• 제목/요약/키워드: Acc

검색결과 1,213건 처리시간 0.022초

관상동맥 우회술 292례의 중기 성적 (Mid-Term Results of 292 cases of Coronary Artery Bypass Grafting)

  • 김태윤;김응중;이원용;지현근;신윤철;김건일
    • Journal of Chest Surgery
    • /
    • 제35권9호
    • /
    • pp.643-652
    • /
    • 2002
  • 국내에서도 관상동맥 질환과 관상동맥 우회술이 증가하고 수술성적은 점차 나아지고 있으나 중장기 성적에 대한 보고는 미흡하다. 이에 저자들은 본원에서 관상동맥 우회술을 시행받은 292례의 조기 성적과 중장기 성적에 관하여 알아보았다. 대상 및 방법: 1994년 6월부터 2001년 12월까지 292례에서 관상동맥 우회술을 시행하였다. 남자는 173례, 여자는 119례였고 연령은 39세에서 84세까지로 평균 $61.8{\pm}9.1$세였다. 모든 환자에서 술전 위험인자, 수술방법 및 결과에 대해 분석하였으며 수술후 퇴원한 환자에 대해서는 외래 추적검사를 통하여 증상의 재발과 만기 합병증 그리고 만기 사망에 대해 조사하였다. 결과: 술전 임상진단으로 불안정형 협심증이 137례(46.9%), 안정형 협심증이 34례(11.6%), 급성 심근경색이 40례(13.7%),Q-wave가 나타나지 않는 심근경색이 25례(8.6%), 심근경색 후 협심증이 22례(7.5%), 심인성 쇽이 30례(10.3%), 경피적 관상동맥 풍선 확장술 실패가 4례(1.4%)였다. 술전 관상동맥 조영술상 삼혈관 질환이 157례(53.8%), 이혈관 질환이 35례(12.0%), 단일혈관 질환이 11례(3.8%), 좌주관상동맥 질환이 89례(30.5%)였다. 수술시 원위부 문합은 대복재정맥이 630례, 내흉동맥이 257례, 요골동맥이 50례, 우측 위대망막동맥이 2례였으며 환자당 평균 원위부 문합수는 $3.2{\pm}1.0$개였다. 18례에서 관상동맥 우회술 외에 인공판막 치환술 8례(2.7%), 좌주관상동맥 성형술 6례(2.1%), 심근경색후 심실중격결손의 첩포 봉합 2례(0.7%), 상행대동맥의 인조혈관 치환술 1례 (0.3%), 관상동맥 내막절제술 I례(0.3%)와 같은 동반술식이 행해졌다. 대동맥 차단 시간은 평균 $96.6{\pm}35.3$분 이었고, 심폐관류 시간은 평균 179.2${\pm}$94.6분이었다. 전체 조기 사망률은 8.6%이었으나 선택적 수술에서의 사망률은 3.1%였으며 가장 흔한 사망 원인은 6례(2.1%)에서 나타난 저심박출증이었다. 조기 사망에 영향을 미치는 요소는 고혈압, 70세 이상의 고령, 좌심실 박출계수 40% 미만의 좌심실기능 저하, 울혈성 심부전, 술전 대동맥내 풍선펌프, 응급 수술, 만성 신부전이었다. 생존한 환자 269례중 241례에서 추적관찰을 시행하였으며 평균 추적관찰 기간은 39.0127.0개월이었다. 만기 사망이 7례(2.9%)에서 있었으며 이중 4례가 심장질환으로 인한 사망이었고, 증상의 재발이 14례(5.8%)에서 발생하였다. 증상이 재발한 환자 14례중 13례에서 관상동맥 조영술을 시행하였으며 이에 준하여 재관상동맥 우회술, 관상동맥 중재술과 약물요법을 시행했고 1례를 제외한 12례에서 이후 증상의 재발은 없었다. 결론: 관상동맥 우회술후 조기 성적뿐 아니라 만기 사망과 증상의 재발 등에 관하여 지속적으로 추적관찰을 하여 비교적 만족할만한 성적을 얻었으나 성적을 향상시키기 위해서는 수술수기의 향상뿐 아니라 수술후 관리와 외래 추적관찰 등에 대한 적극적인 관심도 필요할 것으로 생각된다.

