• 정보처리학회논문지:컴퓨터 및 통신 시스템
• /
• 제9권11호
• /
• pp.281-290
• /
• 2020

스마트폰의 보급으로 인해 개인화된 데이터를 활용하고자 하는 서비스들이 증가하고 있다. 특히, 헬스케어와 관련된 서비스들은 다양한 데이터를 다루며, 이를 효과적으로 보여주기 위해 데이터 시각화 기법을 활용하고 있다. 데이터 시각화 기법이 활용되면서 자연스럽게 시각화에서의 인터랙션 또한 함께 강조되고 있다. PC 환경에서 데이터 시각화에 대한 인터랙션은 마우스로 이루어지기 때문에, 데이터에 대한 필터링이 다양하게 제공되고 있다. 반면, 모바일 환경에서의 인터랙션은 화면의 크기가 작고, 인터랙션 가능 여부를 인지하기 어려워 버튼 터치 방식으로 앱에서 제공하는 제한된 시각화만을 제공받을 수 있다. 이러한 모바일 환경에서의 인터랙션 한계를 극복하기 위해, 챗봇과의 대화를 통해 데이터 시각화 인터랙션을 가능하게 하여 사용자들에게 개개인의 데이터를 다양한 시각화를 통해 확인할 수 있도록 하고자 한다. 이를 위해서는 사용자의 질의를 쿼리로 변환하여, 주기적으로 데이터를 축적하고 있는 데이터베이스에서 변환된 쿼리를 통해 결과 데이터를 불러올 수 있어야 한다. 자연어를 쿼리로 변환하는 연구는 현재 많이 이루어지고 있지만, 시각화를 기반으로 하여 사용자의 질의를 쿼리로 변환하는 연구에 대해서는 아직 이루어지지 않았다. 따라서, 본 논문에서는 사전에 데이터 시각화 기법이 정해진 상황에서의 쿼리 생성에 초점을 맞추고자 한다. 지원하는 인터랙션은 태스크 x-축 값에 대한 필터링 및 두 그룹 간 비교이다. 테스트 시나리오는 걸음 수에 대한 데이터를 활용하였으며, x-축 기간에 대한 필터링은 바 그래프, 두 그룹간 비교는 라인 그래프로 나타내었다. 시각화를 통해 요청한 정보를 제공받을 수 있는 자연어처리 모델을 개발하기 위해 1,000명을 대상으로 한 설문조사를 통해 약 15,800개의 학습 데이터를 수집하였다. 알고리즘 개발 및 성능 평가를 진행한 결과, 분류 모델에서는 약 89%, 쿼리 생성 모델에서는 약 99% 정확도를 보였다.

