본 연구는 MRI 이미지로부터 뇌종양을 자동 분류하는 완전한 딥러닝 시스템을 제시합니다. 다섯 개의 ImageNet 사전 훈련 모델(VGG-16, Inception V3, ResNet-50, Inception-ResNet V2, Xception)과 자체 제작한 소형 CNN(131만 개의 파라미터)을 포함한 여섯 가지 벤치마킹된 아키텍처를 사용했습니다. 연구는 전처리, 학습 세트/프로토콜(AdamW 옵티마이저, CosineAnnealingLR, 조기 종료), 및 성능 평가 지표의 완전한 표준화를 통해 진행되었습니다. Grad-CAM 및 GradientShap 설명을 사용하여 해부학적으로 중요한 관심 영역을 파악하고 블랙박스 문제를 해결하여 높은 수준의 신뢰도를 확보했습니다. 특히, 96.49%의 테스트 정확도를 달성하고 Inception-ResNet V2보다 100배 작은(131만 파라미터) 소형 CNN을 개발하여 엣지 디바이스에서 실시간 추론(375ms)이 가능하게 했습니다. 또한, 정확도 외에도 IoU, Hausdorff 거리, 정밀도-재현율 곡선 및 혼동 행렬을 사용하여 종합적인 평가를 수행했습니다. Inception-ResNet V2는 99.53%의 테스트 정확도와 99.50% 이상의 정밀도, 재현율, F1-score를 달성하여 최고의 성능을 보였습니다. 자원 부족 환경에서 다중 GPU 인프라가 없는 장치에 적합한 경량 모델을 제시하여 진보된 의료 시스템과 저자원 환경에서의 성능 평가 및 배포를 위한 프레임워크를 구축했습니다.
