• Asian-Australasian Journal of Animal Sciences
• /
• 제30권10호
• /
• pp.1478-1485
• /
• 2017

Objective: The effects of vaccinating 18-day-old chicken embryos with the combination of recombinant Eimeria profilin plus Clostridium perfringens (C. perfringens) NetB proteins mixed in the Montanide IMS adjuvant on the chicken immune response to necrotic enteritis (NE) were investigated using an Eimeria maxima (E. maxima)/C. perfringens co-infection NE disease model that we previously developed. Methods: Eighteen-day-old broiler embryos were injected with $100{\mu}L$ of phosphate-buffered saline, profilin, profilin plus necrotic enteritis B-like (NetB), profilin plus NetB/Montanide adjuvant (IMS 106), and profilin plus Net-B/Montanide adjuvant (IMS 101). After post-hatch birds were challenged with our NE experimental disease model, body weights, intestinal lesions, serum antibody levels to NetB, and proinflammatory cytokine and chemokine mRNA levels in intestinal intraepithelial lymphocytes were measured. Results: Chickens in ovo vaccinated with recombinant profilin plus NetB proteins/IMS106 and recombinant profilin plus NetB proteins/IMS101 showed significantly increased body weight gains and reduced gut damages compared with the profilin-only group, respectively. Greater antibody response to NetB toxin were observed in the profilin plus NetB/IMS 106, and profilin plus NetB/IMS 101 groups compared with the other three vaccine/adjuvant groups. Finally, diminished levels of transcripts encoding for proinflammatory cytokines such as lipopolysaccharide-induced tumor necrosis $factor-{\alpha}$ factor, tumor necrosis factor superfamily 15, and interleukin-8 were observed in the intestinal lymphocytes of chickens in ovo injected with profilin plus NetB toxin in combination with IMS 106, and profilin plus NetB toxin in combination with IMS 101 compared with profilin protein alone bird. Conclusion: These results suggest that the Montanide IMS adjuvants potentiate host immunity to experimentally-induced avian NE when administered in ovo in conjunction with the profilin and NetB proteins, and may reduce disease pathology by attenuating the expression of proinflammatory cytokines and chemokines implicated in disease pathogenesis.

• Imaging Science in Dentistry
• /
• 제52권4호
• /
• pp.383-391
• /
• 2022

Purpose: Periodontitis, the most prevalent chronic inflammatory condition affecting teeth-supporting tissues, is diagnosed and classified through clinical and radiographic examinations. The staging of periodontitis using panoramic radiographs provides information for designing computer-assisted diagnostic systems. Performing image segmentation in periodontitis is required for image processing in diagnostic applications. This study evaluated image segmentation for periodontitis staging based on deep learning approaches. Materials and Methods: Multi-Label U-Net and Mask R-CNN models were compared for image segmentation to detect periodontitis using 100 digital panoramic radiographs. Normal conditions and 4 stages of periodontitis were annotated on these panoramic radiographs. A total of 1100 original and augmented images were then randomly divided into a training (75%) dataset to produce segmentation models and a testing (25%) dataset to determine the evaluation metrics of the segmentation models. Results: The performance of the segmentation models against the radiographic diagnosis of periodontitis conducted by a dentist was described by evaluation metrics(i.e., dice coefficient and intersection-over-union [IoU] score). MultiLabel U-Net achieved a dice coefficient of 0.96 and an IoU score of 0.97. Meanwhile, Mask R-CNN attained a dice coefficient of 0.87 and an IoU score of 0.74. U-Net showed the characteristic of semantic segmentation, and Mask R-CNN performed instance segmentation with accuracy, precision, recall, and F1-score values of 95%, 85.6%, 88.2%, and 86.6%, respectively. Conclusion: Multi-Label U-Net produced superior image segmentation to that of Mask R-CNN. The authors recommend integrating it with other techniques to develop hybrid models for automatic periodontitis detection.

