• 한국방사선학회논문지
• /
• 제17권3호
• /
• pp.359-365
• /
• 2023

높은 초당 프레임 속도와 낮은 영상지연을 갖는 동영상 엑스레이 디텍터의 요구조건을 만족하기 위해서는 픽셀내 포토다이오드와 금속 배선간 중첩 영역의 기생정전용량을 최소화하여야 한다. 본 연구에서는 리드아웃 박막트랜지스터, 리셋 박막트랜지스터, 그리고 포토다이오드로 픽셀이 구성된 듀오픽스^TM(duoPIX^TM) 동영상 엑스레이 영상센서를 처음으로 제시하였다. 이후 150 × 150 mm² 영상영역, 73 ㎛ 픽셀 크기, 2048 × 2048 해상도(4.2 M pixels), 최대 초당 50 프레임의 특성을 갖는 duoPIX^TM 동영상 엑스레이 디텍터를 제작하여 초당 프레임 속도, 감도, 노이즈, MTF, 영상지연과 같은 엑스레이 영상 성능을 기존 엑스레이 영상센서를 적용한 동영상 엑스레이 디텍터와 비교 평가하였다. 평가 결과 이전 연구에서 기대했던 것과 같이 duoPIX^TM 동영상 엑스레이 디텍터가 기존 동영상 엑스레이 디텍터 대비 모든 특성에서 우위의 성능을 보여 주었다.

• 한국ITS학회 논문지
• /
• 제21권1호
• /
• pp.240-257
• /
• 2022

자율주행 차량은 레이더, 라이다 카메라 등 다양한 로컬 센서들을 활용하여 주변 환경을 인지하고 판단하여 주행한다. 하지만 로컬 센서만을 활용하여 주행할 경우 인지 범위 한계로 장애물에 가려진 보행자나 자전거와 같은 VRU(Vulnerable Road User, 취약 도로 사용자)의 거동 정보를 예측하기 어렵다. 본 논문에서는 이러한 로컬 센서의 한계를 극복하기 위해 V2X 통신 정보를 활용한 VRU 충돌 회피 알고리즘을 개발하였다. 알고리즘은 인프라로부터 충돌 위험이 있는 VRU의 정보를 전달 받아 미래 거동을 예측하고 주변 환경에 따라 적절하게 조향 및 제동 회피를 수행하도록 설계하였다. 개발된 알고리즘을 검증하기 위하여 다양한 조건의 시나리오에서 시뮬레이션을 수행하였으며, 그 결과, 기존 로컬 센서 정보만을 활용하였을 때보다 개선된 충돌 회피 성능을 보일 뿐만 아니라, 차량의 안정성 또한 확보할 수 있음을 확인하였다.

• 대한방사선치료학회지
• /
• 제21권2호
• /
• pp.83-88
• /
• 2009

목 적: 온 보드영상(OBI)장치를 이용한 콘빔CT는 환자 치료 중 실시간으로 전산화모의치료 영상과 비교하여 환자의 자세 및 표적용적의 움직임과 셋업오차를 확인 할 수 있다. IMRT 시 콘빔CT를 이용해 환자의 자세 및 표적용적의 변화와 움직임을 확인하여 치료계획과의 오차정도를 산출하고, Automatic Match System을 이용하여 위치 보정을 한 후 전자포털영상 장치를 통하여 위치보정의 정확성을 검증하고, IMRT에서 콘빔CT의 유용성과 Automatic Match System의 정확성에 대하여 알아보고 자 한다. 대상 및 방법: 본원에서 치료받은 IMRT 환자 중 두 경부 치료환자 3명, 골반부 치료환자 1명을 대상으로 치료 자세의 변동과 그에 따른 조사용적의 위치변동을 알아보기 위해 선형가속기에 장착된 온 보드 영상 장치를 이용해 콘빔 CT를 촬영하였다. IMRT 전 매 치료 시 마다 콘빔CT를 촬영하여 전산화단층모의치료 영상과 비교하여 좌표별로 치료계획과의 오차값을 확인하고 3D/3D Match의 Automatic Match System을 통하여 치료계획과 일치하도록 이동 보정한 후 전자포털영상 장치를 이용하여 검증, 평가하였다. 결 과: 치료 전 콘빔 CT와 전산화단층모의치료 영상 비교 시 두 경부에서 좌표별 평균오차는 Vertical 0.99 mm, Longitudinal 1.14 mm, Lateral 0.84 mm, Rotation $0.49^o$이고, 골반부의 평균오차는 Vertical 2.78 mm, Longitudinal 2.04 mm, Lateral 4.91 mm, Rotation $1.07^o$로 부위별로 다소 근소한 차이를 보였다. 보정 후 검증에서는 전자포털영상 장치에 의한 영상과 DRR 영상 비교 결과 0.5 mm 이내의 오차로 정확한 보정이 이루어졌음을 알 수 있었다. 결 론: 치료 전 콘빔CT 영상은 환자의 셋업오차와 장기 및 표적의 위치변화를 2차원적 영상의 비교와 달리 하나의 체적으로 재구성된 3차원적 영상으로 비교함으로써 보다 정확하게 위치변화와 표적용적의 변동 등을 측정, 보정하여 정확한 치료를 할 수 있으며, 그 오차 값을 산출하여 비교할 수 있다. 이상의 연구로 보아 콘빔CT는 치료계획과 일치하는 정확한 치료전달과 반복적인 치료재현성에 유용하였으며, 만족스러운 결과를 얻을 수 있었다. 콘빔CT에 의해 향상된 정확도는 복잡한 모양의 표적용적과 급격한 선량분포의 변화가 나타나는 IMRT에서 더욱 필요하며 각 치료 부위별, 치료 목적별로 Match focus에 대한 기준을 연구해야 될 것으로 사료된다.

