MRI는 연부조직에 대한 고해상도의 영상을 제공하며 진단적 가치가 매우 높은 영상 검사이며, 디지털 데이터를 이용하여 딥러닝 기술을 통해 컴퓨터 보조 진단 역할을 수행할 수 있다. 본 연구는 딥러닝 기반 YOLOv3를 이용하여 뇌종양 분류 성능을 확인해 보고자 한다. 253장의 오픈 MRI 영상을 이용하여 딥러닝 학습을 진행하고 학습 평가지표는 평균손실(average loss)와 region 82와 region 94를 사용하였으며, 뇌종양 분류 모델 검증을 위해 학습에 사용되지 않은 영상을 이용하여 검출 성능을 평가하였다. 평균손실은 2248 epochs 시 0.1107, region 82와 region 94의 24079 반복학습 시 average IoU, class, .5R, .75R은 각각 0.89와 0.81, 1.00과 1.00, 1.00과 1.00, 1.00과 1.00의 결과값을 도출하였다. 뇌종양 분류 모델 검증 결과 정상 뇌와 뇌종양 각각 95.00%, 75.36%의 정확도로 분류할 수 있었다. 본 연구 결과를 통해 MRI 영상을 활용한 딥러닝 연구 및 임상에 기초자료로 사용될 것이라 사료된다.

Magnetic resonance imaging (MRI) provides high-resolution images of soft tissues and is an imaging technique with a high diagnostic value. It can play a role in computer-aided diagnosis through deep learning technologies using digital data. This study aims to investigate the performance of brain tumor classification using YOLOv3 based on deep learning. Deep learning was performed using 253 open MRI images in which the learning evaluation indices were average loss, region 82, and region 94. The detection performance was evaluated using images that were not used for training to verify the brain tumor classification model. The average loss was 0.1107 for 2248 epochs. After 24,079 learning iterations, average IoU, class, .5R, and .75R were 0.89, 0.81, 1.00, and 1.00 for region 82, and 1.00, 1.00, 1.00, and 1.00 for region 94, respectively. Owing to the verification of the brain tumor classification model, it was possible to classify normal brain and brain tumors with an accuracy of 95.00% and 75.36%, respectively. It is believed that the results of this study will be used as basic data for deep learning research and clinical trials using MRI images.

ABSTRACT
Ⅰ. Introduction
Ⅱ. Materials and Methods
    1. Brain MRI data and labeling
    2. Network configuration and learning
    3. Learning evaluation index
    4. Model validation
Ⅲ. Results
    1. Learning evaluation index results
    2. Classification accuracy
Ⅳ. Discussion and Conclusion
References
요 약

• Joo Wan Hong(을지대학교 보건과학대학 방사선학과) | 홍주완 Corresponding Author