자기공명영상 데이터를 이용한 합성곱 신경망 기반 뇌연령 예측 모델의 성능 평가

본 연구에서는 뇌 구조적(structural) T1 강조 MRI 데이터를 이용하여 다양한 Convolutional Neural Network (CNN) 기반 뇌연령 예측 모델의 성능을 비교하고 평가하였다. 뇌연령 예측 모델의 성능을 평가하기 위해 실제연령과 예측된 뇌연령의 Mean Absolute Error(MAE)와 상관관계(Pearson Correlation Coefficient, R)를 성능 평가 지표로 사용하였다. 성능 평가 결과, 테스트한 CNN 아키텍처(architecture) 기반 딥러닝 모델중 2D-CNN 모델이 5.77의 MAE와 0.88의 R로 가장 높은 성능을 보였다. T1 강조 MRI 데이터를 이용한 딥러닝 기반 뇌연령 예측 모델의 성능 평가를 통해 뇌연령 예측 모델의 정확도를 개선하고 신경퇴행성질환 및 정신질환 환자의 가속 노화 예측력을 향상시킬 수 있을 것으로 기대한다.

데이터

CAT12 툴박스를 사용하여 raw T1 강조 MRI 영상의 INU(Information Non-Uniformity)를 교정하고 두개골을 제거하는 전처리를 수행하였다. 최종 579명의 실제연령 정보 및 뇌 MRI 데이터를 7:1:2의 비율로 각각 training set(n=405), validation set(n=58), test set(n=116)으로 나누었다. 이 때, 모든 연령대의 데이터가 각각의 data set에 비슷한 비율로 분포하도록 data set을 나누었다.

모델

각 모델은 Adam optimizer을 사용하였고 100 epoch 학습하였다. 3D-CNN, VGGNet, ResNet모델의 batch size는 16, weight decay와 learning rate는 각각 0.0006으로 설정하였고, 2D-CNN 모델의 batch size는 8, weight decay와 learning rate는 각각 0.0001로 설정하였다. 각 epoch마다 학습이 완료된 모델을 validation set을 적용하여 Mean Absolute Error(MAE) loss를 계산하고 가장 MAE 값이 낮은 모델을 이용하여 test set에 대한 성능 평가를 수행하였다.

성능평가지표

각각의 모델에서 예측된 뇌연령과 실제연령의 MAE와 상관계수(Pearson correlation coefficient, R)를 계산하여 각 모델의 성능을 비교하였다.

결과

테스트한 6가지 딥러닝 모델 중 2D-CNN 모델이 가장 높은 성능을 보였다(MAE = 5.77, R = 0.88). 반대로 ResNet 모델이 가장 낮은 성능을 보였다(MAE = 18.15, R = 0.09).

결론

본 연구에서는 다양한 CNN 기반 모델들의 성능 결과를 정량적으로 제시하였으며 추후 딥러닝 기반 뇌연령 예측 모델 개발을 위해 활용될 수 있을 것이다. T1 강조 MRI 데이터를 이용한 딥러닝 기반 뇌연령 예측 모델의 성능 평가를 통해 뇌연령 예측 모델의 정확도를 개선하고 신경퇴행성 질환 및 정신질환 환자의 가속 노화 예측력을 향상시킬 수 있을 것으로 기대한다.