뇌종양 MRI 분류를 위한 딥러닝 모델 성능 비교와 Grad-CAM 기반 설명 가능성 분석 = Comparative Evaluation of Deep Learning Models for Brain Tumor MRI Classification with Grad-CAM-based Explainability

국문 초록 (Abstract)

본 연구는 뇌종양 MRI 영상에서 glioma, meningioma, pituitary tumor, no tumor의 네 가지 클래스를 분류하기 위해 여러 딥러닝 모델을 동일한 데이터 세트와 학습 조건 하에서 체계적으로 분석하였다. AlexNet, ResNet-18/50, EfficientNet-B0/B1/B2에 대해 입력 정규화와 해상도 정렬, 통일된 학습 스케줄을 적용하여 공정한 대조를 보장하였다. 성능은 정확도, 정밀도, 재현율, F1-score로 평가하고, 클래스 불균형에 대비해 매크로 평균을 병기하였다. 해석 가능성은 Grad-CAM으로 점검하여 모델의 주목 영역이 실제 병변과 일치하는지 확인하고, 정·오분류 대표 증례로 아키텍처별 주목 패턴을 비교하였다. 결과적으로 EfficientNet 계열은 전반적으로 높은 성능과 안정성을 보였으며, ResNet-50은 특정 클래스에서 상대적 우위를 보였다. Grad-CAM 분석에서는 정답인 경우 종양의 핵 또는 경계 부위로 주목이 집중된 반면, 오분류에서는 두개 내벽 인접부나 부종 등 비병변 구조에 주목이 분산되는 경향이 관찰되었다. 본 연구는 동일 조건 비교와 XAI 시각화 분석을 결합하여 성능과 해석 가능성을 함께 보고함으로써, 뇌종양 MRI 분류의 신뢰성 있는 임상 적용을 뒷받침한다. 또한 재현성 향상을 위해 데이터 분할, 전처리, 학습 하이퍼파라미터를 명확히 기술하여 향후 비교 연구의 기준선으로 활용 가능함을 제시한다.

다국어 초록 (Multilingual Abstract)

This research provides a balanced assessment of deep learning approaches used to categorize four types of brain tumors from MRI scans—glioma, meningioma, pituitary tumor, and the absence of tumor. AlexNet, ResNet-18/50, and EfficientNet-B0/B1/B2 were trained with identical preprocessing (normalization and resolution alignment) and a unified schedule to ensure fair comparison. Performance was evaluated with accuracy, precision, recall, and F1-score, with macro averages to address class imbalance. Interpretability was examined using Grad-CAM, assessing overlap between salient regions and tumor areas, and comparing attention patterns on representative correct and incorrect cases. Overall, EfficientNet models achieved strong, stable results, while ResNet-50 showed advantages for specific classes. Grad-CAM indicated focused attention on tumor cores or margins in correct predictions, whereas errors often reflected dispersion toward non-lesional structures such as dural-adjacent regions or edema. By coupling a controlled experimental setup with XAI-based visualization, this study reports performance and interpretability together and provides evidence for reliable clinical use of AI in brain tumor MRI.