뇌 CT 영상 분류를 위한 연관 규칙·결정 트리 하이브리드 모델

초록

본 논문은 뇌 종양 CT 영상을 대상으로 전처리(중간값 필터·캐니 엣지), 특징 추출 후 FP‑Tree 기반 연관 규칙 마이닝과 결정 트리 분류기를 결합한 하이브리드 시스템을 제안한다. 실험 결과, 정상·양성·악성 3가지 클래스로 구분했을 때 민감도 97%, 정확도 95%를 달성해 기존 이미지 마이닝 기법보다 높은 성능을 보였다.

상세 요약

이 연구는 의료 영상 마이닝 분야에서 두 가지 주요 알고리즘을 통합함으로써 분류 정확도를 향상시키려는 시도를 보여준다. 첫 단계인 전처리에서는 잡음 제거와 경계 강조를 위해 중간값 필터와 캐니 엣지 검출을 적용했으며, 이는 CT 영상 특유의 저대조도와 잡음에 대한 강인성을 제공한다. 특징 추출 과정은 명시적으로 기술되지 않았지만, 엣지 기반의 형태학적 특징과 픽셀 강도 통계량을 활용했을 것으로 추정된다. 이러한 저차원 특징을 FP‑Tree 알고리즘에 입력해 빈번 패턴을 효율적으로 탐색하고, 연관 규칙을 도출함으로써 특징 간의 상호 의존성을 모델링한다. FP‑Tree는 전통적인 Apriori에 비해 메모리 사용량과 연산량이 크게 감소하므로 대규모 의료 데이터셋에 적합하다. 도출된 규칙은 이후 결정 트리 분류기에 입력 특징으로 활용되며, 트리 구조는 규칙 기반의 해석 가능성과 결정 트리의 빠른 추론 속도를 동시에 제공한다. 하이브리드 설계는 각각의 알고리즘이 갖는 약점을 보완한다는 점에서 의미가 크다. 예를 들어, 연관 규칙만 사용할 경우 규칙 수가 폭증해 과적합 위험이 존재하지만, 결정 트리와 결합하면 중요한 규칙만 선택적으로 사용해 일반화 능력을 유지한다. 실험에서는 사전 진단된 뇌 CT 데이터베이스를 이용해 3‑클래스(정상, 양성, 악성) 분류를 수행했으며, 97%의 민감도와 95%의 정확도를 보고했다. 이는 기존 단일 알고리즘 기반 시스템보다 현저히 높은 수치이며, 특히 악성 종양 탐지에서 높은 민감도를 보인 점이 임상적 가치를 높인다. 그러나 논문에서는 데이터셋 규모, 교차 검증 방식, 비교 대상 알고리즘 등에 대한 상세한 기술이 부족해 재현 가능성을 판단하기 어렵다. 또한, 특징 선택 과정이 명시되지 않아 어떤 이미지 속성이 규칙 생성에 가장 크게 기여했는지 파악하기 힘들다. 계산 복잡도 측면에서는 FP‑Tree와 결정 트리 학습 모두 O(N·log N) 수준으로 추정되지만, 실제 실행 시간과 메모리 요구량에 대한 정량적 보고가 없어 실용적 적용에 대한 평가가 제한적이다. 향후 연구에서는 다중 스케일 특징, 딥러닝 기반 전처리와의 결합, 그리고 다기관 대규모 데이터셋을 통한 검증이 필요하다.