뇌종양 MRI 데이터를 활용한 CNN 사전학습 모델 성능 비교 및 향상

Abstract

뇌종양은 2020년에 전 세계 인구 중 약 251,329명의 사망자가 발생한 심각한 질병이다. 특히 교모세포종과 같은 특정 종류의 뇌종양은 생존율이 매우 낮아 5년 생존율이 약 5%로 나타나며, 이는 치료가 어려움을 나타내고 있다. 이러한 상황에서 뇌종양의 초기 진단이 환자의 생존율을 높이는데 결정적인 역할을 한다.

본 연구에서는 뇌종양의 초기 진단을 위해 딥러닝을 활용하여 뇌종양 MRI 데이터를 분석하여 전문 지식이 없더라도 뇌종양 종류를 정확히 분류할 수 있도록 함과 동시에 Pretrained CNN 모델의 성능 비교를 진행하고 Pretrained CNN 모델의 성능 향상에 대해 연구를 진행하였다. 뇌종양 MRI 데이터 분석 및 딥러닝 모델에 활용하기 위해 kaggle의 뇌종양 MRI 데이터 셋을 활용하였다. kaggle에서 총 7,023장의 뇌종양 MRI 이미지 데이터를 수집하였다. 수집한 데이터에서 뇌종양의 유형은 Glioma(신경아종), Meningioma(뇌수막종), Notumor(정상), Pituitary(뇌하수체종) 총 4가지 유형이 있다. 이미지의 유형으로는 머리 위에서 촬영한 이미지, 측면에서 촬영한 이미지, 후면에서 촬영한 이미지 총 3가지의 유형이 있었다. 이미지의 크기는 전부 제각각이었고 Pretrained CNN 모델이 요구하는 사이즈인 224x224 크기로 전부 리사이징을 진행하였다. 또 이미지의 불필요한 여백이 존재하여 이미지를 1.2배 확대하여 Pretrained CNN 모델이 특징 추출에 좀 더 유리하도록 하였다. 딥러닝 모델의 학습, 검증, 테스트를 위해 뇌종양 MRI 데이터 셋을 6:2:2 비율로 나누어 전처리를 진행하였다. Pretrained CNN 모델의 성능 비교를 위해 사용된 모델은 DenseNet121, DenseNet201, MobileNetV2, MobileNetV3Large, EfficientNetB0, EfficientNetB1, InceptionV3, ResNet50, ResNet50V2, ResNet152V2, VGG16, VGG19, Xception 총 13가지의 모델을 사용하여 성능 비교를 진행하였다. 성능 비교 결과 뇌종양 MRI 데이터 셋에서 가장 좋은 성능 보여주었던 모델은 DenseNet201이었고 Accuracy는 0.9550 이였다. 다음으로 좋은 성능을 보여주었던 모델은 MobileNetV2였고 Accuracy는 0.9489이다. 이후 Pretrained CNN 모델의 성능을 향상하기 위해 딥러닝 앙상블을 진행하였다. 앙상블 모델의 성능 평가를 진행하기 위해 Accuracy, Precision, Recall, F1 Score 총 4가지의 평가 지표를 사용하였다. 이중 본 연구에서 중점적으로 본 평가 지표는 F1 Score이다. 앙상블 모델의 F1 Score에 대해 살펴보면 Glioma(신경아종)은 0.99, Meningioma(뇌수막종)은 0.99, Notumor(정상)는 1.00, Pituitary(뇌하수체종)는 1.00으로 나왔다. 이후 Pretrained CNN 모델 대비 앙상블 모델의 성능 향상을 알아보기 위해 각 뇌종양 클래스(Glioma, Meningioma, Notumor, Pituitary) 별로 증가한 F1 Score 값을 평균하여 계산하였다. 뇌종양 MRI 데이터 셋 분류 성능이 DensetNet201 모델 보다 앙상블 모델이 평균 4.51% 더 높은 성능을 보여줬으며 MobileNetV2 모델 보다 앙상블 모델이 평균 5.67% 더 높은 성능을 보여주었다. Pretrained CNN 모델 대비 앙상블 모델의 성능이 우수한 성능을 보이는 것을 확인할 수 있었다. 해당 모델이 뇌종양 조기 진단에 많은 도움이 될 것이라고 기대한다.