• 한국지능정보시스템학회:학술대회논문집
• /
• 한국지능정보시스템학회 2005년도 공동추계학술대회
• /
• pp.425-428
• /
• 2005

Healthcare is a research field suitable for applying the recent ubiquitous techniques. As a test system, we developed a kind of CDSS (Clinical Decision Support System) running in ubiquitous environment. called as 'uCDSS'. The uCDSS is a core system of the ubiquitous healthcare and is composed of some 'uMLMs(Ubiquitous Medical Logic Modules)'. The uMLMs based on the class in C# programming language could be reused in development of CDSS, or another EHR system running in .NET environment. As a test system, we developed the DM(Diabetes Mellitus knowledge system using ASP.NET. This system shows the potential of C# class-based uMLMs and the extensibility to any .NET development project.

• 항공우주시스템공학회지
• /
• 제18권3호
• /
• pp.41-47
• /
• 2024

최근에 무인항공기의 실용화 및 사업화가 추진됨에 따라 무인항공기의 안전성 확보에 관한 관심이 증가하고 있다. 무인항공기의 사고는 재산 및 인명 피해를 발생시키기 때문에 사고를 예방할 수 있는 기술의 개발은 중요하다. 이러한 이유로 AutoEncoder 모델을 이용한 비정상 비행 상태 탐지 기법이 개발되었다. 그러나 기존 탐지 기법은 성능과 실시간 처리 측면에서 한계를 지닌다. 본 논문에서는 U-Net 기반 비정상 비행 탐지 기법을 제안한다. 제안하는 기법에서는 U-Net 모델에서 얻어지는 재구성 오차에 대한 마할라노비스 거리 증가량에 기반하여 비정상 비행이 탐지된다. 모의실험을 통해 제안 탐지 기법이 기존 탐지 기법에 비해 탐지 성능이 우수하며 온보드 환경에서 실시간으로 구동될 수 있음을 알 수 있다.

• 대한원격탐사학회지
• /
• 제37권3호
• /
• pp.409-418
• /
• 2021

토지피복도는 국토정책, 환경정책을 위한 의사결정 근거 자료로 활용되는 매우 중요한 자료이다. 토지피복도는 원격탐사 자료를 활용하여 제작되는데, 이때 사용되는 데이터의 취득 시기에 따라 동일한 지역을 대상으로 하더라도 분류 결과가 달라질 수 있다. 본 연구에서는 단시기 데이터의 분류 정확도를 개선하기 위해 다중시기 위성영상을 활용하였으며 계절에 따른 지표면의 분광 반사 특성 차이를 딥러닝 알고리즘의 하나인 U-Net 모델에 학습시켜 분류하였다. 또한 단시기 분류 결과와 정확도 비교를 통해 분류 정확도의 향상 정도를 비교하였다. 구역 내에 30%의 녹지와 한강을 포함하여 다양한 토지피복으로 이루어진 서울특별시를 연구대상지로 설정하고 2020년 분기별 Sentinel-2 위성영상을 산출하였다. 대한민국 환경부에서 작성한 세분류 토지피복도를 활용하여 U-Net 모델을 학습시켰다. 학습한 U-Net 모델을 통해 단시기, 2시기, 3시기, 4시기로 모델을 학습하여 분류한 결과, 단시기를 제외하고 토지피복도 분류 정확도 확보기준인 75%를 상회하는 81%, 82% 79%의 정확도를 나타냈다. 이를 통해 다중 시계열 학습을 통해 토지피복의 분류 정확도 향상이 가능하다는 것을 확인하였다.

