컬러맵 강화 비전 트랜스포머로 MRI 기반 알츠하이머 4분류 정확도 99.79% 달성

초록

본 연구는 회색조 MRI 영상을 제트 컬러맵을 이용해 의사색상(pseudo‑color) 이미지로 변환한 뒤, 사전학습된 Vision Transformer(ViT‑Base)를 미세조정하여 알츠하이머병을 네 단계(비치매, 경증, 중등도, 매우 경증)로 분류한다. OASIS‑1 데이터셋(4‑class)에서 99.79%의 정확도와 100% AUC를 기록했으며, 기존 2024‑2025년 CNN·Siamese 기반 모델(96.1%~99.68%)을 능가한다. 컬러맵 변환이 구조적·텍스처 정보를 강조해 ViT의 전역 특성 학습을 촉진하고, 데이터 증강 없이도 높은 일반화 성능을 확보한다.

상세 분석

본 논문은 알츠하이머병 조기 진단에 MRI 영상의 미세 구조 변화를 효과적으로 포착하기 위한 두 가지 핵심 아이디어를 제시한다. 첫 번째는 회색조 MRI를 제트(colormap)와 같은 의사색상 변환으로 3채널 RGB 형태로 바꾸는 전처리 단계이다. 이 과정은 픽셀 강도 차이를 시각적으로 확대하고, 경계와 텍스처 대비를 강화한다는 점에서 기존 채널 복제 방식보다 훨씬 풍부한 정보를 제공한다. 특히, ViT는 ImageNet‑pretrained 모델이므로 자연 이미지의 색채와 대비에 최적화돼 있다. 따라서 의사색상 변환은 도메인 간 격차(domain gap)를 완화하고, 사전학습된 가중치를 보다 효율적으로 활용하게 만든다.

두 번째는 Vision Transformer(ViT‑Base, patch‑size 16) 를 4‑class 분류에 맞게 미세조정(fine‑tuning)한 점이다. 입력 이미지는 224 × 224 픽셀로 리사이즈 후 16 × 16 패치로 분할돼 196개의 토큰 시퀀스로 변환된다. 각 토큰은 선형 임베딩 후 위치 인코딩이 더해져 Transformer Encoder에 입력되며, 다중 헤드 셀프‑어텐션을 통해 전역적인 뇌 구조 관계를 학습한다. 최종 클래스 토큰은 4‑차원 Softmax 헤드에 연결돼 각 단계별 확률을 출력한다.

학습 설정은 Adam(learning‑rate 1e‑4), 배치 32, 최대 50 epoch, 조기 종료(patience = 2)이며, 손실은 카테고리형 교차 엔트로피이다. 데이터는 OASIS‑1에서 4 클래스로 라벨링된 5 000 ~ 5 002 장씩 총 약 15 500 장을 사용했으며, 80:20 비율로 훈련·테스트를 분리했다. 흥미로운 점은 데이터 증강을 전혀 적용하지 않았음에도 불구하고, 사전학습된 ViT와 컬러맵 강화가 충분히 일반화 성능을 끌어올렸다는 것이다.

성능 평가는 정확도, 매크로‑Precision/Recall, 다중 클래스 ROC‑AUC(One‑vs‑Rest)로 수행했으며, 테스트 셋에서 99.79% 정확도와 100% AUC를 달성했다. 혼동 행렬을 보면 모든 클래스가 거의 완벽히 구분되었으며, 특히 중등도와 경증 사이의 미세 차이도 정확히 포착했다. 이는 기존 2024‑2025년 발표된 CNN(96.1%~99.2%) 및 Siamese‑Network(99.68%) 모델을 능가하는 수준이다.

한계점으로는 컬러맵 선택이 결과에 미치는 영향 분석이 부족하고, 다른 컬러맵(예: viridis, plasma)이나 다중 컬러맵 앙상블에 대한 실험이 없다는 점이다. 또한, 2D 슬라이스 기반 접근이므로 3D 볼륨 정보를 완전히 활용하지 못한다는 점도 언급할 필요가 있다. 향후 연구에서는 3D ViT와 결합하거나, 컬러맵 파라미터를 학습 가능한 형태로 두어 최적화하는 방안을 고려할 수 있다.

전반적으로, 이 논문은 “컬러맵 강화 + Vision Transformer”라는 간단하면서도 강력한 조합이 의료 영상, 특히 구조적 변이가 미세한 MRI 기반 알츠하이머 분류에 큰 잠재력을 가지고 있음을 실증적으로 보여준다.