• 인터넷정보학회논문지
• /
• 제17권4호
• /
• pp.35-42
• /
• 2016

최근 제한적인 마커기반 증강현실의 여러 가지 단점들을 보완하기 위해 사용자의 얼굴, 발, 손 등을 활용한 비 마커기반 증강현실 시스템에 관한 연구들이 활발하게 진행되고 있는 추세이다. 또한 대부분의 기존 증강현실 시스템들은 사용자에게 보여주는 것과 기본적인 상호작용에 목표를 두고 강체를 증강하여 수행되는 경우가 많았다. 본 논문에서는 단지 보여주는 것에 국한되는 것이 아니라 여러 분야에서 활용이 가능한 변형물체를 사용자와의 상호작용을 바탕으로 시뮬레이션을 제공하는 비 마커기반의 증강현실 시스템을 설계 및 구현하였다. 변형물체는 질량-스프링 모델, 유한 요소 모델 두 가지 방법을 주로 사용하여 구현한다. 질량-스프링 모델은 실시간 시뮬레이션에 장점이 있으며 유한 요소 모델은 변형물체의 정밀함을 나타낼 때 장점을 가진다. 본 논문에서는 실시간으로 시뮬레이션을 목표로 하고 있기 때문에 질량-스프링 모델을 기반으로 하는 테트라헤드론 구조를 이용하여 변형물체를 구현하였다. 변형물체의 자연스러운 움직임을 실시간으로 시뮬레이션하기 위해 키넥트 SDK를 통해 사용자의 손의 위치를 추적 하고, 손의 위치 변화량을 바탕으로 힘을 계산한다. 이를 바탕으로 $4^{th}$ order Runge-Kutta Integration 수치적분법을 이용하여 물체의 다음 위치를 계산하여 시뮬레이션 하도록 하였다. 그리고 자연스러운 동작을 표현하기 위해서 사용자의 손을 통해 물체에 작용하는 힘이 너무 많이 작용하지 않기 위해 제스처에 임계값을 정하였으며 해당 임계값을 넘는 힘이 작용할 경우 임계값으로만 적용되도록 설정하였다. 각 실험을 5회씩 반복하였으며 실험에 따른 시뮬레이션 연산속도를 분석하였다. 본 논문을 통해 구현한 변형물체를 활용한 비 마커기반 증강현실 시스템을 바탕으로 기존의 강체 기반의 증강현실에서 활용하기 힘들었던 의료, 교육 및 다양한 방면으로 시뮬레이션이 가능할 것으로 기대한다.

• 핵의학기술
• /
• 제17권2호
• /
• pp.3-9
• /
• 2013

핵의학 검사 중 동적 신장검사는 신장기능을 평가하는 가장 대표적인 검사법으로 방사성동위원소를 이용하여 시간에 따른 신장의 기능을 평가하고 소변이 배설에 이르기까지의 질환 평가에 유용하다. 이러한 검사영상의 질 평가 및 정량 분석에서 현재 상용화 된 팬텀은 정적 상황만 재현하고 평가할 수 있기 때문에 동적 팬텀을 통한 시간에 따른 신장의 기능적 상황과 혈류속도, 방사성동위원소의 주입량에 따른 다양한 차이 등을 확인할 수 있는 연구가 미비한 상황이다. 그러므로 본 연구를 통해 동적 신장팬텀 시스템을 제작하여 신장의 동적 흐름을 통한 영상을 재현함으로써 핵의학에서 영상학적으로 유용성을 평가하고자 한다. 신장팬텀은 정상 성인 신장을 기준으로 제작하였고, 동적 상황을 재현하기 위하여 혈류의 속도를 조절할 수 있는 정량 펌프를 적용하였으며, $^{99m}Tc-pertechnate$를 신장팬텀에 방사성의약품이 집적되고 방광으로 배설되도록 제작하였다. 사용된 방사성의약품은 각 신장팬텀에 각각 주입되도록 하였으며, 주입속도, 방사성의약품, 좌우 신장팬텀에 다른 주입속도에 따른 변화를 확인하였다. 획득한 영상의 분석은 전면상과 후면상 각각의 신장과 방광에 관심영역을 그려 분석하였으며, 재현성을 확인하기 위하여 각 10회씩 반복하여 분석하였다. 동일한 조건하에 주입속도 40 mL/min로 고정하여 펌프의 압력을 조절하였을 때 방사성의약품이 2-3분 사이에 신장팬텀에 가장 많이 집적되었다가 방광으로 배출되었다. 각 장비별 사구체 여과율은 각각 SYMBIA 1,091 mL/min, FORTE 1,232 mL/min, ARGUS 1,264 mL/min, INFINIA 1,302 mL/min로 통계적으로 유의한 차이가 있는 것으로 나타났으며, Tmax 값 그리고 T1/2 값 모두에서 장비별 통계적으로 유의한 차이가 있는 것으로 나타났다. 변동계수인 CV 값은 5% 이하로 재현성이 있는 것으로 나타났으며, 그 중에서 SYMBIA가 2.67%로 가장 낮게 나타났고, INFINIA가 4.86%으로 가장 높게 나타났다. 본 연구를 통하여 동적신장팬텀시스템이 실제 임상의 신장동적검사를 유사하게 재현이 가능한 것을 확인할 수 있었다. 특히 신장을 통해 방광으로 배설되는 흐름에 대해 시간에 따른 묘사가 충분하게 재현되었으며, 동적 영상의 질을 확인하는데 기초 자료로 활용이 가능하리라 사료된다. 또한 추후 기능적 영상 분야에 연구 및 정도관리 분야에도 도움이 되리라 여겨진다.

