• 핵의학기술
• /
• 제21권1호
• /
• pp.76-82
• /
• 2017

전신 뼈 스캔은 핵의학에서 가장 많은 비중을 차지하는 검사 중 하나이다. 기본적으로 전면상과 후면상을 동시에 획득하는데, 때때로 전면상과 후면상만으로는 병소를 분간하기 어려울 때가 있다. 이러한 경우 SPECT/CT나 추가 정적 영상을 통한 병소의 정확한 위치 확인이 중요하며, 추가 촬영 여부에 대한 최초 판단은 주로 방사선사에 의해 이루어진다. 이에 본원에서는 방사선사의 업무 능력 함양을 위한 다양한 개선활동이 이루어져 왔고, 본 연구에서는 방사선사의 교육 및 표준화된 업무 프로세스 적용이 전신 뼈 스캔 오류 감소에 어떠한 영향을 미치는지 확인하고자 한다. 새로운 프로세스 적용을 위해 몇 가지 시스템이 순차적으로 도입되었다. 첫 번째는 의국 교육 및 테스트의 시행, 두 번째는 추가 촬영이 예상되는 환자를 분류하여 촬영 전에 방사선사가 미리 확인할 수 있는 사전 여과 시스템 도입, 마지막으로 판독의가 방사선사에게 직접 촬영 영상에 대해 피드백 할 수 있는 NMQA라는 커뮤니케이션 시스템을 적용하였다. 결과 확인을 위해 2014년 1월부터 2016년 12월까지 서울아산병원 핵의학과를 내원한 전신 뼈 스캔 환자를 대상으로 조사하였다. 조사 기간 동안 전체 전신 뼈 스캔 대비 NMQA가 전송된 검사 건수를 백분율로 산출하였다. 연간 발생량은 2014년 141건, 2015년 88건, 2016년 86건으로 집계되었고 NMQA 발생률은 2014년 0.88%, 2015년 0.53%, 2016년 0.45%로 감소하였다. 새로운 프로세스가 적용된 2014년 이후 NMQA 발생률이 감소하는 경향을 보였다. 다만 통계적으로 유용성을 확인하기까지는 데이터가 부족하여 향후에도 지속적인 데이터 축적이 필요할 것으로 생각한다. 본 연구를 통해 전신 뼈 스캔 영상 질 향상을 위해 표준화된 업무와 교육의 필요성을 확인하였고 향후에도 지속적인 연구와 관심으로 업데이트가 필요하다고 사료된다.

• 한국산학기술학회논문지
• /
• 제17권10호
• /
• pp.628-634
• /
• 2016

투수들의 경기력은 야구경기에서 아주 중요한 역할을 하는데 많은 투수들은 염좌 인대손상 등 많은 상해에 시달린다. 이러한 이유는 한 관절을 움직일 때 사용되는 주요한 두 가지 근육의 근력 차이가 클수록 부상의 위험성이 높아지기 때문이다. 하지만 이와 관련된 연구는 미비한 실정이다. 따라서 본 연구는 야구선수들을 대상으로 팔꿈치 안쪽 곁인대 통증이 있는 선수들과 통증이 없는 선수들의 투구 동작에 관련된 최대 등척성 수축력의 차이를 알아보고자 하였다. 실험기간은 2주간으로 모든 실험참가자들의 측정이 실시되었다. 실험참가자들(n=36)은 통증이 있는 통증군 (n=18)과 통증이 없는 정상군 (n=18)으로 나뉘어 최대 등척성 수축력을 어깨관절 안쪽과 바깥돌림근, 팔꿉굽힘근과 폄근, 손목굽힘근과 폄근에서 측정하였고 그후 근육그룹간 근력의 차이를 계산하였다. 모든 데이터는 SPSS 18.0을 이용하여서 독립 t-test를 이용하여서 분석되었다. 연구결과는 통증군의 바깥돌림근 (p = 0.035), 팔꿉굽힘근 (p=0.031), 팔꿉폄근 (p=0.041)은 정상군보다 유의하게 낮았고 손목폄근(p=0.047)은 정상군보다 유의하게 높았다. 그리고 통증군의 어깨관절 안쪽과 바깥돌림근(p = 0.008), 팔꿉관절 굽힘근과 폄근(p = 0.002), 손목관절의 굽힘근과 폄근의 (p = 0.032) 최대등척성수축력의 차이가 정상군보다 유의하게 높게 나타났다. 연구결과 통증군의 최대등척성수축력의 차이가 높게 나타나서 부상이 발생한다고 보고하였다. 그러므로 이러한 근력의 불균형 문제를 해결한다면 부상에서 회복하고 더불어 경기력 향상을 이룰 수 있게 된다고 사료된다.

