• 한국지구과학회지
• /
• 제24권3호
• /
• pp.205-215
• /
• 2003

정밀하고 밀도 높은 부우게이상자료는 지구물리학과 물리측지학적인 측면에서 중요한 기초자료가 된다. 이를 위해서 정밀한 절대중력기준점망의 설치외에도 두 가지 측면을 고려해야 하는데, 하나는 중력측정과 보정의 정밀도를 향상시키는 것이며, 다른 하나는 측점의 밀도를 높이는 일이다. 중력측정에서 GPS를 어떻게 적절히 이용할 것인가에 대해서 알아보았는데, 40km이내의 기선거리에서 두 대의 측지용 GPS수신기를 이용하면, 5분간의 GPS측정으로도 충분하다고 여겨진다. 이 경우 PNU95 지오이드모델과 같은 정밀한 지오이드모델을 사용하여야 한다, 이 방법을 적용함으로써, 비용 및 시간과 인력을 줄일 수 있을 뿐만 아니라 질적인 측면에서도 향상을 가져온다. 또 교점오차를 보정하고 지형효과를 정밀하게 계산하기 위해 컴퓨터 프로그램을 개발했다. 중력탐사에서 같은 지점에서 중복 측정하는 것은 스프링의 변이를 보정하는 것뿐만 아니라 망조정을 적용함으로써 결과들에 대해 통계적으로 접근하는 것을 가능하게 한다. 그럼으로써 다양한 원인에 기인한 큰 오차를 쉽게 찾아내고 보정하여 자료의 질을 향상시킬 수 있으며, 또한 측정의 질을 평가할 수 있다. 최근의 컴퓨터 기술과 디지털 고도자료의 발달도 좀더 정밀한 지형보정을 사용하여 부우게이상의 질을 향상하도록 우리를 고무하고 있다. 본 연구에서는 육상중력, 선상중력, 북한의 부우게이상도, 일본의 중력자료, 고도위성자료, EGM96 지오포텐셜 자료 등, 다양한 중력자료를 입수하였다. 따라서, 이들 자료를 계산하고 편집하여 한반도 일원의 정밀 부우게이상도를 작성할 수 있었는데, 이것은 지구물리학과 물리측지학의 응용에 유용한 자료가 될 것이다.

• 대한치과교정학회지
• /
• 제52권1호
• /
• pp.3-19
• /
• 2022

Objective: The purpose of this study was to investigate the accuracy of one-step automated orthodontic diagnosis of skeletodental discrepancies using a convolutional neural network (CNN) and lateral cephalogram images with different qualities from nationwide multi-hospitals. Methods: Among 2,174 lateral cephalograms, 1,993 cephalograms from two hospitals were used for training and internal test sets and 181 cephalograms from eight other hospitals were used for an external test set. They were divided into three classification groups according to anteroposterior skeletal discrepancies (Class I, II, and III), vertical skeletal discrepancies (normodivergent, hypodivergent, and hyperdivergent patterns), and vertical dental discrepancies (normal overbite, deep bite, and open bite) as a gold standard. Pre-trained DenseNet-169 was used as a CNN classifier model. Diagnostic performance was evaluated by receiver operating characteristic (ROC) analysis, t-stochastic neighbor embedding (t-SNE), and gradient-weighted class activation mapping (Grad-CAM). Results: In the ROC analysis, the mean area under the curve and the mean accuracy of all classifications were high with both internal and external test sets (all, > 0.89 and > 0.80). In the t-SNE analysis, our model succeeded in creating good separation between three classification groups. Grad-CAM figures showed differences in the location and size of the focus areas between three classification groups in each diagnosis. Conclusions: Since the accuracy of our model was validated with both internal and external test sets, it shows the possible usefulness of a one-step automated orthodontic diagnosis tool using a CNN model. However, it still needs technical improvement in terms of classifying vertical dental discrepancies.