• 한국방사선학회논문지
• /
• 제17권6호
• /
• pp.929-937
• /
• 2023

3D 프린터를 이용하여 제작되는 인체 등가 팬텀은 기존의 인체 팬텀에 비해 저렴하고 단시간에 제작이 가능하다. 다만, 3D 프린터 출력 설정 변수 중 하나인 내부채움(Infill Density)을 100 % 미만으로 하여 제작되는 팬텀이 다수이다. 따라서 본 연구는 3D 프린터를 이용하여 제작된 다섯 개의 Infill 비율을 달리한 Bone 팬텀의 CT number를 실제 인체 Bone의 CT number와 비교하였다. 또한, Infill 100 %의 팔굽 관절 팬텀을 제작하여 컴퓨터 단층촬영(CT)에서 각 조직 별 CT number 비교를 통해 Infill을 100 %로 설정하여 제작된 팬텀에 대한 유용성을 평가하였다. 그 결과 Infill 100 %로 출력한 Bone 팬텀이 실제 인체 Bone의 CT number 값과 가장 통계적으로 유의한 차이를 보이지 않았고, Infill 100 %로 제작된 팔굽 관절 팬텀 역시 각 조직의 CT number는 실제 인체 팔굽 관절의 각 조직의 CT number 값과 통계적으로 유의한 차이를 보이지 않았다.

• 대한영상의학회지
• /
• 제84권5호
• /
• pp.1123-1133
• /
• 2023

목적 만성폐쇄성폐질환의 CT에서 자동 정량 측정된 체성분과 폐기능 또는 정량적 변수들 사이의 연관성을 알아보고자 하였다. 대상과 방법 총 290명의 만성폐쇄성폐질환 환자를 대상으로 연구하였다. 흉부 CT에서 근육 및 피하지방 부피, T12 레벨에서 근육 및 피하지방 면적 및 골 감쇠를 딥러닝 기반 분할 알고리즘을 사용하여 획득하였다. Parametric response mapping-derived emphysema (이하 PRM^emph), PRM-derived functional small airway disease (이하 PRM^fSAD) 및 기도 벽 두께(airway wall thickness; 이하 AWT)-Pi10을 정량적으로 평가하였다. Pearson 상관 분석을 사용하여 체성분과 결과 간의 연관성을 평가하였다. 결과 근육과 피하지방의 부피와 면적은 PRM^emph와 PRM^fSAD와 음의 상관관계를 보였다(p < 0.05). T12에서의 골밀도는 PRM^emph와 음의 상관관계를 보였다(r = -0.1828, p = 0.002). 피하지방의 부피와 면적과 T12에서의 골밀도는 AWT-Pi10과 양의 상관관계를 보였다(r = 0.1287, p = 0.030; r = 0.1668, p = 0.005; r = 0.1279, p = 0.031). 반면에 근육 부피는 AWT-Pi10과 음의 상관관계를 보였다(r = -0.1966, p = 0.001). 근육 부피는 폐기능과 의미 있는 연과성을 보였다(p < 0.001). 결론 흉부 CT에서 정량적으로 평가된 체성분은 만성폐쇄성폐질환의 표현형 또는 중증도와 연관성을 보인다.

• 대한원격탐사학회지
• /
• 제38권3호
• /
• pp.265-282
• /
• 2022

해수면 온도(Sea surface temperature, SST)는 지구시스템에서 해양의 순환과 생태계에 큰 영향을 주는 요소이다. 지구온난화로 한반도 근해 해수면 온도에 변화가 생기면서 이상 수온(고수온, 저수온) 현상이 발생하여 해양생태계와 수산업 피해를 지속적으로 발생시키고 있다. 따라서 본 연구는 한반도 근해 해수면 온도를 예측하여 이상 수온 현상 예측으로 피해를 예방하는 방법론을 제안한다. 연구 지역은 한반도 근해로 설정하여 동시간대 해수면 온도 데이터를 사용하기 위해 Europe Centre for Medium-Range Weather Forecasts (ECMWF)의 ERA5 자료를 사용하였다. 연구방법으로는 해수면 온도 데이터의 시계열 특징을 고려하여 딥러닝 모델 중 시계열 데이터 예측에 특화된 Long Short-Term Memory (LSTM) 알고리즘을 이용하였다. 예측 모델은 1~7일 이후 한반도 근해 해수면 온도를 예측하고 고수온(High water temperature, HWT) 혹은 저수온(Low water temperature, LWT) 현상을 예측한다. 해수면 온도 예측 정확도 평가를 위해 결정계수(Coefficient of determination, R²), 평균제곱근 편차(Root Mean Squared Error, RMSE), 평균 절대 백분율 오차(Mean Absolute Percentage Error, MAPE) 지표를 사용하였다. 예측 모델의 여름철(JAS) 1일 예측 결과는 R²=0.996, RMSE=0.119℃, MAPE=0.352% 이고, 겨울철(JFM) 1일 예측 결과는 R²=0.999, RMSE=0.063℃, MAPE=0.646% 이었다. 예측한 해수면 온도를 이용하여 이상 수온 예측 정확도 평가를 F1 Score로 수행하였다(여름철(2021/08/05) 고수온 예측 결과 F1 Score=0.98, 겨울철(2021/02/19) 저수온 예측 결과 F1 Score=1.0). 예측 기간이 증가하면서 예측 모델이 해수면 온도를 과소추정하는 경향을 보여주었고, 이로 인해 이상 수온 예측 정확도 또한 낮아졌다. 따라서, 향후 예측 모델의 과소추정 원인을 분석하고 예측 정확도 향상을 위한 연구가 필요할 것으로 판단된다.

