• Proceedings of the Korea Information Processing Society Conference
• /
• 2019.05a
• /
• pp.145-148
• /
• 2019

생체인식(Biometrics)이란 사용자 고유의 신체특성을 추출하여 정보화시키고 이를 활용하여 응용 서비스를 개발 및 제공하는 것 까지 의미한다. 9.11 사건 이후 생체인식을 활용한 사용자 인증기술은 매우 중요하게 인식되고 있으며 최근 스마트헬스, 원격의료서비스까지 활용범위가 증가하고 있다. 이 논문에서는 생체인식 분야 국내외 공식 표준화기구에 대해 소개하고 물리적 고유형태의 생체 정보 한계를 극복하기 위한 생체신호 연구 및 서비스에 어떤 연구가 진행되고 있는지에 대해 설명한다. 그리고 최근 주목 받고 있는 인공지능, 블록체인 등이 생체인식 기술에 어떻게 응용 될 수 있는지에 대해 논의하여 앞으로 발전할 생체인식 기술 방향과 발전에 필요한 요소들을 제시한다.

• The Journal of Information Systems
• /
• v.28 no.3
• /
• pp.141-158
• /
• 2019

Purpose Artificial Intelligence (AI) is a core technology, leading the 4th industrial revolution. This study aims to diagnose the Korean's national competitiveness for AI technologies through patent analyses. Design/methodology/approach In this study, KIWEE and Derwent Innovation databases were used as data source of patents. we extracted 10,510 AI patents data with keywords and classified them into 15 subcategories of AI technology. We executed patent analyses for activity index, patent intensity index, technology strength, and patent family size and diagnosed Korea's national competitiveness in AI industry. Findings The results showed that Korea is less competitive than the United States and Japan in AI industry. However, patent amount has increased since 2010, which is encouraging result. This study has implication on the need for human and R&D investment in AI industry.

• Broadcasting and Media Magazine
• /
• v.27 no.2
• /
• pp.35-42
• /
• 2022

3차원 깊이 영상은 시점으로부터 객체까지의 거리와 관련된 정보를 제공하는 영상으로 최근 자율주행 자동차, 스마트 드론, 로보틱스, 증강 현실, 의료 영상 등에 핵심 정보로 활용되는 매우 중요한 정보이다. 이에 따라 컴퓨터 비전 분야에서는 2차원 영상으로부터 3차원 깊이 정보를 획득하는 연구가 계속되어 왔고, 최근 인공지능 기술의 발달에 힘입어 그 성능도 나날이 향상되고 있다. 그 중에서도 스테레오 영상 간의 매칭을 통하여 깊이 정보를 획득하는 스테레오 매칭 기술은 데이터베이스 구축이 비교적 용이하고 획득 환경이 제한적이지 않다는 장점으로 인해 널리 활용되고 있다. 하지만 텍스쳐가 없는 영역, 패턴이 반복되는 영역, 가림 영역 등에서 성능에 한계를 보이기 때문에, 깊이 영상의 신뢰도를 추정하는 스테레오 깊이 영상의 신뢰도 추정 기술을 이용하여 깊이 정보를 효과적으로 복원할 수 있다. 본 고에서는 스테레오 매칭을 통하여 획득한 깊이 영상의 신뢰도 추정 기술의 발전 동향을 살펴보고 현재 기술의 한계점과 향후 나아갈 방향에 대해서 토의한다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2024.05a
• /
• pp.777-779
• /
• 2024

현대 사회에서 인공지능은 다양한 분야에서 사용되며 발전하고 있다. 특히 의료, 공업, 경제, 농업, 정치 등에 영향을 미치며, 데이터 프라이버시 문제가 빈번히 발생한다. 이를 해결하기 위해 연합학습이 제안되었는데, 이는 로컬 디바이스에서 학습한 모델만을 중앙 서버로 전송하여 프라이버시를 보장하고 효율성을 높인다. 하지만 연합학습은 중앙 서버를 필요로 하므로 탈중앙적인 환경에서는 사용할 수 없는 단점이 있다. 이를 보완하기 위해 본 논문에서는 서버가 없는 다양한 환경에서 연합학습을 적용할 수 있는 비-완전 연결 분산형 연합학습 알고리즘을 소개한다. 비-완전 연결 분산형 연합학습 알고리즘은 모든 노드가 서로 연결 되어있는 상태가 아닌 특정 노드와만 연결 되어있는 형태로 대부분의 실전 분산형 환경에서 사용할 수 있다. 본 방식의 학습 정확도는 일반적인 머신러닝의 정확도와 비교하여 준수한 성능을 보여주고 있다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2024.05a
• /
• pp.480-481
• /
• 2024

