뇌졸중 진단을 위한 효율적인 딥러닝 프레임워크

초록

본 연구는 CT 영상에서 정상, 허혈성, 출혈성 뇌졸중을 3분류하는 모델을 제안한다. 사전학습된 CNN(DensetNet201, InceptionV3, MobileNetV2, ResNet50, Xception)으로 특징을 추출하고, PCA·LDA·BFO로 차원축소·강화한 뒤 SVC·RF·XGB·DT·LR·KNN·GNB 등 전통 머신러닝 분류기로 학습한다. MobileNetV2‑LDA‑SVC 조합이 97.93% 정확도로 최고 성능을 보였으며, 데이터셋은 공개 CT 이미지와 현장 데이터를 병합해 3클래스(5016장)로 구성하였다.

상세 분석

이 논문은 기존 연구가 주로 단일 슬라이스 혹은 이진 분류에 머물렀던 점을 보완하고, 경량화된 사전학습 모델과 전통적인 머신러닝 파이프라인을 결합한 하이브리드 접근법을 제시한다. 먼저, 두 개의 공개 CT 데이터셋(각 2500여 장)을 전문가의 라벨링을 통해 정상·허혈성·출혈성 3클래스로 재구성하고, 중복·노이즈 이미지를 제거해 총 5,016장의 균형 잡힌 데이터셋을 만든 점이 강점이다. 특징 추출 단계에서는 DenseNet201, InceptionV3, MobileNetV2, ResNet50, Xception 등 다양한 아키텍처를 활용해 이미지의 고차원 표현을 얻는다. 특히 MobileNetV2는 파라미터가 적고 연산량이 낮아 임상 현장에서 실시간 적용 가능성이 높다.

추출된 특징에 대해 PCA(주성분 분석), LDA(선형 판별 분석), BFO(박테리아 군집 최적화) 세 가지 차원 축소·특징 강화 기법을 적용했으며, LDA가 클래스 간 분산을 최대화해 분류 경계 형성에 가장 효과적이었다는 결과가 도출된다. 이후 SVC(서포트 벡터 머신), 랜덤 포레스트, XGBoost, 결정 트리, 로지스틱 회귀, KNN, 가우시안 나이브 베이즈 등 7가지 전통 분류기를 실험했는데, 특히 SVC가 고차원 특징 공간에서 마진을 최적화해 최고의 정확도(97.93%)와 F1 점수(0.979)를 기록했다.

성능 비교에서는 기존 연구들이 95% 내외의 정확도를 보였던 반면, 제안된 MobileNetV2‑LDA‑SVC 조합이 2~3%p 상승한 결과를 보여준다. 또한, 경량 모델과 전통 분류기의 조합은 GPU 의존도가 낮아 비용 효율적인 임상 적용이 가능함을 시사한다. 다만, 데이터셋이 여전히 5천 장 수준에 머물러 외부 검증이 제한적이며, 슬라이스 간 연관성을 고려하지 않은 점이 향후 연구 과제로 남는다.