뇌종양 탐지를 위한 ANFIS 기반 분류 시스템

초록

본 연구는 인공신경망 퍼지 추론 시스템(ANFIS)을 이용해 뇌 MRI 영상을 분류하고, 기존의 퍼지 C-평균(FCM) 및 K‑최근접 이웃(K‑NN) 알고리즘과 성능을 비교한다. 다중 형태학·통계·텍스처 특징을 추출하고, 전문가가 설계한 퍼지 규칙을 적용해 ANFIS 모델을 학습시켰다. 실험 결과, ANFIS가 94 % 이상의 정확도를 달성하며 FCM·K‑NN보다 우수함을 확인하였다.

상세 분석

본 논문은 뇌종양 영상의 자동 분류를 위해 ANFIS(Artificial Neural Network Fuzzy Inference System)를 핵심 모델로 채택한 점이 가장 큰 특징이다. 먼저 MRI 영상에 대해 전처리 단계에서 잡음 제거와 강도 정규화를 수행하고, 이후 ROI(Region of Interest)를 자동 혹은 반자동으로 추출한다. 특징 추출 단계에서는 1) 형태학적 특징(면적, 원형도, 경계 길이 등), 2) 통계적 특징(평균, 표준편차, 왜도, 첨도) 및 3) 텍스처 특징(GLCM 기반 에너지, 대비, 상관관계, 동질성) 총 30여 개의 피처를 구성한다. 이러한 다차원 피처는 고차원 공간에서 클래스 간 경계가 비선형적일 가능성을 높이며, 전통적인 거리 기반 분류기(K‑NN)나 단순 퍼지 클러스터링(FCM)에서는 충분히 구분되지 않을 수 있다.

ANFIS는 퍼지 논리의 해석 가능성(규칙 기반)과 신경망의 학습 능력을 결합한다. 논문에서는 입력 피처를 3개의 퍼지 변수(낮음, 보통, 높음)로 구간화하고, 전문가가 정의한 27개의 IF‑THEN 규칙을 초기 규칙 베이스로 설정하였다. 이후 하이브리드 학습(전방 퍼지 추론 + 역전파 기반 파라미터 조정)으로 전역 최적화를 수행했으며, 학습률과 에포크 수는 교차 검증을 통해 최적화하였다. 모델 구조는 2단 퍼지 레이어(입력·멤버십), 1단 규칙 레이어, 1단 출력 레이어로 구성되어, 각 규칙의 가중치가 데이터에 맞춰 동적으로 조정된다.

성능 평가는 정확도, 정밀도, 재현율, F1‑스코어, ROC‑AUC 등 다중 지표를 사용하였다. ANFIS는 평균 정확도 94.3 %를 기록했으며, 특히 악성·양성 종양 구분에서 재현율이 92 % 이상으로 높은 안정성을 보였다. 반면 FCM은 군집 중심이 초기값에 민감해 평균 정확도가 81 % 수준에 머물렀고, K‑NN은 차원 저주 현상으로 인해 85 % 내외의 정확도를 보였다. 또한, ANFIS는 퍼지 규칙을 통해 어느 피처가 특정 종양 유형에 기여하는지를 해석 가능하게 제공함으로써 임상의 의사결정 지원에도 유용함을 강조한다.

한계점으로는 데이터셋 규모가 제한적이며(총 200여 장), 피처 선택 과정이 주관적이라는 점, 그리고 학습 시간(특히 규칙 수가 늘어날 경우)이 비교적 오래 걸린다는 점을 들 수 있다. 향후 연구에서는 딥러닝 기반 자동 피처 추출과 ANFIS 규칙 자동 생성 기법을 결합하거나, 멀티모달(MRI·PET) 데이터를 통합해 일반화 성능을 높이는 방안을 제시한다.