• 한국측량학회지
• /
• 제37권3호
• /
• pp.199-208
• /
• 2019

운용 가능한 위성의 수가 증가하고 기술이 진보함에 따라 영상정보의 성과물이 다양해지고 많은 양의 자료가 축적되고 있다. 본 연구에서는 기구축된 영상정보를 활용하여 부족한 훈련자료의 문제를 극복하고 딥러닝(deep learning) 기법의 장점을 활용하고자 전이학습과 변화탐지 네트워크를 활용한 고해상도 위성영상의 변화탐지를 수행하였다. 본 연구에서 활용한 딥러닝 네트워크는 공간 및 분광 정보를 추출하는 합성곱 레이어(convolutional layer)와 시계열 정보를 분석하는 합성곱 장단기 메모리 레이어(convolutional long short term memory layer)로 구성되었으며, 고해상도 다중분광 영상에 최적화된 정보를 추출하기 위하여 커널(kernel)의 차원에 따른 정확도를 비교하였다. 또한, 학습된 커널 정보를 활용하기 위하여 변화탐지 네트워크의 초기 합성곱 레이어를 고해상도 항공영상인 ISPRS (International Society for Photogrammetry and Remote Sensing) 데이터셋에서 추출된 40,000개의 패치로 학습된 값으로 초기화하였다. 다시기 KOMPSAT-3A (KOrean Multi-Purpose SATllite-3A) 영상에 대한 실험 결과, 전이학습과 딥러닝 네트워크를 활용할 경우 기복 변위 및 그림자 등으로 인한 변화에 덜 민감하게 반응하며 분류 항목이 달라진 지역의 변화를 보다 효과적으로 추출할 수 있었으며, 2차원 커널보다 3차원 커널을 사용할 때 변화탐지의 정확도가 높았다. 3차원 커널은 공간 및 분광정보를 모두 고려하여 특징 맵(feature map)을 추출하기 때문에 고해상도 영상의 분류뿐만 아니라 변화탐지에도 효과적인 것을 확인하였다. 본 연구에서는 고해상도 위성영상의 변화탐지를 위한 전이학습과 딥러닝 기법의 활용 가능성을 제시하였으며, 추후 훈련된 변화탐지 네트워크를 새롭게 취득된 영상에 적용하는 연구를 수행하여 제안기법의 활용범위를 확장할 예정이다.

