위상 데이터 분석과 낮은 랭크 텐서 분해를 통한 LLM 기반 MRI 뇌종양 탐지 및 분류 향상

의료 영상 분야에서 인공지능의 등장은 뇌종양 진단 분야에 획기적인 발전을 이끌어냈다. 본 연구에서는 자기공명영상(MRI)을 활용하여 흔한 뇌종양인 뇌하수체종양, 두경막종, 신경아교세포종 등을 식별하고 분류하는 새로운 앙상블 기반 접근법을 제안한다. 제안된 워크플로우는 이중적인 접근 방식으로 구성된다. 첫째, 데이터 전처리 단계에서 비선형적인 이미지 강화 기법을 적용하고, 차원 축소를 위해 낮은 랭크 터커 분해(low-rank Tucker decomposition)를 사용하며, 기계학습(ML) 분류기를 활용하여 뇌종양의 존재 여부와 유형을 탐지 및 예측한다. 둘째, 위상적 데이터 분석(TDA) 기법인 지속성 호몰로지(persistent homology, PH)를 활용하여 MRI 영상에서 잠재적인 중요한 영역을 추출한다. 이 정보는 ML 분류기의 출력과 결합되어, 전문가들이 종양 서명이 포함될 가능성이 있는 관심 영역을 보다 효과적으로 식별할 수 있도록 도와주며, ML 예측의 해석 가능성을 향상시킨다. 자동 진단과 비교할 때 이러한 투명성은 추가적인 신뢰도를 제공하며, 임상적 수용을 위해 필수적인 요소이다. 시스템의 성능은 유명한 MRI 데이터셋을 기반으로 정량적으로 평가되었으며, 극도로 무작위로 트리(Extremely Randomized Trees) 모델을 사용하여 전반적인 분류 정확도가 97.28%에 달했다. 긍정적인 결과는 TDA, 기계학습 및 낮은 랭크 근사 기법의 융합이 뇌종양의 식별과 분류에 효과적인 접근법임을 보여주며, 향후 연구 및 임상 적용을 위한 견고한 기반을 마련한다.