신경 질환 (Neurological disorders)은 뇌와 신경계의 다양한 병리학적 특성을 포함하고 있어, 조기 및 정확한 탐지가 필수적입니다. 신경 질환의 MRI 기반 분류를 위해 많은 심층 CNN (Convolutional Neural Networks)이 개발되었으나, 대부분은 이진 분류 (binary tasks) 작업에 최적화되어 있어 질환 간의 미세한 해부학적 차이를 구별하는 데 필요한 다중 클래스 (multi-class) 특징을 포착하는 데 실패하는 경우가 많습니다. 본 연구는 신경 질환의 다중 클래스 MRI 분류를 위한 향상된 신경 질환 탐지 네트워크 (Enhanced Neurological Disorder Detection Network, End-Net)를 제안합니다. End-Net은 24개의 합성곱 계층 (convolutional layers)을 포함하며, 합성곱 블록 (convolutional blocks)으로 시작하여 21개의 최적화된 인셉션 모듈 (inception modules)이 뒤따릅니다. 이 모듈들은 병렬적인 1 x 1, 3 x 3, 그리고 인수분해된 (factorized) 5 x 5 합성곱 분기 (convolutional branches)와 맥스 풀링 (max pooling)을 통해 다중 스케일 특징 (multiscale features)을 추출하여, 모델이 상호 보완적인 질감 (texture), 가장자리 (edge), 모양 (shape) 및 문맥 정보 (contextual information)를 포착할 수 있도록 합니다. 전역 평균 풀링 (global average pooling) 헤드, 컴팩트한 완전 연결 분류기 (fully connected classifier), 그리고 드롭아웃 (dropout)은 파라미터 수를 줄이고, 과적합 (overfitting)을 제한하며, 강건성 (robustness)을 향상시킵니다. End-Net은 알츠하이머병 (Alzheimer's disease), 뇌종양 (brain tumors), 다발성 경화증 (multiple sclerosis) 환자의 MRI 스캔과 건강한 대조군 (healthy controls)으로 구성된 다중 클래스 신경 질환 (Multi-Class Neurological Disorder) 데이터셋을 통해 평가되었습니다. 심각한 클래스 불균형 (class imbalance) 문제는 WGAN-GP를 통한 소수 클래스 증강 (augmenting)과 다수 클래스의 무작위 언더샘플링 (undersampling)을 통해 해결되었습니다. 결과에 따르면 End-Net은 정확도와 일반화 (generalization) 측면 모두에서 기존 아키텍처보다 뛰어난 성능을 보였습니다. 또한, 이 모델은 실시간 웹 기반 추론 (inference) 및 접근성을 위한 온라인 시스템에 통합되었습니다.