• 한국의학물리학회지:의학물리
• /
• 제20권3호
• /
• pp.139-144
• /
• 2009

최근 스텐트 시술의 수학적인 분석은 스텐트의 위치와 기계적인 반응을 측정하는 여러 가지 툴이 개발됨에 따라 발전하고 있다. 그러나 기존의 연구의 경우, 전산모사 실험을 통해 여러 요소에 따른 변형 정도 및 응력 분포, 팽창력 등과 같은 성능평가에 대한 연구가 주류를 이루며 전산모사 실험을 통한 응력 분포 및 변형 정도에 대한 소프트웨어의 검증은 거의 없는 실정이다. 따라서 본 연구에서는 만능재료 시험기를 이용한 실험을 통해 얻은 결과와 전산모사 실험 결과의 유의성 검증을 통해 해당 전산 모사용 소프트웨어를 통한 전산모사 실험 결과에 신뢰성을 부여하였다. 또한 이를 토대로 전산모사 실험을 통해 스텐트 피막 유무에 따른 스텐트의 응력분포를 분석하고자 하였다. 본 연구에서는 전산모사 실험 데이터와 실제 인장 시험 데이터를 통한 유의성 검증을 하고자 하였다. 스텐트의 연결 부분에 대해 유한요소 해석법을 적용하여 전산모사 실험을 수행한 결과, 178.93 MPa의 최대응력으로 인장시험 결과인 184.23 MPa와 거의 유사한 값을 가졌으며, 이를 통해 인장시험 결과와 전산모사 결과가 유의성을 가짐을 검증할 수 있었다. 또한 피막 유무에 따른 스텐트의 전산모사 실험을 통해 피막에서는 접촉부, 나이티놀에서는 연결부에서 최대 응력이 발생함을 알 수 있었다. 그리고 피막이 있는 경우에는 피막의 장력으로 인해 연결부분에서 형상을 유지하고 있으나 피막이 없는 경우에는 이격 및 교차부에서 슬립이 발생함을 알 수 있었다. 이러한 결과들을 통해 스텐트 설계 초기에 있어 해당 전산모사용 소프트웨어를 통해 해석을 수행하여 그에 따른 해석 결과를 설계에 반영함으로써 설계 변경을 최소화할 수 있고, 이에 따라 양질의 설계 품질 확보가 가능할 것으로 사료된다.

• 지능정보연구
• /
• 제27권3호
• /
• pp.139-156
• /
• 2021

이미지 분류에서 딥러닝 모형을 사용하는 가장 큰 이유는 이미지의 전체적인 정보에서 각 지역 특징을 추출하여 서로의 관계를 고려할 수 있기 때문이다. 하지만 이미지의 지역 특징이 없는 감정 이미지 데이터는 CNN 모델이 적합하지 않을 수 있다. 이러한 감정 이미지 분류의 어려움을 해결하기 위하여 매년 많은 연구자들이 감정 이미지에 적합한 CNN기반 아키텍처를 제시하고 있다. 색깔과 사람 감정간의 관계에 대한 연구들도 수행되었으며, 색깔에 따라 다른 감정이 유도된다는 결과들이 도출되었다. 딥러닝을 활용한 연구에서도 색깔정보를 활용하여 이미지 감성분류에 적용하는 연구들이 있어왔으며, 이미지만을 가지고 분류 모형을 학습한 경우보다 이미지의 색깔 정보를 추가로 활용한 경우가 이미지 감성 분류 정확도를 더 높일 수 있었다. 본 연구는 사람이 이미지의 감정을 분류하는 기준 중 많은 부분을 차지하는 색감을 이용하여 이미지 감성 분류 정확도를 향상시키는 방안을 제안한다. 이미지의 RGB 값에 K 평균 군집화 방안을 적용하여 이미지를 대표하는 색을 추출하여, 각 감성 클래스 별 해당 색깔이 나올 확률을 가중치 식으로 변형 후 CNN 모델의 최종 Layer에 적용하는 이-단계 학습방안을 구현하였다. 이미지 데이터는 6가지 감정으로 분류되는 Emotion6와 8가지 감정으로 분류되는 Artphoto를 사용하였다. 학습에 사용한 CNN 모델은 Densenet169, Mnasnet, Resnet101, Resnet152, Vgg19를 사용하였으며, 성능 평가는 5겹 교차검증으로 CNN 모델에 이-단계 학습 방안을 적용하여 전후 성과를 비교하였다. CNN 아키텍처만을 활용한 경우보다 색 속성에서 추출한 정보를 함께 사용하였을 때 더 좋은 분류 정확도를 보였다.