• 대한영상의학회지
• /
• 제83권2호
• /
• pp.344-359
• /
• 2022

목적 깊은 컨볼루션 신경망 기법을 결합한 영상 잡음 제거 알고리즘을 개발하고 이를 응용하여 저선량 유방 촬영 영상으로 유방암을 진단하는 데 그 효능을 조사하고자 한다. 대상과 방법 6명의 유방 영상 전문의가 전향적 연구에 참여하였다. 모든 영상 전문의는 병변 감지를 위해 저선량 영상을 독립적으로 평가하고 정성적 척도를 사용하여 진단 품질을 평가하였다. 영상 잡음 제거 알고리즘을 적용한 후, 동일한 영상 전문의가 병변 감지 가능성과 영상 품질에 대한 평가를 하였다. 임상 적용을 위해 동일한 영상 전문의가 병변 유형과 위치에 대한 합의 결정 후, 저선량 영상, 재구성된 영상, 기존 선량 영상을 무작위 순서로 제시하여 평가하였다. 결과 전 절제 표본의 저선량 영상을 참조로 40% 재구성된 영상에서 병변이 더 잘 인식되었다. 임상 적용단계에서 40% 재구성된 영상과 비교하여, 기존 선량 영상이 해상도(p < 0.001), 석회에 대한 진단 품질(p < 0.001), 유방 종괴, 비대칭, 구조왜곡의 진단 품질(p = 0.037)에 대해 더 높은 평균값을 보였다. 40% 재구성된 영상은 100% 영상과 비교 시 전반적 화질(p = 0.547), 병변의 가시성(p = 0.120), 대조도(p = 0.083)에서 비슷한 성적을 보였으며 유의미한 차이도 보이지 않았다. 결론 깊은 컨볼루션 신경망 기법을 결합한 효과적인 잡음 제거 및 영상 재구성 처리 알고리즘은 유방 촬영의 상당한 선량 감소를 위한 길을 열어 유방암 진단을 가능하게 할 것이다.

• 지능정보연구
• /
• 제24권1호
• /
• pp.167-181
• /
• 2018

지난 10여 년간 딥러닝(Deep Learning)은 다양한 기계학습 알고리즘 중에서 많은 주목을 받아 왔다. 특히 이미지를 인식하고 분류하는데 효과적인 알고리즘으로 알려져 있는 합성곱 신경망(Convolutional Neural Network, CNN)은 여러 분야의 분류 및 예측 문제에 널리 응용되고 있다. 본 연구에서는 기계학습 연구에서 가장 어려운 예측 문제 중 하나인 주식시장 예측에 합성곱 신경망을 적용하고자 한다. 구체적으로 본 연구에서는 그래프를 입력값으로 사용하여 주식시장의 방향(상승 또는 하락)을 예측하는 이진분류기로써 합성곱 신경망을 적용하였다. 이는 그래프를 보고 주가지수가 오를 것인지 내릴 것인지에 대해 경향을 예측하는 이른바 기술적 분석가를 모방하는 기계학습 알고리즘을 개발하는 과제라 할 수 있다. 본 연구는 크게 다음의 네 단계로 수행된다. 첫 번째 단계에서는 데이터 세트를 5일 단위로 나눈다. 두 번째 단계에서는 5일 단위로 나눈 데이터에 대하여 그래프를 만든다. 세 번째 단계에서는 이전 단계에서 생성된 그래프를 사용하여 학습용과 검증용 데이터 세트를 나누고 합성곱 신경망 분류기를 학습시킨다. 네 번째 단계에서는 검증용 데이터 세트를 사용하여 다른 분류 모형들과 성과를 비교한다. 제안한 모델의 유효성을 검증하기 위해 2009년 1월부터 2017년 2월까지의 약 8년간의 KOSPI200 데이터 2,026건의 실험 데이터를 사용하였다. 실험 데이터 세트는 CCI, 모멘텀, ROC 등 한국 주식시장에서 사용하는 대표적인 기술지표 12개로 구성되었다. 결과적으로 실험 데이터 세트에 합성곱 신경망 알고리즘을 적용하였을 때 로지스틱회귀모형, 단일계층신경망, SVM과 비교하여 제안모형인 CNN이 통계적으로 유의한 수준의 예측 정확도를 나타냈다.