이 연구는 자폐 스펙트럼 장애(ASD)를 가진 아이들을 대상으로 한 디지털 치료제의 필요성을 탐구하고자 한다. ASD는 사회 생활 및 관심사에 제한을 가지고 있으며, 현재까지는 진단과 치료에 대한 효과적인 방법이 없는 상황이다. 최근 디지털 기술과 의료가 결합된 치료제의 중요성이 부각되고 있기에, 저자는 이를 통해 시간과 비용을 절감하는 디지털 치료 방법을 제안한다. 본 연구에서는 대화형 인공지능을 활용하여 스무 고개 게임을 통해 자폐 스펙트럼 장애를 가진 아이들의 사회성 기술을 향상시키는 플랫폼을 개발하고자 한다. ASD특성을 고려하여 디지털 기기에 익숙한 아이들에게 소통을 훈련시키는 효과를 기대한다.

• Proceedings of the Materials Research Society of Korea Conference
• /
• 1993.05a
• /
• pp.61-61
• /
• 1993

20세기 막바지에 들어 서면서 21세기를 바라보는 정보화사회는 어떠한 과학기술의발전을 필요로 하는 것일까? $10^{12}$ 집적도, $10^{-8}$cm 원자공간, $10^{-12}$-$10^{-15}$ 초등 시간대역에 대한 도전과[ 테라바이트 메모리], [테라바이트 컴퓨터], [테라비트 광통신] 등을 앞세우면서 고속화, 대용량화, 초미세화, 다기능화, 고기능화, 지능화를 지향하는 미래 정보통신 기술 실용화를 위하여서는 어떠한 성질의 신소재들이 개발되어야 할 것인가? [20세기 전자시대] 의 대표적 정보운반자인 [전자] 에 대한 연구는 21세기에는 어떻게 전개될 것인가? 새로운 정보운반자로서 부상하고 있는 [광자],[뉴런],[생체분자]등에 대한 연구는 어떠한 방향으로 전개될 것인가? 신개념의 정보통신 기술을 구체적으로 실용화 하기 위하여 연구되어야 할 신소재는 어떻게 전개되어야 할 것인가\ulcorner 초미세구조, 양자효과, 비선형효과, 원자가공, 원자조작, 인공신소재, 초격자 지능신소재, 초전도 유기물, 분자, 광논리, 광신경망, 생체노리, 생체컴퓨터등 신개념의 창출로부터 비롯해서 의료, 복지, 장애. 기후. 환경. 지각.해양. 항공. 우주에 이르는 다차원적 통신과 지능형 정보를 가능케 하는 신소재 연구의 조건들과 그에 따른 도전을 전망해 본다.에 따른 도전을 전망해 본다.

• The Korean Journal of Nuclear Medicine Technology
• /
• v.24 no.1
• /
• pp.15-19
• /
• 2020

Purpose Generative Adversarial Network(GAN) is one of deep learning technologies. This is a way to create a real fake image after learning the real image. In this study, after acquiring artificial intelligence images through GAN, We were compared and evaluated with real scan time images. We want to see if these technologies are potentially useful. Materials and Methods 30 patients who underwent ¹⁸F-FDG Brain PET/CT scanning at Severance Hospital, were acquired in 15-minute List mode and reconstructed into 1,2,3,4,5 and 15minute images, respectively. 25 out of 30 patients were used as learning images for learning of GAN and 5 patients used as verification images for confirming the learning model. The program was implemented using the Python and Tensorflow frameworks. After learning using the Pix2Pix model of GAN technology, this learning model generated artificial intelligence images. The artificial intelligence image generated in this way were evaluated as Mean Square Error(MSE), Peak Signal to Noise Ratio(PSNR), and Structural Similarity Index(SSIM) with real scan time image. Results The trained model was evaluated with the verification image. As a result, The 15-minute image created by the 5-minute image rather than 1-minute after the start of the scan showed a smaller MSE, and the PSNR and SSIM increased. Conclusion Through this study, it was confirmed that AI imaging technology is applicable. In the future, if these artificial intelligence imaging technologies are applied to nuclear medicine imaging, it will be possible to acquire images even with a short scan time, which can be expected to reduce artifacts caused by patient movement and increase the efficiency of the scanning room.

