• Childhood Kidney Diseases
• /
• 제17권2호
• /
• pp.137-142
• /
• 2013

전신형 PHA 1은 ENaC의 ${\alpha}$ (SCNN1A), ${\beta}$ (SCNN1B), ${\gamma}$ (SCNN1G) 아단위를 암호화하는 유전자의 변이로 경상피나트륨 수송의 결함으로 발생하게 되며 신생아기에 생명을 위협하는 염분 소실, 고칼륨혈증, 대사성 산증이 발생하게 된다. 또한 신장 뿐 아니라 대장, 침샘, 땀샘 및 호흡기상피 등의 다양한 표적 기간에서 전신적으로 알도스테론에 대한 저항성이 나타난다. 최근 전신형 PHA 1의 임상상과 유전자형 및 이환된 환아들의 장기 추적 결과에 대한 보고가 되고 있으나 질환의 희소성으로 임상 표현형을 설명하기는 어려운 실정이다. 저자들은 사망을 초래할 수 있는 심각한 전해질 이상을 보인 환아에서 PHA를 의심하여 염분 및 양이온 교환수지를 투여하여 효과적으로 전해질 교정이 되어 추적관찰 중이며, 유전자 검사를 통해 missense mutation을 나타낸 전신형 PHA1을 경험하였기에 보고하는 바이다.

• KSII Transactions on Internet and Information Systems (TIIS)
• /
• 제15권12호
• /
• pp.4345-4363
• /
• 2021

Deep Learning as a Service (DLaaS), utilizing the cloud-based deep neural network models to provide customer prediction services, has been widely deployed on mobile cloud computing (MCC). Such services raise privacy concerns since customers need to send private data to untrusted service providers. In this paper, we devote ourselves to building an efficient protocol to classify users' images using the convolutional neural network (CNN) model trained and held by the server, while keeping both parties' data secure. Most previous solutions commonly employ homomorphic encryption schemes based on Ring Learning with Errors (RLWE) hardness or two-party secure computation protocols to achieve it. However, they have limitations on large communication overheads and costs in MCC. To address this issue, we present LeHE4SCNN, a scalable privacy-preserving and communication-efficient framework for CNN-based DLaaS. Firstly, we design a novel low-expansion rate homomorphic encryption scheme with packing and unpacking methods (LeHE). It supports fast homomorphic operations such as vector-matrix multiplication and addition. Then we propose a secure prediction framework for CNN. It employs the LeHE scheme to compute linear layers while exploiting the data shuffling technique to perform non-linear operations. Finally, we implement and evaluate LeHE4SCNN with various CNN models on a real-world dataset. Experimental results demonstrate the effectiveness and superiority of the LeHE4SCNN framework in terms of response time, usage cost, and communication overhead compared to the state-of-the-art methods in the mobile cloud computing environment.

• 한국가금학회지
• /
• 제44권1호
• /
• pp.19-28
• /
• 2017

계란의 난각은 닭의 자궁에서 형성되는 복잡하고 고도화된 다층 석회화 구조이다. 본 연구는 닭의 산란연령에 따른 자궁내막조직의 변화 양상과 난각 형성에 관여하는 주요 유전자들의 발현 양상을 고찰하였다. 난각 형성과 관련하여 난각 단백질과 관련한 OCX-32, OCX-36, OC-17, OC-116 유전자와 난각 이온과 관련한 CALB1, SPP1, SCNN1G, ATP2A2, CA2, CALM1 유전자를 분석대상으로 하였다. 자궁내막조직의 현미경적 관찰 결과, 연령이 증가함에 따라, 자궁 섬모상피세포의 탈락 및 세포의 위축과 섬유화 진행양상이 심화되었다. 그러나 연령 증가에 따른 혈중 이온성분의 농도차이는 없었다. 자궁내막 상피세포의 텔로미어 함량 분석 결과, 산란연령이 증가함에 따라 텔로미어 함유율이 감소됨을 확인하였다. 대부분의 난각 형성 관련 유전자의 발현량은 산란연령에 따라 유의한 변화를 나타내었다. 일부 난각 단백질 관련 유전자의 발현량은 산란연령이 증가함에 따라 증가양상을 보였으나, 이들 유전자들 간의 상호 관련성은 유의한 관계를 보이지 않았다. 난각 형성 이온 관련 유전자인 ATP2A2, SCNN1G, CA2, CALM1 유전자 간에는 상호 밀접한 관련이 있는 것으로 나타났다. 또한 난각 단백질 관련 OCX-32 및 OCX-36 유전자는 대부분의 이온 관련 유전자들과 높은 정의 상관을 보였다. 따라서 OCX-32, OCX-36, CALB-1, ATP2A2, SCNN1G, CA2 및 CALM1유전자들이 난각 형성에 상호 협력하거나 또는 독립적으로 작용한다. 결론적으로 산란연령이 증가함에 따라 자궁내막세포의 손상이 일어나지만, 그럼에도 불구하고 정상적인 난각을 형성할 수 있는 이유는 난각 단백질 및 난각 형성 이온 관련 일부 유전자들이 발현을 조절하여 난각 형성의 항상성 유지하기 때문인 것으로 사료된다.