• 지능정보연구
• /
• 제26권1호
• /
• pp.135-149
• /
• 2020

인공지능을 기반으로 한 다양한 연구들이 현대사회에 많은 변화를 불러일으키고 있다. 금융시장 역시 예외는 아니다. 로보어드바이저 개발이 활발하게 진행되고 있으며 전통적 방식의 단점을 보완하고 사람이 분석하기 어려운 부분을 대체하고 있다. 로보어드바이저는 인공지능 알고리즘으로 자동화된 투자 결정을 내려 다양한 자산배분 모형과 함께 활용되고 있다. 자산배분 모형 중 리스크패리티는 대표적인 위험 기반 자산배분 모형의 하나로 큰 자산을 운용하는 데 있어 안정성을 나타내고 현업에서 역시 널리 쓰이고 있다. 그리고 XGBoost 모형은 병렬화된 트리 부스팅 기법으로 제한된 메모리 환경에서도 수십억 가지의 예제로 확장이 가능할 뿐만 아니라 기존의 부스팅에 비해 학습속도가 매우 빨라 많은 분야에서 널리 활용되고 있다. 이에 본 연구에서 리스크패리티와 XGBoost를 장점을 결합한 모형을 제안하고자 한다. 기존에 널리 사용되는 최적화 자산배분 모형은 과거 데이터를 기반으로 투자 비중을 추정하기 때문에 과거와 실투자 기간 사이의 추정 오차가 발생하게 된다. 최적화 자산배분 모형은 추정 오차로 인해 포트폴리오 성과에서 악영향을 받게 된다. 본 연구는 XGBoost를 통해 실투자 기간의 변동성을 예측하여 최적화 자산배분 모형의 추정 오차를 줄여 모형의 안정성과 포트폴리오 성과를 개선하고자 한다. 본 연구에서 제시한 모형의 실증 검증을 위해 한국 주식시장의 10개 업종 지수 데이터를 활용하여 2003년부터 2019년까지 총 17년간 주가 자료를 활용하였으며 in-sample 1,000개, out-of-sample 20개씩 Moving-window 방식으로 예측 결과값을 누적하여 총 154회의 리밸런싱이 이루어진 백테스팅 결과를 도출하였다. 본 연구에서 제안한 자산배분 모형은 기계학습을 사용하지 않은 기존의 리스크패리티와 비교하였을 때 누적수익률 및 추정 오차에서 모두 개선된 성과를 보여주었다. 총 누적수익률은 45.748%로 리스크패리티 대비 약 5% 높은 결과를 보였고 추정오차 역시 10개 업종 중 9개에서 감소한 결과를 보였다. 실험 결과를 통해 최적화 자산배분 모형의 추정 오차를 감소시킴으로써 포트폴리오 성과를 개선하였다. 포트폴리오의 추정 오차를 줄이기 위해 모수 추정 방법에 관한 다양한 연구 사례들이 존재한다. 본 연구는 추정 오차를 줄이기 위한 새로운 추정방법으로 기계학습을 제시하여 최근 빠른 속도로 발전하는 금융시장에 맞는 진보된 인공지능형 자산배분 모형을 제시한 점에서 의의가 있다.