For the last decade, deep neural networks known as “deep learning”, have demonstrated “super-human” performance in some complex areas such as computer vision including medical imaging, and autonomous driving, due to their large model capacity and effective feature extraction from “big data”. Depending on detailed design of neural network models, it is possible to extract salient features effectively, or “representation learning”, to predict the crucial factors with high reliability in the field of clinical medicine. In this thesis, to contribute to the conquest of brain diseases such as brain tumors and depression, which had limited improvement in treatment outcomes, we study representation learning of various brain diseases using various datasets with development and validation of an appropriate design of neural network models, to deal with effective feature extraction, prediction of important indicators, and analysis of saliency of extracted features.
지난 10여 년간 딥러닝으로 알려져 온 심층신경망은 거대한 모델과 빅데이터를 통한 효과적인 특징 추출로 인하여 컴퓨터 비젼, 자율주행기술, 나아가 의료영상 등 몇몇 분야에서는, 인간만이 할 수 있다고 생각해 온 복잡한 작업에 대해서 인간보다 뛰어난 성능을 보이는 기술들도 선보였다. 심층신경망을 구성하는 다양한 방법에 따라 다양한 형태의 데이터에서의 효과적인 특징 추출 또는 표상 학습이 가능하고, 이를 이용해 의학적으로 의미있는 지표의 신뢰도 높은 예측이 가능하다. 본 연구에서는 뇌종양, 우울증 등 그동안 치료성적 개선이 제한적이었던 여러 어려운 뇌질환 정복에 기여하기 위해 여러 데이터셋을 통한 뇌질환의 표상 학습에 대해 고찰하는데, 기본적으로 다양한 데이터셋에서 표상 학습을 위해 가장 적합한 형태의 심층신경망 모델을 개발 및 검증하여 효과적 특징 추출과 이를 통한 의학적 지표 예측, 그리고 추출된 특징 분석 등을 다루고자 한다.
