차원 축소 MRI와 SVM을 이용한 치매 분류

초록

본 연구는 OASIS‑Brains 데이터베이스의 416명 MRI 영상을 11개의 차원 축소 특징으로 변환한 뒤, 선형 및 가우시안 커널 SVM을 적용해 임상 치매 등급(CDR > 0)을 예측한다. 이미지 세분화와 주성분 분석(PCA)으로 얻은 특징에는 연령, 성별, 두개강 내 총용량(eTIV), 정규화 뇌용량(nWBV), 백질·회백질·뇌척수액 부피, 좌·우·상·하 대칭도, 그리고 두 개의 PCA 계수가 포함된다. 10‑fold 교차검증 결과, 선형 SVM은 테스트 정확도 85.0 %, 가우시안 SVM은 85.7 %를 기록했으며, 정밀도·재현율은 각각 약 68 % 수준, MCC는 0.59~0.62에 달했다. 차원 축소를 통해 과적합을 방지하고 일반화 가능성을 확보하면서도 일반 노트북 수준의 연산량으로 분류가 가능함을 보여준다.

상세 분석

본 논문은 기존 연구들이 수십만 개의 원시 voxel 값을 직접 SVM에 투입해 높은 정확도를 얻었지만, 데이터 차원의 저주와 과적합 위험을 간과했다는 점을 지적한다. 이를 해결하기 위해 저자들은 먼저 OASIS‑Brains 데이터에서 제공되는 전처리된 마스크 영상과 세분화 영상을 활용한다. 마스크 영상으로는 좌·우 및 상·하 대칭도를 계산하는데, 이는 각 슬라이스를 좌우(또는 상하)로 뒤집은 이미지와의 제로‑lag 상관을 정규화한 값이다. 세분화 영상에서는 백질, 회백질, 뇌척수액의 총 부피를 각각 구해 부피 비율을 특징으로 사용한다. 이러한 해부학적 특징 외에도 연령, 성별, eTIV, nWBV와 같은 인구통계·전반적 뇌 용량 정보를 포함시켜 총 11개의 피처를 만든다.

차원 축소의 핵심은 PCA를 이용한 ‘eigenbrain’ 추출이다. 저자는 전통적인 얼굴 인식에서 사용되는 eigenface 개념을 차용해, 전체 데이터셋의 특정 축(코로나와 축축)에서 평균 뇌 영상을 기준으로 주성분을 계산한다. 코라날 슬라이스와 축축 슬라이스 각각에서 여러 주성분을 도출했으며, 실험적으로 4번째와 7번째 주성분이 분류 성능을 가장 크게 향상시키는 것으로 확인돼 최종 피처에 포함되었다. 모든 피처는 평균을 0, 분산을 1로 정규화하여 SVM 학습 시 스케일 차이에 의한 편향을 최소화한다.

분류 모델은 LIBSVM 라이브러리를 사용해 구현했으며, 선형 커널과 RBF(가우시안) 커널 두 가지를 시험했다. RBF 커널의 γ 파라미터는 피처 수의 역수(1/11)로 설정해 과도한 복잡성을 억제하였다. 모델 평가는 10‑fold 교차검증으로 수행했으며, 각 fold마다 90 % 데이터를 학습, 나머지 10 %를 테스트했다. 주요 평가지표는 정확도, 정밀도, 재현율, 그리고 클래스 불균형에 강인한 Matthews correlation coefficient(MCC)이다.

실험 결과, 선형 SVM은 훈련 정확도 86.4 %, 테스트 정확도 85.0 %를 기록했고, RBF SVM은 훈련 정확도 90.1 %, 테스트 정확도 85.7 %를 달성했다. 정밀도는 약 68 % 수준이며, 재현율은 선형 68 %, RBF 74 %로 차이가 있었다. MCC는 각각 0.594와 0.616으로, 무작위 추측(0)보다 현저히 높은 성능을 보였다. 연령 피처를 제외하면 정확도가 약 2 % 감소했으며, PCA 피처를 제거하면 재현율이 510 % 감소하고 MCC가 0.030.07 감소한다는 점에서, 차원 축소와 PCA가 모델 일반화에 기여함을 확인할 수 있다.

이와 같이 차원 축소된 11개의 피처만으로도 비교적 높은 분류 성능을 유지하면서, 원시 voxel 기반 모델이 겪는 과적합 문제를 완화하고, 일반적인 개인용 컴퓨터에서도 실시간 적용이 가능하도록 연산량을 크게 줄였다. 다만, 전체 정확도가 90 %에 미치지 못하고, 정밀도·재현율이 70 % 수준에 머무는 점은 임상 적용 시 추가적인 검증이 필요함을 시사한다.