• 대한핵의학회지
• /
• 제37권2호
• /
• pp.73-82
• /
• 2003

목적: 게이트 심근 SPECT 영상 데이터에서 좌심실을 분할하고 단위영상 각각의 심실부피를 계산하는 소프트웨어를 개발하였다. 개발한 소프트웨어에서 얻은 구혈률을 상용 소프트웨어QGS (Quantitative Gated SPECT)에서 산출한 값과 비교하여 검증하였다. 대상 및 방법: 게이트 심근 SPECT를 시행하여 구혈률 15%-80%, 확장기말 부피는 49 mL-293 mL, 수축기말 부피는 8 mL-250 mL인 40명의 영상데이터를 사용하여 이 연구에서 개발한 CSA (Cardiac SPECT Analyzer)로 구혈률과 부피를 산출하여 QGS로 얻은 결과와 비교하였다. 같은 영상을 CSA로 두 번 분석하여 구혈률과 부피가 같은 값이 나오는지 보고, 26명의 환자에서 같은 자리에서 두 번 이어서 얻은 게이트 SPECT 영상을 CSA로 분석하여 편차를 조사하였다. 결과: CSA측정과 QGS 측정의 상관성은 상관계수가 구혈률, 확장기말 부피, 수축기말 부피 각각 0.97, 0.92, 0.96이었고 Bland Altman 도표에 치우침 없이 2표준편차가 구혈률의 경우 10.1%이었다. 같은 영상에 대한 CSA 2회 측정 결과의 상관은 0.96, 0.99, 0.99 이었고 구혈률의 2표준편차는 3.4%이었다. 두 번 연속 촬영한 영상으로 CSA 분석한 결과 상관계수는 0.89, 0.97, 0.98, 이었고 변이계수는 8.2%, 5.4mL, 8.5mL, Bland Altman 도표 2표준편차는 구혈률의 경우 10.6%이었다. 결론: 게이트 심근 SPECT에서 얻은 영상으로 구혈률을 측정할 수 있는 소프트웨어를 개발하였다. 이 소프트웨어로 얻은 구혈률, 화장기말 부피, 수축기말 부피는 정확하며 정밀하였다. 구혈률의 2표준편차는 10.6%이었다.

• 한국터널지하공간학회 논문집
• /
• 제26권2호
• /
• pp.129-152
• /
• 2024

터널 내 CCTV를 통한 딥러닝 객체인식 적용에 있어서 터널의 열악한 환경조건, 즉 낮은 조도 및 심한 원근현상으로 인해 오탐지가 대량 발생한다. 이 문제는 객체인식 성능에 기반한 영상유고시스템의 신뢰성 문제로 직결되므로 정탐지 향상과 더불어 오탐지의 저감 방안이 더욱 필요한 상황이다. 이에 본 논문은 딥러닝 객체인식 모델을 기반으로, 오탐지 데이터의 재학습을 통해 오탐지의 저감뿐만 아니라 정탐지 성능 향상도 함께 추구하는 오탐지 학습법을 제안한다. 본 논문의 오탐지 학습법은 객체인식 단계를 기반으로 진행되며, 학습용 데이터셋 초기학습 - 검증용 데이터셋 추론 - 오탐지 데이터 정정 및 데이터셋 구성 - 학습용 데이터셋에 추가 후 재학습으로 이어진다. 본 논문은 이에 대한 성능을 검증하기 위해 실험을 진행하였으며, 우선 선행 실험을 통해 본 실험에 적용할 딥러닝 객체인식 모델의 최적 하이퍼파라미터를 결정하였다. 그리고 본 실험에서는 학습영상 포맷을 결정하기 위한 실험, 반복적인 오탐지 데이터셋의 재학습을 통해 장기적인 성능향상을 확인하기 위한 실험을 순차적으로 진행하였다. 그 결과, 첫 번째 본 실험에서는 추론된 영상 내에서 객체를 제외한 배경을 제거시키는 경우보다 배경을 포함시키는 경우가 객체인식 성능에 유리한 것으로 나타났으며, 두 번째 본 실험에서는 재학습 차수별 독립적으로 오탐지 데이터를 재학습시키는 경우보다 차수마다 발생하는 오탐지 데이터를 누적시켜 재학습 시키는 경우가 지속적인 객체인식 성능 향상 측면에서 유리한 것으로 나타났다. 두 실험을 통해 결정된 방법으로 오탐지 데이터 재학습을 진행한 결과, 차량 객체 클래스는 1차 재학습 이후부터 AP값이 0.95 이상 우수한 추론 성능이 발현되었으며, 5차 재학습까지 초기 추론 대비 약 1.06배 추론성능이 향상되었다. 보행자 객체 클래스는 재학습이 진행됨에 따라 지속적으로 추론 성능이 향상되었으며, 18차 재학습까지 초기 추론대비 2.3배 이상 추론성능이 자가 향상될 수 있음을 보였다.