• 대한방사선기술학회지:방사선기술과학
• /
• 제32권3호
• /
• pp.325-334
• /
• 2009

목 적 : 관류 자기공명영상(perfusion MRI)을 이용하여 대뇌(cerebral)에서 혈액뇌장벽의 파괴로 인하여 조영제가 혈관내에서 조직으로 빠져 나가는 투과성과 상대적 뇌혈류량을 영상화 해보고, 이 영상을 이용하여 구한 투과성비와 상대적 뇌혈류량비가 종양의 악성등급 평가와 감별진단에 어떠한 유용성이 있는지 알아보고자 하였다. 대상 및 방법 : 영상의학진단과 병리조직검사로 진단된 29명을 대상으로 뇌종양이 포함된 550(11 silce $\times$ 50 image)관류 자기공명영상을 3T기기에 장착된 프로그램으로 상대적 뇌혈류량을 영상화 하였고, 다른 한 방법은 개인 컴퓨터에 영상을 전송 후 IDL 6.2 프로그램을 이용하여 상대적 뇌혈류량(relative cerebral blood volume-reformulated singular value decomposition, rCBV-rSVD)과 투과성을 영상화 하였다. 그 영상을 이용하여 동일한 관심영역으로 화소별 평균 신호강도를 정량적(quantitative analysis)으로 측정하여 비모수적 통계인 Kruskal-wallis test를 통해 뇌종양별로 평균비교 분석을 하였다. 결과 : 상대적 뇌혈류량영상과 투과성영상을 이용하여 동일한 관심영역으로 정상부위와 종양부위의 정량적으로 분석한 상대적 뇌혈류량 비 와 (3T 기기자체 분석한 값, IDL 6.2로 분석한 값) 투과성비에서 고등급 성상세포종(n=4)의 경우 (14.75, 19.25) 13.13, 저등급 성상세포종(n=5) (14.80, 15.90) 11.60, 아세포종(n=5) (10.90, 18.60) 22.00, 전이성 뇌종양(n=6) (11.00, 15.08) 22.33, 수막종(n=6) (18.58, 7.67) 5.58, 핍돌기 신경교종(n=3) (23.33, 16.33) 15.67로 나타났다. 결론 : 종양별로 상대적 혈류량영상을 이용하여 측정한 상대적 뇌혈류량 비는 등급을 분류하기에 용이하지 않았지만, 투과성영상으로 측정한 투과성비는 종양 악성정도가 높을수록 높은 것으로 나타나 종양의 등급 평가와 감별진단에 유용하였다.