• 한국인터넷방송통신학회논문지
• /
• 제9권5호
• /
• pp.205-211
• /
• 2009

가중치가 없는 램 기반 신경망은 가중치를 재조정하는 기존 신경망에 비해 계산량 및 인식 시간이 적은 장점을 가지고 있다. 특히 연속적인 연관성을 갖는 제스처와 같은 행위 정보는 각각의 정보들이 시계열적 상관관계를 갖는다. 이와 같은 행위 정보를 인식하려면 일반적으로 많은 계산량과 처리 시간이 요구된다. 이런 문제점을 해결하기 위해 일반적으로 전처리 과정의 삽입 및 하드웨어 인터페이스 활용 등을 이용한다. 본 논문에서는 이와 같은 추가적인 방법 없이 순차 램 기반 누적 신경망으로 연속적인 행위 정보인 한글 복합어 수화 인식 시스템을 구현하였다. 제안된 모델의 성능을 검증하기 위하여 카메라로부터 입력받은 연속적인 복합어 수화 영상을 최소한의 이미지 처리인 경계선 검출만으로 수화 인식을 실험하였다. 경계선 검출 후 이진 영상을 전처리 과정 없이 제안된 순차 램 기반 누적 신경망 시스템으로 처리된 결과는 93%의 인식률을 얻었다.

• 대한원격탐사학회지
• /
• 제38권6_1호
• /
• pp.1505-1514
• /
• 2022

영상정합은 다시기 및 다중센서 고해상도 위성영상을 효과적으로 활용하기 위해 필수적으로 선행되는 중요한 과정이다. 널리 각광받고 있는 딥러닝 기법은 위성영상에서 복잡하고 세밀한 특징을 추출하여 영상 간 빠르고 정확한 유사도 판별에 사용될 수 있음에도 불구하고, 학습자료의 양과 질이 결과에 영향을 미치는 딥러닝 모델의 한계와 고해상도 위성영상 기반 학습자료 구축의 어려움에 따라 고해상도 위성영상의 정합에는 제한적으로 적용되어 왔다. 이에 본 연구는 영상정합에서 가장 많은 시간을 소요하는 정합쌍 추출 과정에서 딥러닝 기반 기법의 적용성을 확인하기 위하여, 편향성이 존재하는 고해상도 위성영상 데이터베이스로부터 딥러닝 영상매칭 학습자료를 구축하고 학습자료의 구성이 정합쌍 추출 정확도에 미치는 영향을 분석하였다. 학습자료는 12장의 다시기 및 다중센서 고해상도 위성영상에 대하여 격자 기반의 Scale Invariant Feature Transform(SIFT) 알고리즘을 이용하여 추출한 영상쌍에 참과 거짓의 레이블(label)을 할당한 정합쌍과 오정합쌍의 집합으로 구축되도록 하였다. 구축된 학습자료로부터 정합쌍 추출을 위해 제안된 Siamese convolutional neural network (SCNN) 모델은 동일한 두 개의 합성곱 신경망 구조에 한 쌍을 이루는 두 영상을 하나씩 통과시킴으로써 학습을 진행하고 추출된 특징의 비교를 통해 유사도를 판별한다. 본 연구를 통해 고해상도 위성영상 데이터 베이스로부터 취득된 자료를 딥러닝 학습자료로 활용 가능하며 이종센서 영상을 적절히 조합하여 영상매칭 과정의 효율을 높일 수 있음을 확인하였다. 다중센서 고해상도 위성영상을 활용한 딥러닝 기반 영상매칭 기법은 안정적인 성능을 바탕으로 기존 수작업 기반의 특징 추출 방법을 대체하고, 나아가 통합적인 딥러닝 기반 영상정합 프레임워크로 발전될 것으로 기대한다.