• 대한핵의학회지
• /
• 제38권4호
• /
• pp.318-324
• /
• 2004

목적: Philips GEMINI PET/CT 스캐너는 GSO 섬광결정을 사용해 제작된 전신용 PET/CT 스캐너이다. 이 연구에서는 NEMA에서 새롭게 제안한 NEMA NU2-2001에 따라 GEMINI PET/CT 스캐너의 공간분해능, 민감도, 산란분획, NECR 등을 평가하고 그 결과를 BGO, LSO등의 섬광결정의 특성과 비교하였다. 대상 및 방법: GEMINI는 Philips ALLEGRO PET과 MX8000 D multi-slice CT 스캐너를 결합한 PET/CT 스캐너로서 검출기는 GSO 섬광결정 ($4{\times}6{\times}20mm^3$)을 사용하였고 축방향 시야는 18 cm이다. 공간분해능. 민감도, 산란분획, NECR 등을 평가하기 위하여 PET 데이터를 획득하였다(동시계수창: 8 ns, 에너지창: $409{\sim}664$ keV). 공간분해능 측정을 위하여 축횡단면의 중심에서 1 cm, 10 cm 떨어진 지점의 각 3지점((a) x=0, y=1, (b)x=10, y=0, (c)x=0, y=10)에서 영상을 획득한 다음 여과후역투사방법(램프필터 사용)과 3D RAMLA를 이용하여 영상재구성을 하고 FWHM을 구하였다. 민감도 측정을 위하여 선선원(F-18)을 축횡단면의 중심과 중심에서 10 cm 벗어난 지점에서 5개의 알루미늄관을 차례로 씌워 매질감쇠에 따라 달라지는 참계수를 구하고 이 값을 회귀분석하여 감쇠매질이 없는 이상적인 상황에서의 민감도를 측정하였다(랜덤계수가 참계수의 1%이내). 산란분획과 NECR을 측정하기 위하여 F-18 선선원(1110 MBq)을 산란팬텀에 주입하여 7반감기동안 계수를 획득하였다. SSRB을 사용하여 3D 데이터를 재구성한 다음 랜덤계수율이 참계수율이 1% 미만인 영역에서 산란분획을 구하고 각 횡단면의 값을 평균하여 전체 산란분획을 얻었다. 이 값을 기초로 각 프레임, 각 횡단면에 대한 랜덤계수율, 산란계수율, NECR을 구하였다. 결과: 스캐너의 중심에서 1 cm 벗어난 지점에서 횡축방향, 축방향 공간분해능은 (1) 5.3, 6.5 mm (FBP), (2) 5.1, 5.9 mm (3D RAMLA)이었다. 횡단면의 중심에서 10 cm 벗어난 지점에서 횡축반경방향, 횡축접선방향, 축방향 공간분해능은 (1) 5.7, 5.7, 7.0 mm (FBP), (2) 5.4, 5.4, 6.4 mm (3D RAMLA)이었다. 감쇠매질이 없는 이상적인 상황에서의 민감도는 횡단면의 중심에서 3,620 counts/sec/MBq, 횡단면의 중심에서 10 cm 벗어난 지점에서 4,324 counts/sec/MBq이었다. 산란분획은 40.6%, 최대 참계수율과 최대 NECR은 각각 88.9 kcps @ 12.9 kBq/mL, 34.3 kcps @ 8.84 kBq/mL이었다. 결론: 이 실험에서 NEMA NU2-2001을 이용해 GSO 섬광결정을 사용해 제작된 PET/CT에 대한 성능 평가를 실시하였다. 이는 BGO, LSO 섬광결정을 사용해 제작된 PET 스캐너의 특성과 비교할 수 있는 자료를 제공하며 PET 영상 획득 시 객관적 평가와 분석에 유용하였다.

• 지능정보연구
• /
• 제25권4호
• /
• pp.141-154
• /
• 2019

인터넷 기술과 소셜 미디어의 빠른 성장으로 인하여, 구조화되지 않은 문서 표현도 다양한 응용 프로그램에 사용할 수 있게 마이닝 기술이 발전되었다. 그 중 감성분석은 제품이나 서비스에 내재된 사용자의 감성을 탐지할 수 있는 분석방법이기 때문에 지난 몇 년 동안 많은 관심을 받아왔다. 감성분석에서는 주로 텍스트 데이터를 이용하여 사람들의 감성을 사전 정의된 긍정 및 부정의 범주를 할당하여 분석하며, 이때 사전 정의된 레이블을 이용하기 때문에 다양한 방향으로 연구가 진행되고 있다. 초기의 감성분석 연구에서는 쇼핑몰 상품의 리뷰 중심으로 진행되었지만, 최근에는 블로그, 뉴스기사, 날씨 예보, 영화 리뷰, SNS, 주식시장의 동향 등 다양한 분야에 적용되고 있다. 많은 선행연구들이 진행되어 왔으나 대부분 전통적인 단일 기계학습기법에 의존한 감성분류를 시도하였기에 분류 정확도 면에서 한계점이 있었다. 본 연구에서는 전통적인 기계학습기법 대신 대용량 데이터의 처리에 우수한 성능을 보이는 딥러닝 기법과 딥러닝 중 CNN과 LSTM의 조합모델을 이용하여 감성분석의 분류 정확도를 개선하고자 한다. 본 연구에서는 대표적인 영화 리뷰 데이터셋인 IMDB의 리뷰 데이터 셋을 이용하여, 감성분석의 극성분석을 긍정 및 부정으로 범주를 분류하고, 딥러닝과 제안하는 조합모델을 활용하여 극성분석의 예측 정확도를 개선하는 것을 목적으로 한다. 이 과정에서 여러 매개 변수가 존재하기 때문에 그 수치와 정밀도의 관계에 대해 고찰하여 최적의 조합을 찾아 정확도 등 감성분석의 성능 개선을 시도한다. 연구 결과, 딥러닝 기반의 분류 모형이 좋은 분류성과를 보였으며, 특히 본 연구에서 제안하는 CNN-LSTM 조합모델의 성과가 가장 우수한 것으로 나타났다.