• 헤리티지:역사와 과학
• /
• 제44권1호
• /
• pp.106-121
• /
• 2011

유네스코(UNESCO: United Nations Educational, Scientific, and Cultural Organization) 세계유산 가운데 자연유산이 차지하는 비율이 전체 지정건수의 1/3에도 못 미치며 이에 대한 큰 이유는 세계적으로 가장 탁월한 가치 즉, 과학적 혹은 보존적 관점에서 보존할 필요성이 있는 빼어난 보편적 가치(OUV: Outstanding Universal Value)를 지니고 있어야만 유네스코 세계자연유산으로 인정받기 때문이다. 한편 지금까지 지정된 180건의 세계자연유산 중 9건만이 화석과 관련된 자연유산이다. 이 연구에서는 이 9건의 화석관련 세계자연유산의 특징을 분석하고, 그들이 가진 장점을 비교하여, 우리나라가 현재 추진하고 있는 한국백악기 공룡해안(KCDC: Korean Cretaceous Dinosaur Coast)의 등재 준비에 기초 자료를 제공하고자 한다. 이 연구에서는 지난 2005년에 지정된 이집트의 Wadi Al-Hitan을 직접 방문하여, 현장을 조사하고 담당직원들과의 인터뷰를 통해 얻어진 자료를 정리하였다. Wadi Al-Hitan의 성공적인 관리와 운영체계는 세 가지 요인으로 요약할 수 있다. 첫째, 연구와 모니터링을 위한 시스템 운영이고 둘째, 관련 전문가 채용과 훈련, 그리고 마지막으로 자연친화적인 보존기법 적용과 장기 발전계획에 따른 실행이다. 향후 우리나라가 추진하는 세계자연유산 후보지역들이 성공적으로 등재되고 관리되기 위해서는 우리가 가진 장점을 최대한 부각하여 신청서 제출 이전부터 세계자연보전연맹(IUCN: International Union for Conservation of Nature) 등 국제전문가들로부터 OUV를 인정받고, 연구와 관리를 담당하는 전문가를 정식직원으로 고용하여 준비과정에서 부터 참여해야 하며, 등재 이후의 관리와 운영에도 만전을 기해야 한다. 특히, 우리나라가 보유한 유일한 세계자연유산인 '제주 화산섬과 용암동굴'의 2007년 최종 등재까지의 준비과정에서도 경험했듯이 한 지역이 세계유산으로 지정되기까지는 여러분야의 전문가들의 참여와 각 부처의 적극적인 노력이 이상적으로 조화를 이뤄야 한다.

• 대한원격탐사학회지
• /
• 제35권3호
• /
• pp.457-470
• /
• 2019

Synthetic Aperture Radar(SAR)영상을 이용한 자동 표적 인식(Automatic Target Recognition(ATR))은 날씨와 주야에 영향을 받지 않는 장점으로 감시, 정찰, 및 국토안보 등의 분야에서의 관심이 증대되고 있다. 그러나 SAR 자동표적인식은 실제 환경에서 발생하는 다양한 문제로 인해 자동으로 표적을 식별하는데 어려움이 있다. 따라서 본 연구에서는 실제 환경과 유사한 Extended Operating Conditions(EOC)에서의 ATR 문제에 대한 분석을 수행하였다. 특히, 표적의 폐색 조건과 훈련 영상과 테스트 영상의 관측 부각 차이에 따른 표적 식별률의 변화를 정량적으로 분석하였다. 관측 부각은 $30^{\circ}$와 $45^{\circ}$로 구분하였으며, 10%부터 50%까지의 다양한 폐색 조건에 대한 영상을 생성하기 위해 SARBake 알고리즘을 적용하였다. 표적에 대한 정량적인 식별률은 표적인식 분야에서 대표적으로 이용되는 템플릿 매칭과 Adaboost 알고리즘을 적용해 분석하였다. 분석 결과 관측부각에 따른 식별률은 두 알고리즘 모두 $45^{\circ}$에서 $30^{\circ}$보다 30%이상 급감했다. $30^{\circ}$의 관측 부각에서 템플릿 매칭은 75.88%, Adaboost 알고리즘은 94.46%로 Adaboost의 식별률이 높았다. 폐색 조건에 따른 식별률은 템플릿 매칭의 경우 폐색이 없을 때 95.77%에서 10%의 폐색 조건일 때 52.69%로 식별률이 급감하였다. Adaboost 알고리즘의 경우 폐색이 없을 때 85.16%, 10%의 폐색 조건일 때 68.48%로 폐색 조건에서의 식별률이 높았다. Adaboost 알고리즘은 50%의 폐색조건에서도 52.48%로 템플릿 매칭이 동일한 조건에서 30% 이하의 식별률을 보이는 것에 비해 전반적으로 높은 식별률을 보였다.

