클라우드 기반 의료 영상 분류 및 데이터 보호 통합 프레임워크 = Cloud-Based Medical Image Classification and Data Protection Integrated Framework

국문 초록 (Abstract)

본 연구는 X선, CT, MRI, PET, 초음파 등 다양한 의료 영상 기법이 제공하는 비침습적 시각화 정보를 기반으로, 임상의가 정상 및 비정상 해부학적 구조를 모니터링하고 암과 같은 중증 질환을 조기에 탐지할 수 있도록 지원하는 것을 목표로 하였다. 특히 의료 영상이 클라우드 환경에서 처리·저장·전송되는 실제 운영 조건을 전제로, 분류 정확도 향상과 데이터 기밀성 확보를 동시에 달성할 수 있는 클라우드 기반 의료 애플리케이션 적용 가능한 방법론을 제안하고 이를 실험적으로 검증하였다.
제안된 프레임워크는 전처리, 특징 변환, 분류, 최적화 및 보안 전송 단계가 유기적으로 결합된 구조로 설계되었다. 먼저 전처리 단계에서는 MBGF를 적용하여 영상의 구조적 세부 정보를 보존하면서 노이즈를 억제함으로써 병변 경계와 조직 대비를 안정적으로 유지하도록 하였다. 이후 Quadratic Phase Quaternion Domain Fourier Transform(QPQDFT)을 활용해 기존 주파수 영역 분석보다 더 풍부한 스펙트럼-공간 특징을 정교하게 추출하고, 방향성 및 위상 정보를 반영하여 병변의 형태적 차이와 미세 패턴을 일관되게 포착할 수 있도록 하였다. 분류 단계에서는 계단식 시각 게이트 제어 심층 전개 네트워크(CV-GC-DUN)를 적용하여 계층적 특징을 학습하고, 시각적 주의와 게이트 제어를 결합한 반복적 개선 구조를 통해 병변 위치 및 핵심 단서를 강조함으로써 분류 성능과 일반화 능력을 강화하였다. 또한 Black-Winged Kite Algorithm(BWKA)을 통합하여 가중치 공간을 메타휴리스틱 최적화 관점에서 탐색·정제함으로써 과적합 위험을 낮추고 성능 지표가 안정적으로 수렴하도록 유도하였다. 아울러 민감 의료 영상이 클라우드에서 유통되는 과정의 위험을 고려하여 경량 암호화 기법을 결합함으로써 기밀성과 접근성을 동시에 확보하고, 암호화로 인한 품질 저하와 전송 비효율을 최소화하는 방향으로 전체 파이프라인을 구성하였다.
실험은 뇌 MRI 및 폐 CT에 대한 대표 벤치마크 데이터셋을 기반으로 수행되었으며, 제안 방법의 우수성이 성능 비교를 통해 확인되었다. 뇌 MRI Dataset에서 제안 모델은 정확도 98.92%, 정밀도 98.89%, 특이도 98.95%, F1 점수 98.90%, 리콜 98.93%를 달성하여, CNN, DNN, MCNN, CNN-LSTM, VGG16-DNN 등 기존 비교 모델 대비 전반적인 지표에서 가장 높은 성능을 보였다. 이는 단순히 정확도만 개선된 것이 아니라, 임상적으로 중요한 지표인 특이도와 리콜이 동시에 높은 수준을 유지함으로써 오진 가능성을 낮추는 방향의 개선이 이루어졌음을 의미한다. LIDC-IDRI Dataset을 활용한 폐 CT 기반 실험에서도 제안 모델은 정확도 98.70%, 정밀도 98.30%, 특이도 98.50%, F1 점수 98.40%, 리콜 98.30%를 기록하여, 서로 다른 영상 모달리티와 병변 특성을 갖는 환경에서도 안정적인 성능을 유지함을 확인하였다. 이러한 결과는 제안 프레임워크가 특정 데이터나 단일 조건에 종속되지 않고 다중 의료 영상 환경에서 적용 가능성을 갖는다.
보안 클라우드 관점에서도 본 연구는 의료 영상의 안전한 전송 및 저장을 위한 암호화 과정을 파이프라인에 통합하면서, 운영 환경에서 핵심이 되는 지연 시간과 처리량을 함께 고려하였다. 실험적으로 PSNR 40 dB 수준의 재구성 품질을 유지하고 지연 시간 40 ms, 처리량 약 100 Mb/s를 확보함으로써, 데이터 보호를 강화하면서도 영상 품질과 전송 효율을 동시에 충족할 수 있음을 제시하였다. 이는 클라우드 기반 의료 시스템에서 민감 데이터가 이동·저장되는 과정에서도 진단 성능이 저하되지 않도록 설계된 본 구조의 실효성을 보여주는 근거이며, 실제 병원 운영에서 요구되는 신속성과 안정성을 함께 만족시킬 수 있다.
본 연구는 MBGF 기반 전처리로 영상 품질을 안정화하고, QPQDFT로 복합 특징을 정밀 추출하며, CV-GC-DUN과 BWKA 결합을 통해 분류 성능과 일반화 능력을 강화하는 동시에, 경량 암호화를 포함한 보안 클라우드 파이프라인으로 안전한 배포 및 전송까지 통합한 프레임워크를 제안하였다. 실험 결과 뇌종양 및 폐암 관련 분류에서 높은 정확도와 균형 잡힌 성능 지표를 달성했으며, 영상 품질과 전송 효율의 유지 또한 확인되었다. 이는 클라우드 기반 임상 환경에서 뇌종양과 폐암과 같은 중대한 질환을 보다 정확하고 효율적으로 진단할 수 있는 기술적 기반을 제공하며, 궁극적으로는 진단 이후 치료 의사결정의 속도와 질을 향상시키는 방향으로 기여할 수 있음을 보여준다.

