검색 상세

MRI 기반 치매 진단에서 딥러닝과 기술 통계량 기법을 활용한 정확도 개선 연구 : Accuracy Improvement Study Using Deep Learning and Descriptive Statistics Technique on MRI Images for Alzheimer's Disease Diagnosis

윤혜민 (서강대학교 정보통신대학원)

원문보기

초록/요약moremore
알츠하이머 병은 치매를 유발하는 가장 흔한 원인으로 뇌 신경세포가 서서히 죽어가는 퇴행성 신경 질환이다. 알츠하이머형 치매를 예방하기 위해서는 조기에 진단하여 신경 퇴행을 막는 것이 필요하다. 그러므로 단시간에 종합적으로 MRI 영상을 분석하고 평가하는 컴퓨터 보조 진단 시스템(CAD, Computer-Aided Medical Diagnostics)의 개발이 중요하다. CAD에 딥러닝 기법을 결합하면 전문가가 정확하고 빠른 판단을 할 수 있게끔 도와준다. 그래서 딥러닝을 통해 치매 발병 여부를 분류하는 시스템 개발 연구가 활발하다...
알츠하이머 병은 치매를 유발하는 가장 흔한 원인으로 뇌 신경세포가 서서히 죽어가는 퇴행성 신경 질환이다. 알츠하이머형 치매를 예방하기 위해서는 조기에 진단하여 신경 퇴행을 막는 것이 필요하다. 그러므로 단시간에 종합적으로 MRI 영상을 분석하고 평가하는 컴퓨터 보조 진단 시스템(CAD, Computer-Aided Medical Diagnostics)의 개발이 중요하다. CAD에 딥러닝 기법을 결합하면 전문가가 정확하고 빠른 판단을 할 수 있게끔 도와준다. 그래서 딥러닝을 통해 치매 발병 여부를 분류하는 시스템 개발 연구가 활발하다. 본 논문에서는 MRI 영상을 통해 알츠하이머형 치매의 발병 여부를 예측하기 위해서 치매 상태(AD, Alzheimer Disease)와 정상 상태(CN, Case Normal)로 분류하였다. 딥러닝 모델인 ResNet 네트워크를 사용하여 5겹 교차 검증(5-Fold Cross Validation)을 통해 학습과 검증을 진행하였다. 본 연구에서는 딥러닝 모델의 구조를 가공하여 치매 분류에는 ResNet 50이 적절하다는 걸 발견하였다. 또한, 치매 발병 여부를 예측하기 위해서 두 가지 방법론을 제안하였다. 첫 번째로는 MRI 단면 이미지 기준 치매 분류이고 두 번째로는 기술 통계량을 활용한 피실험자 기준 치매 분류이다. 기존 MRI 단면 이미지 기준 치매 분류 방법 대비 기술 통계량 기법을 사용한 후의 치매 분류 방법이 최대 9%가 향상된 94%의 성능으로 정확도를 개선하였다. 각 기술 통계량을 어떤 기준으로 설정하는지에 따라 치매 분류 성능이 달라지는 것을 발견 했고 기술 통계량 기법 중 중앙값(Median)을 사용할 때 가장 높은 정확도를 달성하였다. 마지막으로 제안한 치매 분류 방법으로 추출된 MRI 슬라이스에서 뇌 구조의 물리적인 특성인 해마를 검출하여 본 연구의 타당성을 입증하였다.
초록/요약moremore
Alzheimer's disease is the most common cause of dementia and is a degenerative neurological disease in which brain neurons slowly die. In order to prevent Alzheimer's type dementia, early diagnosis and prevention of neurodegeneration are necessary. Therefore, it is essential to develop a computer-a...
Alzheimer's disease is the most common cause of dementia and is a degenerative neurological disease in which brain neurons slowly die. In order to prevent Alzheimer's type dementia, early diagnosis and prevention of neurodegeneration are necessary. Therefore, it is essential to develop a computer-aided diagnostic system (CAD) that comprehensively analyzes and evaluates MRI images in a short time. Combining CAD with a deep learning-based methodology can help healthcare professionals make accurate and fast decisions. Therefore, research on developing a diagnostic assistance system that classifies the onset of Alzheimer's type dementia through deep learning is actively conducted. In this paper, to predict the onset of Alzheimer's type dementia through MRI images, we define two states: the dementia state (AD, Alzheimer Disease) and the normal state (CN, Case Normal). Learning and validation were conducted through 5-fold cross validation using the ResNet network, a deep learning model. In this study, we discovered that ResNet 50 is suitable for classifying dementia. In addition, two methodologies were proposed to predict the onset of dementia. The first is the classification of dementia based on MRI cross-sectional single images, and the second is the classification of dementia based on descriptive statistics from subjects. Compared to the existing MRI cross-sectional image-based dementia classification method, the proposed method showed improved dementia classification accuracy of up to 94%. Dementia classification performance varies depending on which standard is set for each descriptive statistic. Among the descriptive statistics, the highest accuracy was achieved when the median was used. Finally, the MRI slice extracted by the proposed method detected the hippocampus, a physical characteristic of the brain structure, which verifies the validity of this study.