• 한국재난정보학회 논문집
• /
• 제18권1호
• /
• pp.202-217
• /
• 2022

연구목적: 최근 개인형 이동장치(PM : Personal Mobility) 이용이 지속적으로 증가하면서 사고 또한 매년 폭발적으로 급증하고 있다. 이에 따라 PM 이용에 대한 안전 요구가 강화되고 있으나 여전히 안전한 환경을 위한 법/제도, 인프라, 관리체계 등은 부족한 실정이다. 따라서 본 연구에서는 PM 관련 선행연구 검토를 토대로 주요 문제점과 개선방안을 종합적으로 모색하고, 델파이조사를 통해 개선방안의 중요성에 따른 우선순위를 제시한다. 연구방법: 연구방법은 크게 문헌연구와 전문가 설문조사(델파이조사)로 구성된다. 기존의 선행연구와 개선사례(지방자치단체, 정부부처, 업체 등)를 검토하여 문제점, 개선사항을 도출하고 키워드를 기반으로 문제점/개선사항 분류표를 작성한다. 분류 내용을 토대로 전문가 설문조사를 실시하여 우선순위 개선방안을 도출한다. 연구결과: PM 관련 문제점은 인적요인과 관련하여 '교통법규 미준수, 지식 부족, 조작 미숙, 안전의식 부재'가, 물리적요인과 관련하여 '기기 특성, 도로-주행 가능 공간, 도로시설물, 주차시설'이, 관리적요인으로 '관리/감독, 제품관리, 이용자관리, 교육/훈련'이, 그 외 이 모든 요인들과 관련한 법률적요인을 '법률 부재/미흡, 혼선/중복, 실효성 저하' 측면으로 나눠볼 수 있었다. 이와 관련한 개선과제로 'PM 교육·홍보, 주차·반납, 도로개선, PM 등록·관리, 보험, 안전기준, 통행기준, PM 기기안전, PM 부대시설, 단속/관리, 전담조직, 서비스제공업체, 관리체계, 이와 관련한 법/제도 개선'의 14개 핵심 부문에 대해 42개 세부과제를 도출하였다. 세부 과제에 대한 중요도 평가결과 비용, 시간, 효과, 시급성, 실현가능성 평가항목에 대해 평균이 종합적으로 높은 과제는 '단속/계도활동 강화, 교육홍보/캠페인, 무단방치 PM관리, 통행규정 명확화'로 나타났다. 결론: PM 시장은 공유 서비스를 기반으로 점차 시장 규모가 커지고 있으며, 산업 활성화와 더불어 PM 이용의 안전환경이 보장되어야 한다. 이러한 측면에서 본 연구는 PM 관련 주요 문제점, 개선방안을 종합적인 관점에서 모색하고 우선적으로 필요한 개선대책의 순위를 알아본데 있어 그 의미가 있으며 향후 정책수립 자료의 기초가 될 수 있다는 점에서 그 가치가 있다. 향후에는 실질적인 정책 적용을 위해 개선 핵심 분야별로 심층적인 자료 보완이 필요할 것이다.

• 대한원격탐사학회지
• /
• 제39권2호
• /
• pp.207-221
• /
• 2023

본 연구는 천리안위성 2A호의 Level 1B (L1B) 정보를 사용해 지상기온을 추정하기 위한 심층신경망(deep neural network, DNN) 기법을 적용하고 검증을 실시하였다. 지상기온은 지면으로부터 1.5 m 높이의 대기온도로 일상생활뿐만 아니라 폭염이나 한파와 같은 이슈에 밀접한 관련을 갖는다. 지상기온은 지표면 온도와 대기의 열 교환에 의해 결정되므로 위성으로부터 산출된 지표면 온도(land surface temperature, LST)를 이용한 지상기온 추정 연구가 활발하였다. 하지만 천리안위성 2A호 산출물 LST는 Level 2 정보로 구름영향이 없는 픽셀만 산출되는 한계가 있다. 따라서 본 연구에서는 Advanced Meteorological Imager 센서에서 측정된 원시데이터에 오직 복사와 위치보정을 마친 L1B 정보를 사용해 지상기온을 추정하기 위한 DNN 모델을 제시하고 그 성능을 가늠하기 위해 위성 LST와 지상관측 기온 사이의 선형회귀모델을 기준모델로 사용하였다. 연구기간은 2020년부터 2022년까지 3년으로 평가기간 2022년을 제외한 기간은 훈련기간으로 설정했다. 평가지표는 기상청의 종관기상관측소에서 정시에 관측된 기온정보로 평균 제곱근 오차를 사용하였다. 관측지점에서 추출된 픽셀 중 손실된 픽셀의 비율은 LST는 57.91%, L1B는 1.63%를 보였으며 LST의 비율이 낮은 이유는 구름의 영향 때문이다. 제안한 DNN의 구조는 16개 L1B 자료와 태양정보를 입력 받는 층과 은닉층 4개, 지상기온 1개를 출력하는 층으로 구성하였다. 연구결과 구름의 영향이 없는 경우 DNN 모델이 root mean square error (RMSE) 2.22℃로 기준모델의 RMSE 3.55℃ 보다 낮은 오차를 보였고, 흐린 조건을 포함한 총 RMSE는 3.34℃를 나타내면서 구름의 영향을 제거할 수 있을 것으로 보였다. 하지만 계절과 시간에 따른 분석결과 여름과 겨울철에 모델의 결정계수가 각각 0.51과 0.42로 매우 낮게 나타났고 일 변동의 분산이 0.11과 0.21로 나타났다. 가시채널을 고려해 태양 위치정보를 추가한 결과에서 결정계수가 0.67과 0.61로 개선되었고 시간에 따른 일 변동의 분산도 0.03과 0.1로 감소하면서 모든 계절과 시간대에 더 일반화된 모델을 생성할 수 있었다.