감염성 승모판 심내막염의 중단기 수술 성적 (Early and Mid-term Results of Operation for Infective Endocarditis on Mitral Valve)

  • 안병희;전준경;유웅;류상완;최용선;김병표;홍성범;범민선;나국주;박종춘;김상형
    • Journal of Chest Surgery
    • /
    • 제37권1호
    • /
    • pp.27-34
    • /
    • 2004
  • 배경: 감염성 심내막염은 다른 심장질환에 비해 유병률과 사망률이 높고, 대부분의 임상연구가 대동맥판에 발생한 심내막염에 편중되어 있어, 승모판 심내막염에 대한 보고는 상대적으로 드문데 이에 대한 임상양상 및 수술 결과를 분석하여 보고하고자 한다. 대상 및 방법: 1995년 6월부터 2003년 5월까지 전남대학교병원에서 감염성 승모판 심내막염으로 단일 술자에 의해서 외과적 치료를 받았던 23 예을 대상으로 하였다. 2예는 인공판막 심내막염이었고 나머지 21예는 자가판막 심내막염이었다. 환자의 평균 연령은 44.8$\pm$15.7 (11∼66)세였고 연령분포에는 큰 차이가 없었다. 17예에서는 혈역학적 불안정이나 거대 우종으로 응급수술을 시행하였다. 수술 전 12예에서 울혈성 심부전, 4예에서 신부전, 2예에서 비장 및 신장경색, 2예에서 일시적 뇌손상, 1예에서 뇌농양 소견을 보였다. NYHA 기능 분류상 Grade II가 7예, Grade III가 9예, Grade IV가 6예이었다. 술 전 심초음파상 승모판 역류우세가 19예, 협착우세가 4예이었으며, 우종은 20예(86.9%)에서 관찰되었다. 혈액배양 검사상 10예(43.4%)에서 원인균이 동종되었는데 Streptococcus viridans 5예, methicillin sensitive Staphylococcus aureus 2예, 그리고 Corynebacterium, Haemophillis, Gernella 각각 1예씩 이었다. 수술 적응증은 ACC/AHA 지침에 근거하였으며, 평균 외래 추적관찰기간은 27.6$\pm$23.3 (1∼97)개월이었다. 결과: 13예에서 승모판치환술을 시행하였는데 9예에서 기계판막을 사용하였고 4예에서 조직판막을 사용하였다. 10예에서 다양한 수기의 승모판성형술을 시행하였다. 동반수기로는 6예에서 대동맥판 치환술, 2예에서 삼첨판 성형술, 1예에서 변형된 미로수술, 1예에서 심실중격결손 낙합술을 시행하였다. 술 후 합병증으로는 출혈에 의한 재수술 2예, 종격동염 1예, 저심박출증 1예, 페렴 1예가 있었다. 술 후 30일 이내의 조기사망이나 병원 내 사망 및 판막 연관성 합병증은 없었다. 1예의 환자가 수술 3개월 후 다시 판막성형술을 받았고, 술 전 우종 전색에 의한 뇌경색을 보인 1예의 환자가 술 후 31개월에 뇌출혈로 사망하여 만기 전 체판막 연관성 사망률은 4.3%, 판막연관성 합병증은 8.6%였다. 1, 3, 5년 valve-related event free rate는 90.8%, 79.5%, 79.5%이었고 1, 3, 5년 생존율은 100%, 88.8%, 88.8% 이었다. 결론: 승모판 심내막염의 외과적 치료 시에는 감염된 조직의 완전 절제가 중요하며, 감염된 조직을 완전히 제거하면 대체물이나 수술 기법상의 차이가 결과에 미치는 영향은 크지 않을 것으로 판단되고, 술 전에 감염이나 우종 전색에 의한 뇌손상이 의심되는 환자에서는 술 후 추적관찰 중에도 뇌혈관 손상 가능성에 대해 주의 깊게 관찰하여야 할 것으로 생각된다.

전이학습 기반 다중 컨볼류션 신경망 레이어의 활성화 특징과 주성분 분석을 이용한 이미지 분류 방법 (Transfer Learning using Multiple ConvNet Layers Activation Features with Principal Component Analysis for Image Classification)