• The Korean Society of Law and Medicine
• /
• v.24 no.4
• /
• pp.67-101
• /
• 2023

The utilization of generative AI in the medical field is also being rapidly researched. Access to vast data sets reduces the time and energy spent in selecting information. However, as the effort put into content creation decreases, there is a greater likelihood of associated issues arising. For example, with generative AI, users must discern the accuracy of results themselves, as these AIs learn from data within a set period and generate outcomes. While the answers may appear plausible, their sources are often unclear, making it challenging to determine their veracity. Additionally, the possibility of presenting results from a biased or distorted perspective cannot be discounted at present on ethical grounds. Despite these concerns, the field of generative AI is continually advancing, with an increasing number of users leveraging it in various sectors, including biomedical and life sciences. This raises important legal considerations regarding who bears responsibility and to what extent for any damages caused by these high-performance AI algorithms. A general overview of issues with generative AI includes those discussed above, but another perspective arises from its fundamental nature as a large-scale language model ('LLM') AI. There is a civil law concern regarding "the memorization of training data within artificial neural networks and its subsequent reproduction". Medical data, by nature, often reflects personal characteristics of patients, potentially leading to issues such as the regeneration of personal information. The extensive application of generative AI in scenarios beyond traditional AI brings forth the possibility of legal challenges that cannot be ignored. Upon examining the technical characteristics of generative AI and focusing on legal issues, especially concerning the protection of personal information, it's evident that current laws regarding personal information protection, particularly in the context of health and medical data utilization, are inadequate. These laws provide processes for anonymizing and de-identification, specific personal information but fall short when generative AI is applied as software in medical devices. To address the functionalities of generative AI in clinical software, a reevaluation and adjustment of existing laws for the protection of personal information are imperative.

• Journal of the Korean Society of Radiology
• /
• v.18 no.1
• /
• pp.37-44
• /
• 2024

Even though MR can reveal excellent soft-tissue contrast and functional information, CT is also required for electron density information for accurate dose calculation in Radiotherapy. For the fusion of MRI and CT images in RT treatment planning workflow, patients are normally scanned on both MRI and CT imaging modalities. Recently deep-learning-based generations of CT images from MR images became possible owing to machine learning technology. This eliminated CT scanning work. This study implemented a CycleGan deep-learning-based CT image generation from MR images. Three CT generators whose learning is based on T1- , T2- , or T1-&T2-weighted MR images were created, respectively. We found that the T1-weighted MR image-based generator can generate better than other CT generators when T1-weighted MR images are input. In contrast, a T2-weighted MR image-based generator can generate better than other CT generators do when T2-weighted MR images are input. The results say that the CT generator from MR images is just outside the practical clinics and the specific weight MR image-based machine-learning generator can generate better CT images than other sequence MR image-based generators do.

• Journal of Digital Convergence
• /
• v.17 no.7
• /
• pp.285-292
• /
• 2019

With the popularization of PC, SNS and IoT, a lot of data is generated and the amount is increasing exponentially. Artificial neural network learning is a topic that attracts attention in many fields in recent years by using huge amounts of data. Artificial neural network learning has shown tremendous potential in speech recognition and image recognition, and is widely applied to a variety of complex areas such as medical diagnosis, artificial intelligence games, and face recognition. The results of artificial neural networks are accurate enough to surpass real human beings. Despite these many advantages, privacy problems still exist in artificial neural network learning. Learning data for artificial neural network learning includes various information including personal sensitive information, so that privacy can be exposed due to malicious attackers. There is a privacy risk that occurs when an attacker interferes with learning and degrades learning or attacks a model that has completed learning. In this paper, we analyze the attack method of the recently proposed neural network model and its privacy protection method.