본 논문은 자기공명영상(Magnetic Resonance Imaging, MRI)을 이용한 알츠하이머병(Alzheimer disease, AD) 분류의 발전을 위해 주의(attention) 메커니즘을 포함하는 새로운 합성곱 신경망(convolutional neural network, CNN) 모델을 제안한다. 제안된 모델의 아키텍처는 뇌 영상에서의 핵심 영역에 선택적으로 초점을 맞추면서 특징 추출을 향상시키도록 면밀히 설계되었으며, 이를 통해 진단 정확도를 개선하고자 한다. 또한 두개골 박리(skull stripping) 과제를 효과적으로 처리하기 위한 독창적 구성요소인 MRI 분할 블록(MRI Segmentation Block, MSB)을 도입하여, 복잡하고 다층적인 정보로부터 학습할 수 있는 모델의 능력을 부각하였다. MSB에 대한 상세한 실험적 평가를 수행하였으며, 그 결과 MSB는 기존 방법들에 비해 두개골 청소(cranial debridement) 과제에서 더 우수한 성능을 보였다. 실험은 다양한 MRI 스캔을 포함하였고, MSB의 정확도는 전문 영상의학과 의사들이 제공한 정답(ground truth) 주석에 대해 Dice 계수(Dice Coefficient) 및 Jaccard 지수(Jaccard Index)와 같은 지표를 통해 평가하였다. 결과는 MSB의 유효성을 뒷받침하며, 의료 영상 진단에서의 정밀도에 대한 새로운 벤치마크를 제시한다. 제안 방법은 MRI 스캔으로부터 다중 스케일 특징을 추출하기 위해 조밀 연결(densely connected) 신경망과 연결 단위(connection-wise) 주의 모델을 통합한다. 또한 주의 메커니즘은 알츠하이머병의 다양한 단계와 유의하게 연관된 두드러진 특징을 강조하도록 세밀하게 조정되어, 의료 영상 진단에서의 정밀도에 대한 새로운 벤치마크를 설정한다. 알츠하이머병 신경영상 이니셔티브(Alzheimer Disease Neuroimaging Initiative, ADNI) 데이터셋에 대한 광범위한 실험 결과, 본 방법은 기존의 전통적 접근법 및 최신 접근법에 비해 우수함을 입증하였으며, 본 모델은 높은 정확도와 계산 효율성을 동시에 달성하였다. 이는 자원이 제한된 임상 환경에서의 적용 가능성을 높인다. 본 연구는 AD 진단 과정에서의 중요한 진전을 의미하며, 임상 환경에서 환자 예후를 개선하는 데 잠재적 함의를 지닌다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.