• 대한토목학회논문집
• /
• 제26권5D호
• /
• pp.885-894
• /
• 2006

본 논문의 의도는 하이퍼스펙트럴 영상의 다량의 밴드를 사용하면서도 효율적인 분류기법의 개발에 초점을 두고 있다. 본 연구에서는 하이퍼스펙트럴 영상의 분류에 있어 이론적으로 밴드수가 많아질수록 분류정확도가 높을 것이라 예상되는, 다변량 통계분석기법중의 하나인 정준상관분석을 적용한 분류기법을 제안한다. 그리고 기존의 대표적인 전통적 분류기법인 최대 우도분류 방법과 비교한다. 사용되는 하이퍼스펙트럴 영상은 2001년 9월 2일 취득된 EO1-Hyperion 영상이다. 실험을 위한 밴드수는 LANDSAT TM 영상에서 열밴드를 제외한 나머지 데이터의 파장대와 일치하는 부분을 감안하여 30개 밴드로 선정하였다. 지상실제데이터로서 비교기본도를 채택하였다. 이 비교기본도와 시각적으로 윤곽을 비교하고, 중첩분석하여 정확도를 평가하였다. 최대우도분류의 경우 수역 분류를 제외하고는 전혀 분류기법으로서의 역할을 하지 못하는 것으로 판단되며, 수역의 경우도 큰 호수 외에 작은 호수나 골프장내 연못, 부분적으로 물이 존재하는 작은 영역 등은 전혀 분류하지 못하고 있는 것으로 나타났다. 그러나 정준상관분류결과는 비교기본도와 형태적으로 시각적 비교를 해볼 때 골프장잔디를 거의 명확히 분류해 내고 있으며, 도시역에 대해서도 고속도로의 선형 등을 상당히 잘 분류해내고 있음을 알 수 있다. 또한 수역의 경우도 골프장 연못이나 대학교내 연못, 기타지역의 연못, 웅덩이 등 까지도 잘 분류해내고 있음을 확인할 수 있다. 결과적으로 정준상관분석 알고리즘의 개념상 트레이닝 영역 선정시 시행착오를 겪지 않고도 정확한 분류를 할 수 있었다. 또한 분류항목 중에서 잔디와 그 외 식물을 구분해 내는 능력과 수역을 추출해 내는 능력이 최대우도분류기법에 비해 우수하였다. 이상의 결과로 판단해 볼 때 하이퍼스펙트럴영상에 적용되는 정준상관분류기법은 농작물 작황 예측과 지표수 탐사에 매우 유용하리라 판단되며, 나아가서는 분광적 고해상도 영상인 하이퍼스펙트럴 데이터를 이용한 GIS 데이터베이스 구축에 중요한 역할을 할 수 있을 것으로 기대된다.