목차 (Table of Contents)

• 그림 목차 ⅵ
• 표 목차 ⅶ
• 국문 초록 ⅷ
• 1. 서 론 1
• 가. 연구배경 및 필요성 1
• 나. 의료 영상 분류 기술 필요성 4
• 다. 클라우드 기반 의료 영상 저장을 위한 암호화 기술의 필요성 8
• 2. 관련 연구 10
• 가. 의료 영상 기반 분류 10
• 나. 의료 영상 기반 진단 및 분석 기법 13
• 1) 의료 영상 분석 기법 13
• 2) 의료 영상 전처리 및 특징 추출 기법 15
• 3) 의료 영상 분류 기법의 비교 20
• 다. 의료 영상 보안 및 프라이버시 보호 연구 23
• 라. 기존 연구의 한계점 분석 25
• 3. HoloMed Intelligence Grid 프레임워크 제안 모델 26
• 가. HoloMed Intelligence Grid 모델 설계 26
• 나. HoloMed Intelligence Grid 전체 프레임워크 구조 27
• 1) 전처리 Memory-Boosted Guidance Filtering(MBGF) 모듈 설계 28
• 2) Quadratic Phase Quaternion Domain Fourier Transform(QPQDFT) 특징 추출 모듈 설계 32
• 3) Cascaded Visual Gate Controlled Deep Unfolding Network(CV-GC-DUN) 모듈 설계 34
• 4) Black Winged Kite Algorithm(BWKA) 가중치 최적화 39
• 5) Bit-level Cipher-based Image Encryption Algorithm(BCIEA) 보안 알고리즘 43
• 다. 시뮬레이션 매개변수 및 구현 환경 48
• 4. 뇌 MRI 의료 영상 분류 실험 및 결과 분석 51
• 가. 데이터셋 구성 및 성능 분석 51
• 1) 데이터셋 구성 및 실험환경 51
• 2) 실험 결과 분석 52
• 나. 기존 모델과 제안모델 비교 분석 64
• 다. 통계적 적정성 검정 67
• 라. 절제 실험(Ablation Study) 69
• 5. 폐 CT 의료 영상 분류 실험 및 결과 분석 73
• 가. 데이터셋 구성 및 실험 환경 73
• 나. 성능 분석 결과 74
• 다. 기존 모델과 제안모델 비교 분석 80
• 6. 결론 및 향후 연구 85
• 가. 결론 85
• 나. 연구의 한계 및 향후 연구 방향 86
• 참고문헌 88
• Abstract(영문초록) 100
• 감사의 글 103