ResNet-SE와 Focal Loss를 활용한 알츠하이머 MRI 다중 분류 프로젝트

이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.

TL;DR

ResNet-18에 Squeeze-and-Excitation 블록과 Focal Loss를 결합하여 알츠하이머 MRI 데이터의 클래스 불균형 문제를 해결하고 분류 성능을 개선한 프로젝트.

배경

알츠하이머병 진행 단계 분류를 위해 ResNet-18 기반의 딥러닝 모델을 개발하고, 데이터 불균형 문제를 해결하기 위한 기법과 Grad-CAM을 이용한 설명 가능성 확보 방안을 공유했다.

의미 / 영향

이 프로젝트는 의료 영상 데이터의 클래스 불균형 문제를 기술적 기법으로 해결하고, Grad-CAM을 통해 모델의 판단 근거를 시각화함으로써 임상적 신뢰성을 확보하는 실무적 접근 방식을 보여준다. 이는 향후 의료 AI 모델 개발 시 성능 최적화와 설명 가능성 확보를 위한 표준적인 파이프라인으로 활용 가능하다.

섹션별 상세

ResNet-18 아키텍처에 Squeeze-and-Excitation(SE) 블록을 결합하여 채널별 어텐션을 구현했다. SE 모듈은 채널 간 의존성을 학습하여 질병 단계 구분에 중요한 특징 맵을 강조하고, 모델의 표현력을 향상시킨다.

데이터셋의 심각한 클래스 불균형 문제를 해결하기 위해 기존 Cross-Entropy 대신 Focal Loss를 적용했다. 이 손실 함수는 분류하기 쉬운 예제의 기여도를 낮추고 어려운 예제에 집중하여 소수 클래스 학습을 강화한다.

클래스 불균형 완화를 위해 가중 샘플링과 타겟 데이터 증강 전략을 병행했다. 이러한 조합은 소수 클래스인 Moderate Demented 단계에서 100% Recall을 달성하는 데 기여했다.

Grad-CAM을 도입하여 모델의 판단 근거를 시각화했다. 생성된 히트맵은 해마 위축 등 알츠하이머병과 관련된 해부학적 영역에 모델이 집중하고 있음을 보여주어 임상적 타당성을 뒷받침한다.

실무 Takeaway

의료 영상의 클래스 불균형 문제 해결에는 Focal Loss와 가중 샘플링 조합이 효과적이다.
ResNet-18에 SE 블록을 결합하면 특징 표현력을 높여 질병 단계 분류 성능을 개선할 수 있다.
Grad-CAM을 활용하면 딥러닝 모델의 판단 근거를 시각적으로 검증하여 임상적 신뢰도를 높일 수 있다.

언급된 도구

ResNet-18추천

CNN 아키텍처

Focal Loss추천

손실 함수

Grad-CAM추천

설명 가능 AI 기법

언급된 리소스

GitHubGitHub Repository