16, Inception-V3, ResNet-50)를 사용한 전이 학습의 성능 평가 — 뇌 종양 MRI 데이터셋 기반.
• 데이터 증강 및 컷 정규화 기법을 통해 모델의 일반화 능력을 향상시키고 과적합을 줄이기.
• 다양한 성능 지표를 종합적으로 분석하여 임상 현장에 실용적으로 구현 가능한 최적의 딥러닝 모델 식별.

제안 방법

• 어두운 모서리를 제거하고 이미지 포맷을 표준화하기 위해 컷 정규화를 사용해 MRI 영상 전처리.
• 훈련 세트의 다양성을 높이고 모델 일반화 능력을 향상시키기 위해 15° 회전을 활용한 데이터 증강 적용.
• 전이 학습을 통해 VGG-16, Inception-V3, ResNet-50의 세 가지 사전 훈련된 CNN 모델을 종양 분류에 맞게 미세 조정.
• Kaggle 클라우드 GPU 환경에서 GPU 코어 2개, 메모리 13GB를 사용해 각 모델을 100 에포크 동안 훈련.
• 정확도, F1-score, AUC-ROC, Cohen’s kappa (κ), 가짜 음성 비율 등 다수의 지표를 사용해 모델 평가.
• 체크포인트 기능을 활용해 훈련 및 검증 손실 및 정확도 곡선을 모니터링하고 비교.

실험 결과

연구 질문

• RQ1 VGG-16, Inception-V3, ResNet-50 중 어느 사전 훈련된 CNN 모델이 뇌 종양 MRI 영상 분류에서 가장 높은 정확도를 달성하는가?
• RQ2 가짜 음성 비율 측면에서 각 모델의 성능은 어떻게 비교되는가? 이는 종양 진단의 임상적 안전성에 매우 중요한 지표이다.
• RQ3 제한된 뇌 종양 MRI 데이터셋에서 데이터 증강과 함께 전이 학습을 적용할 경우 모델 성능은 얼마나 향상되는가?
• RQ4 F1-score, AUC-ROC, Cohen’s kappa 계수는 각 모델 예측의 신뢰성과 견고성에 대해 어떻게 반영하는가?
• RQ5 Inception-V3가 다른 모델들에 비해 현저히 열등한 성능을 보이는 이유는 무엇이며, 이는 의료 영상에 적합한 모델 선택에 대해 어떤 시사점을 제공하는가?

주요 결과

• ResNet-50가 95%의 최고 테스트 정확도를 기록하며 VGG-16(90%)와 Inception-V3(55%)를 뚜렷이 앞서갔다.
• ResNet-50는 테스트 세트에서 0%의 가짜 음성 비율을 기록하여 악성 종양이 양성으로 잘못 분류되는 일이 없음을 시사했다.
• ResNet-50는 F1-score(0.952)와 AUC-ROC(0.95) 모두 최고 수준을 기록하여 정밀도와 재현율의 균형이 잘 맞춰진 것으로 나타났다.
• Cohen’s kappa 계수는 ResNet-50가 0.90으로 가장 높았으며, VGG-16는 0.80, Inception-V3는 0.10이었다. 이는 ResNet-50의 예측이 우연을 초월해 상당한 일致를 보였음을 의미한다.
• Inception-V3는 과적합의 징후를 보였으며, 랜덤 분류보다 약간 높은 성능을 보였다. AUC-ROC는 0.55, F1-score는 0.689였다.
• 비슷한 훈련 시간(~2150초)에도 불구하고, ResNet-50는 안정적인 훈련 및 검증 곡선을 통해 뛰어난 수렴성과 일반화 능력을 보였다.