  • 바트후 ?바자브;주마벡 알리하노브;팡양;고승현;조근식
    • 지능정보연구
    • /
    • 제24권1호
    • /
    • pp.205-225
    • /
    • 2018
  • Convolutional Neural Network (ConvNet)은 시각적 특징의 계층 구조를 분석하고 학습할 수 있는 대표적인 심층 신경망이다. 첫 번째 신경망 모델인 Neocognitron은 80 년대에 처음 소개되었다. 당시 신경망은 대규모 데이터 집합과 계산 능력이 부족하여 학계와 산업계에서 널리 사용되지 않았다. 그러나 2012년 Krizhevsky는 ImageNet ILSVRC (Large Scale Visual Recognition Challenge) 에서 심층 신경망을 사용하여 시각적 인식 문제를 획기적으로 해결하였고 그로 인해 신경망에 대한 사람들의 관심을 다시 불러 일으켰다. 이미지넷 첼린지에서 제공하는 다양한 이미지 데이터와 병렬 컴퓨팅 하드웨어 (GPU)의 발전이 Krizhevsky의 승리의 주요 요인이었다. 그러므로 최근의 딥 컨볼루션 신경망의 성공을 병렬계산을 위한 GPU의 출현과 더불어 ImageNet과 같은 대규모 이미지 데이터의 가용성으로 정의 할 수 있다. 그러나 이러한 요소는 많은 도메인에서 병목 현상이 될 수 있다. 대부분의 도메인에서 ConvNet을 교육하기 위해 대규모 데이터를 수집하려면 많은 노력이 필요하다. 대규모 데이터를 보유하고 있어도 처음부터 ConvNet을 교육하려면 많은 자원과 시간이 소요된다. 이와 같은 문제점은 전이 학습을 사용하면 해결할 수 있다. 전이 학습은 지식을 원본 도메인에서 새 도메인으로 전이하는 방법이다. 전이학습에는 주요한 두 가지 케이스가 있다. 첫 번째는 고정된 특징점 추출기로서의 ConvNet이고, 두번째는 새 데이터에서 ConvNet을 fine-tuning 하는 것이다. 첫 번째 경우, 사전 훈련 된 ConvNet (예: ImageNet)을 사용하여 ConvNet을 통해 이미지의 피드포워드 활성화를 계산하고 특정 레이어에서 활성화 특징점을 추출한다. 두 번째 경우에는 새 데이터에서 ConvNet 분류기를 교체하고 재교육을 한 후에 사전 훈련된 네트워크의 가중치를 백프로퍼게이션으로 fine-tuning 한다. 이 논문에서는 고정된 특징점 추출기를 여러 개의 ConvNet 레이어를 사용하는 것에 중점을 두었다. 그러나 여러 ConvNet 레이어에서 직접 추출된 차원적 복잡성을 가진 특징점을 적용하는 것은 여전히 어려운 문제이다. 우리는 여러 ConvNet 레이어에서 추출한 특징점이 이미지의 다른 특성을 처리한다는 것을 발견했다. 즉, 여러 ConvNet 레이어의 최적의 조합을 찾으면 더 나은 특징점을 얻을 수 있다. 위의 발견을 토대로 이 논문에서는 단일 ConvNet 계층의 특징점 대신에 전이 학습을 위해 여러 ConvNet 계층의 특징점을 사용하도록 제안한다. 본 논문에서 제안하는 방법은 크게 세단계로 이루어져 있다. 먼저 이미지 데이터셋의 이미지를 ConvNet의 입력으로 넣으면 해당 이미지가 사전 훈련된 AlexNet으로 피드포워드 되고 3개의 fully-connected 레이어의 활성화 틀징점이 추출된다. 둘째, 3개의 ConvNet 레이어의 활성화 특징점을 연결하여 여러 개의 ConvNet 레이어의 특징점을 얻는다. 레이어의 활성화 특징점을 연결을 하는 이유는 더 많은 이미지 정보를 얻기 위해서이다. 동일한 이미지를 사용한 3개의 fully-connected 레이어의 특징점이 연결되면 결과 이미지의 특징점의 차원은 4096 + 4096 + 1000이 된다. 그러나 여러 ConvNet 레이어에서 추출 된 특징점은 동일한 ConvNet에서 추출되므로 특징점이 중복되거나 노이즈를 갖는다. 따라서 세 번째 단계로 PCA (Principal Component Analysis)를 사용하여 교육 단계 전에 주요 특징점을 선택한다. 뚜렷한 특징이 얻어지면, 분류기는 이미지를 보다 정확하게 분류 할 수 있고, 전이 학습의 성능을 향상시킬 수 있다. 제안된 방법을 평가하기 위해 특징점 선택 및 차원축소를 위해 PCA를 사용하여 여러 ConvNet 레이어의 특징점과 단일 ConvNet 레이어의 특징점을 비교하고 3개의 표준 데이터 (Caltech-256, VOC07 및 SUN397)로 실험을 수행했다. 실험결과 제안된 방법은 Caltech-256 데이터의 FC7 레이어로 73.9 %의 정확도를 얻었을 때와 비교하여 75.6 %의 정확도를 보였고 VOC07 데이터의 FC8 레이어로 얻은 69.2 %의 정확도와 비교하여 73.1 %의 정확도를 보였으며 SUN397 데이터의 FC7 레이어로 48.7%의 정확도를 얻었을 때와 비교하여 52.2%의 정확도를 보였다. 본 논문에 제안된 방법은 Caltech-256, VOC07 및 SUN397 데이터에서 각각 기존에 제안된 방법과 비교하여 2.8 %, 2.1 % 및 3.1 %의 성능 향상을 보였다.