• 보건행정학회지
• /
• 제34권2호
• /
• pp.163-177
• /
• 2024

연구배경: 본 연구는 부당청구 예방형 자율점검제 시범사업의 "개선요청 통보 및 모니터링" 중재활동이 의료기관의 중재 실시 전과 후 청구건수와 청구총진료비 청구행태에 있어서의 변화를 검증하고자 하였다. 방법: 자료는 건강보험심사평가원의 2021년 7월부터 2022년 2월까지 시범사업 항목인 '정맥 내 일시주사(KK020)'를 청구한 기관 중 예방형 자율점검제 대상기관으로 선정된 1,129개 의료기관의 청구자료와 신고 현황자료를 활용하였다. 비교 대상을 선정하기 위해 1:3 비율로 성향점수매칭을 사용하였고, 청구행태 변화를 검증하기 위해 대응표본 t-검정과 t-검정을 실시하였다. 또한 청구행태 변화에 차이가 있는 경우 이에 영향을 미치는 요인분석을 위하여 회귀분석을 시행하였다. 결과: 중재 실시 전과 후의 청구행태는 실험군의 모든 의료기관 종별에서 청구건수와 청구총진료비가 유의하게 감소하였고, 의원의 대조군에서는 유의한 증가를 보였다. 의료기관 및 의사 특성에 따른 중재 실시 전·후 청구행태는 실험군은 의원의 의사 연령 40세 미만을 제외하고 모든 종별에서 유의하게 감소하였다. 대조군은 종합병원과 병원은 개원기간에서, 의원은 표시과목에서 일부 유의한 감소가 있었고, 의사 50세 이상 남성에서 유의하게 증가한 것으로 나타났다. 실험군 대상 의료기관의 청구행태에 변화에 대한 회귀분석 결과, 모든 종별에서 중재 실시 전과 후에 청구건수와 청구총진료비가 유의하게 감소하였다. 또한 의료기관과 의사 특성에서 병원은 개원기간이 길수록 유의한 증가를 나타났고, 의원은 소재지역과 표시과목(기타)에서 유의한 감소를 보였다. 결론: 실험군의 부당청구 예방형 자율점검제의 중재 실시 이후 청구경향의 변화가 연구가설대로 감소하는 경향을 보였다. 이는 제도 시행 직후에 의료기관 스스로 청구행태를 개선하고, 교정하는 사전예방적 활동의 효과가 존재하는 것으로 나타났다. 또한 대조군에서도 통보 대상기관 위주의 제도운영방식에도 불구하고 일부 유의한 감소가 나타난 것은 예방형 자율점검제의 간접적인 효과로 볼 수 있다. 따라서 비대상기관에도 청구행태 개선활동이 이루어질 수 있도록 적극적인 홍보와 교육, 간담회 등의 추가적인 지원과 지속적인 모니터링이 필요하다. 이를 통해 부당청구가 감소될 수 있도록 예방형 자율점검제를 확대하는 것이 바람직하다.

• Nuclear Engineering and Technology
• /
• 제56권4호
• /
• pp.1501-1512
• /
• 2024

Plasma disruption in tokamak experiments is a challenging issue that causes damage to the device. Reliable prediction methods are needed, but the lack of full understanding of plasma disruption limits the effectiveness of physics-driven methods. Data-driven methods based on supervised learning are commonly used, and they rely on labelled training data. However, manual labelling of disruption precursors is a time-consuming and challenging task, as some precursors are difficult to accurately identify. The mainstream labelling methods assume that the precursor onset occurs at a fixed time before disruption, which leads to mislabeled samples and suboptimal prediction performance. In this paper, we present disruption prediction methods based on anomaly detection to address these issues, demonstrating good prediction performance on J-TEXT and EAST. By evaluating precursor onset times using different anomaly detection algorithms, it is found that labelling methods can be improved since the onset times of different shots are not necessarily the same. The study optimizes precursor labelling using the onset times inferred by the anomaly detection predictor and test the optimized labels on supervised learning disruption predictors. The results on J-TEXT and EAST show that the models trained on the optimized labels outperform those trained on fixed onset time labels.