• 대한원격탐사학회지
• /
• 제36권6_2호
• /
• pp.1579-1590
• /
• 2020

본 논문에서는 고해상도의 위성영상을 활용하여 도시의 변화 양상을 분석하기 위하여 SPADE기반의 U-Net과 객체 영역기반 변화탐지 방법을 제안한다. 제안하는 네트워크는 기존의 U-Net에서 공간 정보를 잃지 않기 위해 SPADE를 사용했다. 고해상도 위성영상을 활용한 변화탐지 방법은 계획, 예측 등 다양한 도시 문제를 해결하기 위해 활용할 수 있다. IR-MAD 등 전통적인 방법인 화소 기반의 변화탐지를 수행할 경우, 다중 시기 영상 간의 기후, 계절 변화 등에 의해 화소의 변화가 민감하기 때문에 미변화 지역들이 변화 지역으로 오탐지될 가능성이 매우 크다. 이에 본 논문에서는 시계열 위성영상에서 도시를 구성하는 객체에 대한 변위를 정확하게 탐지하기 위해 도시를 구성하는 주요 공간 객체를 정의하고, 딥러닝 기반 영상 분할을 통해 추출한 후 영역 간의 변위 오차를 분석하여 변화탐지를 수행한다. 변화 양상을 분석하기 위한 공간 객체로 건축물, 도로, 농경지, 비닐하우스, 산림 영역, 수변 영역의 6개로 정의하였다. KOMPSAT-3A 위성영상으로 학습한 각 네트워크 모델을 시계열 KOMPSAT-3 위성영상에 대한 변화탐지를 수행한다. 객관적인 성능 평가를 위한 변화탐지 지표는 F1-score, Kappa를 사용한다. 제안하는 변화탐지 기법은 U-Net, UNet++ 대비 뛰어난 결과를 보이며, 평균 F1 score는 0.77, kappa는 77.29의 성능을 확인할 수 있다.

• 대한원격탐사학회지
• /
• 제39권3호
• /
• pp.269-282
• /
• 2023

본 연구는 딥러닝 모델(deep learning model)을 활용하여 토지피복분류를 수행하였으며 입력 이미지의 크기, Stride 적용 등 데이터세트(dataset)의 조절을 통해 토지피복분류를 위한 최적의 딥러닝 모델 선정을 목적으로 하였다. 적용한 딥러닝 모델은 3종류로 Encoder-Decoder 구조를 가진 U-net과 DeeplabV3+, 두 가지 모델을 결합한 앙상블(Ensemble) 모델을 활용하였다. 데이터세트는 RapidEye 위성영상을 입력영상으로, 라벨(label) 이미지는 Intergovernmental Panel on Climate Change 토지이용의 6가지 범주에 따라 구축한 Raster 이미지를 참값으로 활용하였다. 딥러닝 모델의 정확도 향상을 위해 데이터세트의 질적 향상 문제에 대해 주목하였으며 딥러닝 모델(U-net, DeeplabV3+, Ensemble), 입력 이미지 크기(64 × 64 pixel, 256 × 256 pixel), Stride 적용(50%, 100%) 조합을 통해 12가지 토지피복도를 구축하였다. 라벨 이미지와 딥러닝 모델 기반의 토지피복도의 정합성 평가결과, U-net과 DeeplabV3+ 모델의 전체 정확도는 각각 최대 약 87.9%와 89.8%, kappa 계수는 모두 약 72% 이상으로 높은 정확도를 보였으며, 64 × 64 pixel 크기의 데이터세트를 활용한 U-net 모델의 정확도가 가장 높았다. 또한 딥러닝 모델에 앙상블 및 Stride를 적용한 결과, 최대 약 3% 정확도가 상승하였으며 Semantic Segmentation 기반 딥러닝 모델의 단점인 경계간의 불일치가 개선됨을 확인하였다.

• 천문학회보
• /
• 제36권2호
• /
• pp.120.2-120.2
• /
• 2011

최근 북반구 하늘에 대한 SDSS 관측으로부터 우리은하 주변에서 다수 발견된 Ultra-Faint Dwarf Galaxies (uFDs)는 우주의 차가운 암흑물질 (CDM) 이론에서 예측한 질량이 작은 위성은하의 후보로 알려져 있다. 특히 이 uFDs는 역학적 특성과 관련하여 특이한 특징을 갖는 것으로 알려져 있다. 그러나 아직 그 수가 충분하지 않아 더 많은 수의 uFDs의 발견이 기대되고 있다. 이 연구에서는 남반구에서 가동이 시작된 남반구 전천 탐사 망원경 SkyMapper와 향후 가동하게 될 KMT-Net를 이용하여 남반구 하늘에서 SDSS 보다 더 1~2 등급 깊은 관측을 수행하여 다수의 더 어두운 uFDs를 탐색하고, 그 은하와 CDM의 특성을 연구함으로써 우리은하뿐만 아니라 우주의 구조와 진화에서의 CDM의 역할을 규명하는 프로젝트를 제안하려한다. 이 연구에서는 SkyMapper와 KMT-Net의 상호 역할, 관측전략, 기대효과 등 제반사항을 논의하려 한다.