• 벤처창업연구
• /
• 제17권4호
• /
• pp.57-71
• /
• 2022

본 연구는 지역 청년창업생태계 조성을 위해 지역내 청년의 청년창업 지원에 대한 인식 및 요구를 분석하여 대학의 지원방안을 탐색하는 것을 목적으로 하였다. 이를 위해 서울시에 거주하는 청년 509명을 대상으로 청년창업에 대한 지역내 청년의 인식과 요구, 대학지원에 대한 요구를 분석하였다. 연구결과, 첫째, 청년창업에 대한 지역내 청년의 인식을 분석한 결과, 대학의 지역 연계 프로그램 요구로는 '청년창업 프로그램'이 가장 높게 분석되었으며, 지역내 청년창업에 대한 이미지는 '도전적인', '변화하는 시대에 잘 맞는' 이라는 이미지가 높게 인식되었다. 둘째, 지역내 청년창업 지원에 대한 청년의 요구를 분석한 결과, '멘토링', '창업교육', '창업공간 조성' 순으로 나타났으며 연령별로 상이한 요구를 보였다. 셋째, 지역 청년창업생태계 조성을 위한 대학지원 요구를 분석한 결과, 지역내 청년창업 지원 참여기관 선택기준, 지역내 청년창업 지원 참여기간, 지역내 청년창업 지원 방법에 대한 요구가 도출되었다. 이러한 이상의 연구결과를 종합하여 지역 청년창업생태계 조성을 위한 대학의 지원에 대한 시사점 및 제안사항은 다음과 같다. 첫째, 대학 인프라와 지역 상생에 초점을 둔 지속가능 상생 멘토링 프로그램의 개발 및 운영이 필요하다. 둘째, 예비 청년창업가의 요구분석에 기반하여 단계별 체계적인 마이크로 러닝(Micro-Learning) 콘텐츠의 개발 및 활용이 필요하다. 셋째, 대학내 지역주민 개방형 청년창업 거점공간을 구성하고, 대학내외 창업 과정과의 연계가 필요하다. 본 연구의 결과는 지역 청년창업생태계 조성을 위한 청년창업 지원 정책의 방향 설정과 대학에서의 청년창업 지원전략 수립 및 운영의 기초 자료로써 활용될 것으로 기대된다.

• 한국농림기상학회지
• /
• 제21권1호
• /
• pp.29-41
• /
• 2019

산림생태계에서 총일차생산성(Gross Primary Production, GPP)은 기후변화에 따른 산림의 생산성과 그에 영향을 미치는 식물계절, 건강성, 탄소 순환 등을 대표하는 지표이다. 총일차생산성을 추정하기 위해서는 에디공분산 타워 자료나 위성영상관측자료를 이용하기도 하고 물리지형적 한계나 기후변화 등을 고려하기 위해 기작기반모델링을 활용하기도 한다. 그러나 총일차생산성을 포함한 산림 탄소 순환의 기작기반 모델링은 식물의 생물, 생리, 화학적 기작들의 반응과 지형, 기후 및 시간 등과 같은 환경 조건들이 복잡하게 얽혀 있어 비선형적이고 유연성이 떨어져 반응에 영향을 주는 조건들을 모두 적용하기가 어렵다. 본 연구에서는 산림 생산성 추정 모델을 에디공분산 자료와 인공위성영상 정보를 사용하여 기계학습 알고리즘을 사용한 모델들로 구축해 보고 그 사용 및 확장 가능성을 검토해 보고자 하였다. 설명변수들로는 에디공분산자료와 인공위성자료에서 나온 대기기상인자들을 사용하였고 검증자료로 에디공분산 타워에서 관측된 총일차생산성을 사용하였다. 산림생산성 추정 모델은 1) 에디공분산 관측 기온($T_{air}$), 태양복사($R_d$), 상대습도(RH), 강수(PPT), 증발산(ET) 자료, 2) MODIS 관측 기온(T), 일사량($R_{sd}$), VPD 자료(개량식생지수 제외), 3) MODIS 관측 기온(T), 일사량($R_{sd}$), VPD, 개량식생지수(EVI) 자료를 사용하는 세 가지 경우로 나누어 구축하여 2006 - 2013년 자료로 훈련시키고 2014, 2015년 자료로 검증하였다. 기계학습 알고리즘은 support vector machine (SVM), random forest (RF), artificial neural network (ANN)를 사용하였고 단순 비교를 위해 고전적 방법인 multiple linear regression model (LM)을 사용하였다. 그 결과, 에디공분산 입력자료로 훈련시킨 모델의 예측력은 피어슨 상관계수 0.89 - 0.92 (MSE = 1.24 - 1.62), MODIS 입력자료로 훈련시킨 모델의 예측력은 개량식생지수 제외된 모델은 0.82 - 0.86 (MSE = 1.99 - 2.45), 개량식생지수가 포함된 모델은 0.92 - 0.93(MSE = 1.00 - 1.24)을 보였다. 이러한 결과는 산림총일차생산성 추정 모델 구축에 있어 MODIS인공위성 영상 정보 기반으로 기계학습 알고리즘을 사용하는 것에 대한 높은 활용가능성을 보여주었다.