• 방송공학회논문지
• /
• 제23권6호
• /
• pp.768-779
• /
• 2018

본 논문에서는 동영상 화질을 최대한 유지하면서 압축 비트량 절감을 효율적으로 이루기 위해 복수개의 영상처리 필터를 영상의 블록에 따라 선택적으로 적용하고, 영상처리 필터의 선택을 위한 MSSSIM(Multi-Scale Structural SIMilarity) 및 쿨백-라이블러 발산(Kullback-Leibler divergence: KL-Divergence) 기반의 영상 처리 평가 함수를 제안한다. 영상압축의 경우, 영상 내 특징에 따라 화질과 비트량 절감의 특성이 다르며, 이에 따라 단일 목적을 가진 영상처리 필터로서는 화질을 유지하면서, 비트량 절감이라는 목적을 동시에 만족 시키기 어렵다. 이에 따라, 주관적 화질을 최대한 유지하면서, 비트량을 절감시키기 위해 주관적 화질 측도로서 MSSSIM를 사용하고 비트 량 측도를 위하여 쿨백-라이블러 발산을 사용함과 동시에 두 가지 척도를 하나의 척도로 결합시키기 위한 방법을 제안한다. 아울러 제안한 측도를 사용하여 서로 다른 특성을 가진 영상처리 필터를 전처리 필터로 사용할 경우, 주관적 화질을 최대한 유지하면서 비트량 절감을 유지할 수 있도록 동영상 압축이 가능함을 확인할 수 있었다.

• Korean Journal of Radiology
• /
• 제24권8호
• /
• pp.807-820
• /
• 2023

Objective: To assess whether computed tomography (CT) conversion across different scan parameters and manufacturers using a routable generative adversarial network (RouteGAN) can improve the accuracy and variability in quantifying interstitial lung disease (ILD) using a deep learning-based automated software. Materials and Methods: This study included patients with ILD who underwent thin-section CT. Unmatched CT images obtained using scanners from four manufacturers (vendors A-D), standard- or low-radiation doses, and sharp or medium kernels were classified into groups 1-7 according to acquisition conditions. CT images in groups 2-7 were converted into the target CT style (Group 1: vendor A, standard dose, and sharp kernel) using a RouteGAN. ILD was quantified on original and converted CT images using a deep learning-based software (Aview, Coreline Soft). The accuracy of quantification was analyzed using the dice similarity coefficient (DSC) and pixel-wise overlap accuracy metrics against manual quantification by a radiologist. Five radiologists evaluated quantification accuracy using a 10-point visual scoring system. Results: Three hundred and fifty CT slices from 150 patients (mean age: 67.6 ± 10.7 years; 56 females) were included. The overlap accuracies for quantifying total abnormalities in groups 2-7 improved after CT conversion (original vs. converted: 0.63 vs. 0.68 for DSC, 0.66 vs. 0.70 for pixel-wise recall, and 0.68 vs. 0.73 for pixel-wise precision; P < 0.002 for all). The DSCs of fibrosis score, honeycombing, and reticulation significantly increased after CT conversion (0.32 vs. 0.64, 0.19 vs. 0.47, and 0.23 vs. 0.54, P < 0.002 for all), whereas those of ground-glass opacity, consolidation, and emphysema did not change significantly or decreased slightly. The radiologists' scores were significantly higher (P < 0.001) and less variable on converted CT. Conclusion: CT conversion using a RouteGAN can improve the accuracy and variability of CT images obtained using different scan parameters and manufacturers in deep learning-based quantification of ILD.

• 대한전자공학회논문지SP
• /
• 제48권4호
• /
• pp.21-29
• /
• 2011

사전에 정의된 피부 색상 정보를 이용한 기존 피부 검출 방법들은 배경과 피부 영역을 분할하는 단계에서 사용되는 임계값을 실험을 통하여 주관적 관점에서 결정하였다. 또한 기존 방법들은 배경 환경과 조명 환경에 따라 각각 다른 임계값을 설정하였다. 이러한 기존 방법들은 반복 실험을 통하여 추정된 임계값에 따라 성능이 좌우되는 단점이 제시되었다. 제시된 기존 방법들의 단점을 극복하기 위하여 본 논문은 mean shift 알고리즘 기반의 히스토그램 근사화를 이용한 피부 영역 검출 방법을 제안한다. 제안하는 방법은 CbCr 컬러공간에서의 표준 피부색상과 유사도를 비교하여 생성된 입력 영상의 피부맵(skin-map)의 히스토그램에서 mean shift 방법을 이용하여 각각 밝기 영역별로 수렴하는 극대점을 능동적으로 찾아서 배경 영역과 피부영역으로 분할한다. 히스토그램은 픽셀의 명도값에 따라 누적되는 불연속 함수의 형태를 가지므로 베이지 곡선(Bezier curve) 기법을 이용하여 연속 가우시안 함수로 근사화된다. 따라서 제안하는 방법은 기존 방법에서처럼 수동적으로 임계값을 설정하는 방법을 사용하지 않고 mean shift 기법을 이용하여 능동적으로 영역 분할점인 극대점을 찾아서 피부 영역을 검출한다. 제안된 방법은 실험을 통하여 강인하고 효율적으로 피부 영역을 검출하였다.