• 한국의학물리학회지:의학물리
• /
• 제24권2호
• /
• pp.108-118
• /
• 2013

동맥스핀표지(Arterial Spin Labeling: ASL) 뇌 관류 자기공명영상법을 이용한 뇌 관류영상기술이 일반적으로 환자의 질병진단에 일반적으로 사용하기 어려운 이유는 영상을 얻을 때 여러 인자들을 최적화시켜야만 좋은 질의 영상을 얻을 수 있기 때문으로 생각된다. 따라서, 본 논문의 목적은 동맥스핀표지 자기공명영상의 뇌 관류영상을 최적화 하기 위하여 필요한 여러 인자들의 변화에 따른 동맥스핀표지 신호변화를 3.0 테슬라 자기공명영상에서 관찰하는 것이다. 특히, 동맥시 핀표지 자기공명영상 신호 변화가 이들 인자에서 뇌 세포(brain tissues)의 영역에 따라서 어떻게 변화하는가를 평가하였다. 정상 성인 남성 5명을(평균연령 36세; 29세~41세) 대상에서 STAR (Signal Targeting with Alternating Radiofrequency) 동맥스핀표지 방법을 이용하여 3T 자기공명영상에서 영상을 얻었다. 실험은 첫째 영상획득 영역과 라벨링 영역간의 간격 변화에 따른 신호 변화 평가 실험, 둘째 라벨링 후의 시간 변화에 따른 신호 변화 평가 실험, 셋째 라벨링 두께의 변화에 따른 신호 변화 평가 실험, 넷째 슬라이스 획득 순서에 따른 신호 변화 평가실험을 하였다. 획득한 영상의 분석은 회백질과 백질, 전두엽, 측두엽, 후두엽, 두정엽에서의 관류신호변화를 얻어 분석하였다. 본 연구결과는 아래와 같았다: 1) 영상획득 영역과 라벨링 영역간의 간격 변화에 따른 관류 신호 변화 연구결과 전체 절편의 평균 값을 보면 회백질에서 좌측과 우측 모두에서 라벨링 간격이 증가할수록 신호가 낮아지는 경향을 보이고 있다. 라벨링 간격의 변화에 두정엽이 가장 영향을 적게 받고 후두엽이 가장 많은 영향을 받았다. 2) 라벨링 후의 시간 변화에 따른 관류 신호 변화 연구결과 회백질은 라벨링 지연시간 400 ms까지 양쪽 모두 감소하다가 라벨링 지연시간이 1,000 ms까지 증가하였다. 3) 라벨링 두께의 변화에 따른 관류 신호 변화 연구 결과 라벨링 두께가 증가에 따라 회백질과 백질의 신호강도는 점차적으로 증가하다가 120 mm 두께 이후에는 감소하였다. 4) 절편 획득 순서에 따른 관류 신호 변화 연구 결과 절편 획득 순서에 따른 백질과 회백질의 관류신호강도 값은 회백질과 백질 모두 머리의 꼭대기부터 영상을 획득하는 descend에서 신호강도가 높았다. 본 연구에서는 각 실험 조건에 따라서 관류신호 강도가 크게 변화를 하는 것을 보여 주었고, 따라서 실제 환자를 대상으로 관류 영상을 얻고자 할 경우에는 실제 임상 적용 전에 최적화된 프로토콜을 만든 후에 사용을 해야 할 것으로 생각한다. 특히 백질의 뇌 관류영상을 얻는 것은 아직 문제가 있는 것으로 생각이 된다.

• 융합신호처리학회 학술대회논문집
• /
• 한국신호처리시스템학회 2000년도 하계종합학술대회논문집
• /
• pp.261-264
• /
• 2000

본 논문에서는 이동 통신용 단말기에 주로 사용되는 RF-chip inductor의 자동 외관검사를 위한 시스템 개발에 필요한 알고리즘을 제안하였다. 본 논문에서 제안한 방법은 영상취득 후 처리과정에서 동적 이진화 방법, 가산투영 등 영상처리에 관련된 방법을 이용해 코일 부분과 코어부분을 분리한 후 세선화 방법, 라벨링 방법 등을 적용하여 분리된 코일부분에 대해 코일의 감긴 회수와 피치간격의 불균일 검사를 수행하고 기준값 이상의 오차를 갖는 소자를 불량으로 처리하는 보다 개선된 처리방법을 제안하였으며 모의실험을 통해 성능을 검증하였다.

• 융합신호처리학회논문지
• /
• 제1권1호
• /
• pp.89-96
• /
• 2000

본 논문에서는 이동 통신용 단말기에 주로 사용되는 RF-chip inductor의 자동 외관검사를 위한 시스템에 필요한 알고리즘을 제안하였다 제안한 방법은 취득한 영상에 국부적응 이진화 방법, 가산투영 기법을 적용하여 코일 부분과 코어 부분을 분리한다. 분리된 코일부분에 세선화(thinning) 방법, 체인코드(chain-code) 방법, 라벨링(labeling) 방법 등을 적용하여 코일성분을 추출하여 코일의 길이, 연결성, 코일의 turn수 그리고 피치간격에 의한 불균일 검사를 수행하여 소자의 불량 유무를 검사한다. 제안한 방법의 성능을 시험하기 위해 여러 가지 부품에 대한 모의실험을 통해 제안된 알고리즘의 성능을 검증하였다.

• 한국음향학회지
• /
• 제42권6호
• /
• pp.603-616
• /
• 2023

본 연구는 주파수 및 시간 특성을 활용하여 머신러닝 기반 공동주택 주거소음의 군집화 및 분류를 진행하였다. 먼저, 공동주택 주거소음의 군집화 및 분류를 진행하기 위하여 주거소음원 데이터셋을 구축하였다. 주거소음원 데이터셋은 바닥충격음, 공기전달음, 급배수 및 설비소음, 환경소음, 공사장 소음으로 구성되었다. 각 음원의 주파수 특성은 1/1과 1/3 옥타브 밴드별 L_eq와 L_max값을 도출하였으며, 시간적 특성은 5 s 동안의 6 ms 간격의 음압레벨 분석을 통해 L_eq값을 도출하였다. 공동주택 주거소음원의 군집화는 K-Means clustering을 통해 진행하였다. K-Means의 k의 개수는 실루엣 계수와 엘보우 방법을 통해 결정하였다. 주파수 특성을 통한 주거소음원 군집화는 모든 평가지수에서 3개로 군집되었다. 주파수 특성 기준으로 분류된 각 군집별 시간적 특성을 통한 주거소음원 군집화는 L_eq평가지수의 경우 9개, L_max 경우는 11개로 군집되었다. 주파수 특성을 통해 군집된 각 군집은 타 주파수 대역 대비 저주파 대역의 음에너지의 비율 또한 조사되었다. 이후, 군집화 결과를 활용하기 위한 방안으로 세 종류의 머신러닝 방법을 이용해 주거소음을 분류하였다. 주거소음 분류 결과, 1/3 옥타브 밴드의 L_eq값으로 라벨링된 데이터에서 가장 높은 정확도와 f1-score가 나타났다. 또한, 주파수 및 시간적 특성을 모두 사용하여 인공신경망(Artificial Neural Network, ANN) 모델로 주거소음원을 분류했을 때 93 %의 정확도와 92 %의 f1-score로 가장 높게 나타났다.