• Smart Structures and Systems
• /
• 제29권1호
• /
• pp.1-16
• /
• 2022

Despite recent breakthroughs in deep learning and computer vision fields, the pixel-wise identification of tiny objects in high-resolution images with complex disturbances remains challenging. This study proposes a modified U-net for tiny crack segmentation in real-world steel-box-girder bridges. The modified U-net adopts the common U-net framework and a novel Self-Attention-Self-Adaption (SASA) neuron as the fundamental computing element. The Self-Attention module applies softmax and gate operations to obtain the attention vector. It enables the neuron to focus on the most significant receptive fields when processing large-scale feature maps. The Self-Adaption module consists of a multiplayer perceptron subnet and achieves deeper feature extraction inside a single neuron. For data augmentation, a grid-based crack random elastic deformation (CRED) algorithm is designed to enrich the diversities and irregular shapes of distributed cracks. Grid-based uniform control nodes are first set on both input images and binary labels, random offsets are then employed on these control nodes, and bilinear interpolation is performed for the rest pixels. The proposed SASA neuron and CRED algorithm are simultaneously deployed to train the modified U-net. 200 raw images with a high resolution of 4928 × 3264 are collected, 160 for training and the rest 40 for the test. 512 × 512 patches are generated from the original images by a sliding window with an overlap of 256 as inputs. Results show that the average IoU between the recognized and ground-truth cracks reaches 0.409, which is 29.8% higher than the regular U-net. A five-fold cross-validation study is performed to verify that the proposed method is robust to different training and test images. Ablation experiments further demonstrate the effectiveness of the proposed SASA neuron and CRED algorithm. Promotions of the average IoU individually utilizing the SASA and CRED module add up to the final promotion of the full model, indicating that the SASA and CRED modules contribute to the different stages of model and data in the training process.

• 정보처리학회 논문지
• /
• 제13권7호
• /
• pp.326-334
• /
• 2024

파노라마 X-ray (PX) 및 Cone Beam Computed Tomography (CBCT)와 같은 구강 영상 기술은 영상 촬영 시 환자의 편의성과 전체 치아 정보를 시각화할 수 있는 능력으로 인해 치과 진료소에서 가장 선호되는 영상 기법이다. PX는 일상적인 임상 치료에 선호되고, CBCT는 복잡한 수술 및 임플란트 치료에 선호된다. 그러나 PX는 3차원 공간정보가 부족하다는 한계가 있는 반면 CBCT는 환자에게 높은 방사선 노출을 초래한다. PX가 이미 사용 가능한 경우 PX로부터 3D강 구강구조를 복원함으로써 추가 비용을 줄이고 방사선량을 피할 수 있다. 본 논문에서는 PX 이미지로부터 구강구조의 3차원 복원을 위한 U-Net 기반 딥러닝 프레임워크인 3DentAI를 제안한다. 제안된 프레임워크는 PX 이미지에서 깊이를 추정하기 위한 Attention U-Net 기반 재구성 모듈, 사전 정의된 초점 골 및 광선 데이터를 사용하여 예측된 편평 볼륨을 턱 모양에 정렬하기 위한 재정렬 모듈과, 구강의 원활한 표현을 얻기 위해 누락된 정보를 보간하는 3D U-Net 기반 개선 모듈의 세 가지 모듈로 구성된다. 네트워크를 훈련하기 위해, 쌍을 이루는 PX 및 CBCT 데이터셋 대신에 광선 추적 및 렌더링을 통해 CBCT로 부터 합성한 PX 데이터를 사용하였다. 600명의 환자로 구성된 다양한 데이터셋으로 모델을 훈련한 결과, 낮은 계산 복잡도에도 GAN 기반 모델에 비해 우수한 성능을 보였다.