뇌종양 MRI의 인공지능 기반 분류 및 세분화: MediAI를 활용한 정밀 진단 접근
뇌종양 MRI의 인공지능 기반 분류 및 세분화: MediAI를 활용한 정밀 진단 접근
doi: 10.4283/JMAG.2025.30.1.74
개요
뇌종양, 특히 교모세포종(Glioblastoma)은 높은 악성도와 예후 불량으로 인해 신경종양학에서 가장 도전적인 질환 중 하나입니다. 본 컬럼에서는 MRI 영상 기반으로 뇌종양을 자동으로 분류 및 병변 부위 세분화할 수 있는 딥러닝 기반 모델인 MediAI를 소개합니다.
이 모델은 ResNet50 기반의 전이학습(Transfer Learning)을 활용하여 학습되었으며, 총 453장의 다양한 유형의 뇌종양 MRI 이미지를 학습 데이터로 활용하였습니다.
그 결과, MediAI는 97.6%의 높은 분류 정확도를 달성하였고, 교모세포종에 대해 정교한 세분화(segmentation)를 구현하여 향후 치료 반응 추적과 예후 평가에 활용 가능한 가능성을 제시하였습니다.
1. 서론
뇌종양은 유전적 요인, 면역계 이상, 환경 요인 등 복합적인 원인으로 발생하며, MRI는 비침습적으로 뇌의 병변을 고해상도로 관찰할 수 있어 진단의 골드 스탠다드로 활용됩니다.
특히 교모세포종(Glioblastoma)은 고형 뇌종양 중 가장 예후가 나쁘고 침윤성이 강하여 조기 진단 및 정확한 병변 분석이 매우 중요합니다.
이에 본 연구에서는 AI 기반으로 뇌종양을 MRI로 정확히 분류하고, 병변 영역을 자동 추출할 수 있는 MediAI 모델을 제안하였습니다.
2. 연구 방법
2.1 데이터셋 구성
총 453장의 MRI 데이터로 구성된 데이터셋:
-
86장: 선종(Adenoma)
-
84장: 상피종(Epithelial tumor)
-
82장: 교모세포종(Glioblastoma)
-
80장: 수막종(Meningioma)
-
82장: 신경초종(Schwannoma)
-
39장: 정상 뇌 영상
출처: GitHub, NEJM, AuntMinnie, Medscape, RadiologyCases, Radiopaedia 등
 |
| Figure 1. 뇌종양 MRI 샘플 이미지 (5종) |
2.2 분류 모델: MediAI
-
기반 아키텍처: ResNet50 + 전이학습
-
특징 추출 및 분류: CNN > Flatten > MLP > Softmax 분류
-
하이퍼파라미터 튜닝: Bayesian Optimization
 |
| Figure 2. ResNet50 기반 MediAI 구조도 |
2.3 병변 세분화(Segmentation)
-
이미지 불러오기 및 노이즈 제거 (Anisotropic Diffusion)
-
256x256 크기로 리사이징 및 그레이스케일 변환
-
Otsu 이진화 기법 적용
-
형태학적 연산 (모폴로지)
-
Bounding Box, Erosion으로 윤곽 추출
-
원본 이미지에 윤곽 오버레이
Table 1. 뇌종양 병변 검출 및 분할 단계
 |
| Figure 3. 전체 실험 절차도 |
3. 실험 결과
3.1 분류 정확도
-
정확도: 97.6%
-
Confusion Matrix 및 ROC Curve 분석 포함
 |
| Figure 4. MediAI 분류 결과, 혼동 행렬, ROC Curve |
3.2 병변 세분화 성능 (특히 교모세포종)
-
Filtering > 이진화 > Bounding Box > 윤곽 추출 > 원본 이미지 오버레이
 |
| Figure 5. Glioblastoma 시각화 |
4. 분석 및 고찰
4.1 데이터 증강 및 일반화 성능
-
증강 기법 적용 시 AUC 변화 적음
-
Dropout 기술로 과적합 방지 성공
 |
| Figure 6. 증강 전후 성능 비교 |
4.2 모델 성능 비교: ResNet50 vs. AlexNet
-
ResNet50 > AlexNet (정확도, 재현율, 효율성)
 |
| Figure 7. 모델 성능 비교 결과 |
4.3 분류 성능 (Precision / Recall / F1)
| 종양 유형 | 정밀도 | 재현율 | F1-score |
|---|---|---|---|
| 선종 | 76% | 84% | 80% |
| 상피종 | 99% | 94% | 96% |
| 교모세포종 | 91% | 99% | 95% |
| 수막종 | 92% | 89% | 90% |
| 신경초종 | 98% | 95% | 96% |
 |
| Figure 8. 분류 결과 요약 |
4.4 기존 논문과의 비교
| 연구자 | 모델 | 정확도 (%) |
|---|---|---|
| Talo et al. | ResNet50 | 95.2% |
| Anil et al. | VGG19 | 95.7% |
| Lamrani et al. | CNN | 96.0% |
| Saeedi et al. | 2D CNN | 96.4% |
| Brindha et al. | CNN | 89.0% |
| Amin et al. | CNN | 97.1% |
| 본 연구 MediAI | ResNet50 | 97.6% ✅ |
 |
| Figure 9. 기존 연구와 비교된 정확도 |
5. 결론
본 연구에서는 뇌종양 MRI를 기반으로 종양을 분류하고, 특히 교모세포종의 병변을 자동으로 세분화할 수 있는 MediAI 모델을 제안하였습니다.
-
분류 정확도 97.6%, 세분화 과정에서도 우수한 성능을 보여주었으며
-
의료영상 AI 진단 및 치료 반응 모니터링 도구로 활용 가능성을 제시합니다.
"향후에는 Radiomics 기법을 활용하여 종양, 괴사, 부종 영역을 정량화하여 정밀의료 기반의 예후 예측 플랫폼으로 확장할 계획입니다." 라고 가술하고 있습니다.
참고문헌
-
R.N. Curry, S.M. Glasgow, Front Cell Dev Biol., vol. 9, 2021.
-
S. Hibino et al., Int J Mol Sci., vol. 22, 2021.
-
J. Ricardo et al., Am J Med., vol. 131, 2018.
-
W.B. Overcast et al., Curr Oncol Rep., vol. 23, 2021.
-
A.A. Abd-Elghany et al., J Radiat Res Appl Sci., vol. 12, 2019.
-
A.K. Altwairgi et al., Mol Clin Oncol., vol. 4, 2016.
-
K.Y. Shim et al., Sci Rep., vol. 11, 2021.
-
H. Lee et al., J Magnetics., vol. 25, 2020.
-
A. Afaq et al., Cancer Imaging., vol. 10, 2010.
-
M. Talo et al., Comput Med Imaging Graph., vol. 78, 2019.
-
A. Anil et al., Int J Innov Res Appl Sci Eng., vol. 3, 2019.
-
D. Lamrani et al., Int J Adv Comput Sci Appl., vol. 13, 2022.
-
S. Saeedi et al., BMC Med Inform Decis Mak., vol. 23, 2023.
-
P.G. Brindha et al., IOP Conf. Ser.: Mater Sci Eng., vol. 1055, 2021.
-
J. Amin et al., Pattern Recognit Lett., vol. 139, 2020.
댓글
댓글 쓰기