• 대한핵의학회지
• /
• 제39권3호
• /
• pp.174-181
• /
• 2005

목적: 호흡게이트PET(이하 RGPET)을 이용하여 호흡에 의한 PET영상의 인공산물의 감소 효과를 호흡모형 팬톰을 제작하여 분석하였다. 특히 4D-CT를 시행하여 얻은 동일 호흡위상의 CT영상을 이용하여 RGPET의 감쇠 보정에 이용할 수 있도록 CT영상을 재구성하는 방법을 제시하였다. 대상 및 방법: 반복주기 6초, 진동 폭 26mm의 운동 팬톰에 각각 3 ml syringe와 10, 30 ml의 vial에 18.5 MBq (0.5 mCi) 18-F FDG를 주입한 후, 게이트의 유무에 따라 Discovery ST (GE Medical System, Milwaukee. WU) PET-CT 스캐너를 사용하여 PET/CT스캔을 시행하였다. 이때 호흡추적장치로는 적외선 CCD카메라 방식의 Real-Time Position Management (Varian Medical Systems, Palo Alto, CA)을 사용하였다. 호흡게이트PET 및 4D-CT스캔은 10% 호흡위상백분위 별로 총 10세트의 영상을 각각 획득하였다. 이와 같이 운동주기를 10개의 소 구간으로 분할하여 얻은 PET과 CT영상으로부터 각 물체의 위치를 분석하였고, 물체의 크기에 따른 운동 인공산물의 크기와 PET 계수 값의 감소간의 상관관계를 분석하였다. 결과: RGPET과 4D-CT상에서 물체의 중심위치를 호흡위상별로 분석한 결과, 오차범위 내에서 실제 위치와 잘 일치하였다. 게이트를 시행하지 않은 PET에서 관측된 물체의 크기는 상대적 운동크기에 비례하여 증가하여, 운동범위가 물체 크기의 2배가 되면 부피를 2.5배 가량 과대 평가하였다. 반면, 최대 uptake수치는 50% 가량 줄었다. 결론: RGPET을 통해 PET영상에서 나타나는 호흡으로 인한 인공산물의 대부분을 제거할 수 있음을 확인할 수 있었으며, 4D-CT스캔을 통해 획득한 동일위상의 CT 영상을 이용하여 보다 정확한 감쇠 보정 및 영상융합 결과를 얻었다.

• 지능정보연구
• /
• 제24권2호
• /
• pp.111-124
• /
• 2018

본 연구는 만성질환 중의 하나인 고지혈증 유병을 예측하는 분류모형을 개발하고자 한다. 이를 위해 SVM과 meta-learning 알고리즘을 이용하여 성과를 비교하였다. 또한 각 알고리즘에서 성과를 향상시키기 위해 변수선정 방법을 통해 유의한 변수만을 선정하여 투입하여 분석하였고 이 결과 역시 각각 성과를 비교하였다. 본 연구목적을 달성하기 위해 한국의료패널 2012년 자료를 이용하였고, 변수 선정을 위해 세 가지 방법을 사용하였다. 먼저 단계적 회귀분석(stepwise regression)을 실시하였다. 둘째, 의사결정나무(decision tree) 알고리즘을 사용하였다. 마지막으로 유전자 알고리즘을 사용하여 변수를 선정하였다. 한편, 이렇게 선정된 변수를 기준으로 SVM, meta-learning 알고리즘 등을 이용하여 고지혈증 환자분류 예측모형을 비교하였고, TP rate, precision 등을 사용하여 분류 성과를 비교분석하였다. 이에 대한 분석결과는 다음과 같다. 첫째, 모든 변수를 투입하여 분류한 결과 SVM의 정확도는 88.4%, 인공신경망의 정확도는 86.7%로 SVM의 정확도가 좀 더 높았다. 둘째, stepwise를 통해 선정된 변수만을 투입하여 분류한 결과 전체 변수를 투입하였을 때보다 각각 정확도가 약간 높았다. 셋째, 의사결정나무에 의해 선정된 변수 3개만을 투입하였을 때 인공신경망의 정확도가 SVM보다 높았다. 유전자 알고리즘을 통해 선정된 변수를 투입하여 분류한 결과 SVM은 88.5%, 인공신경망은 87.9%의 분류 정확도를 보여 주었다. 마지막으로, 본 연구에서 제안하는 meta-learning 알고리즘인 스태킹(stacking)을 적용한 결과로서, SVM과 MLP의 예측결과를 메타 분류기인 SVM의 입력변수로 사용하여 예측한 결과, 고지혈증 분류 정확도가 meta-learning 알고리즘 중에서는 가장 높은 것으로 나타났다.