• 핵의학기술
• /
• 제15권1호
• /
• pp.51-57
• /
• 2011

광대역 재구성(wide beam reconstruction, WBR) 기법인 Xpress.cardiac$^{TM}$ 프로그램을 적용하여 기존 OSEM (ordered subsets expectation maximization) 기법과 심근 내 분절별 관류와 국소벽 운동에서의 일치율을 확인하여 WBR 기법의 임상적 유용성을 알아보고자 하였다. 관상동맥질환의 병력이 없고 핵의학 전문의에 의한 판독상 이상소견이 없는 총 20명(남7명, 여자13명: 정상군)과 관상동맥질환을 진단받은 총 10명(남6명, 여자4명: 비정상군)을 대상으로 휴식기 $^{201}Tl$/부하기 $^{99m}Tc$-MIBI 심근관류 SPECT를 실시하였다. 영상 획득과 재구성은 휴식기 시 투사영상당 30초, 곧바로 15초씩 영상을 얻고 부하기 시 투사영상 당 25초, 곧바로 13초씩 영상을 얻어 OSEM과 WBR 기법을 적용하였고 심근 내 분절별 관류과 국소벽 운동은 AutoQuant 프로그램의 QPS/QGS 알고리즘의 20분절 모델을 적용하였다. 관류상태는 5등급(0=정상, 1=경도, 2=중등도, 3=심한 결손, 4=섭취 없음), 국소벽 운동은 5등급(0=정상, 1=경도, 2=중등도, 3=심한운동저하, 4=무운동)으로 분류한 반정량값을 이용해 기존 OSEM 기법과 WBR 기법에서의 일치율을 평가하였다. 정상군에서 기존 OSEM 기법과 WBR 기법에서의 일치율은 휴식기 시 분절별 관류에서 99% (396/400, k=0.662, p<0.0001), 국소벽 운동에서 83.8% (335/400, k=0.283), 부하기 시 분절별 관류에서 95.8% (383/400, k=0.656), 국소벽 운동에서 87.3% (349/400, k=0.390)의 일치율을 보였다. 비정상군에서 휴식기 시 분절별 관류에서 83% (166/200, k=0.605), 국소벽 운동에서 55.5% (111/200, k=0.385), 부하기 시 분절별 관류에서 79.5% (159/200, k=0.682), 국소벽 운동에서 63.5% (127/200, k=0.486)의 일치율을 보였다. 관상동맥 질환의 진단 및 예후 예측에 있어 중요한 의미를 갖는 심근 내 분절별 관류와 국소벽 운동 기능 평가의 지표들을 이용한 WBR 기법은 기존 OSEM 기법과 비교하여 정상 비정상군 모두에서 심근 내 분절별 관류의 일치율은 높았지만 국소벽 운동에서는 의미 있게 낮은 일치율을 보였다. WBR 기법은 높은 해상도와 대조도를 제공할 수 있다고 하나 심근관류 SPECT에서의 적용은 유용성이 떨어진다고 사료된다.

• 지능정보연구
• /
• 제20권2호
• /
• pp.73-92
• /
• 2014

기존 협업 필터링 기법은 사용자들의 아이템에 대한 선호도를 기반으로 유사 아이템 집합 또는 유사 사용자 집합을 구성하고, 이를 이용해 예측된 사용자의 특정 아이템에 대한 선호도를 기반으로 추천을 수행한다. 이로 인해, 사용자 선호도 정보가 부족하게 되면, 유사 아이템 사용자 집합의 신뢰도가 낮아지고, 추천 서비스의 신뢰도 또한 따라서 낮아진다. 또한, 서비스의 규모가 커질수록, 유사 아이템, 사용자 집합의 생성에 걸리는 시간은 기하급수적으로 증가하고 추천서비스의 응답시간 또한 그에 따라 증가하게 된다. 위와 같은 문제점을 해결하기 위해 본 논문에서는 적응형 군집화 기법을 제안하고 이를 적용한 협업 필터링 기법을 제안하고 있다. 이 기법은 크게 네 가지 방법으로 이루어진다. 첫째, 사용자와 아이템의 특성 벡터를 기반으로 사용자와 아이템 각각을 군집화 하여, 기존 협업 필터링 기법에서 유사 아이템, 사용자 집합을 생성하는데 소요되는 시간을 절약하며, 사용자 선호도 정보만을 이용한 부분 집합 생성보다 추천의 신뢰도를 높이고, 초기 평가 문제와 초기 이용자 문제를 일부 해소한다. 둘째, 미리 구성된 사용자와 아이템의 군집을 기반으로 군집간의 선호도를 이용해 추천을 수행한다. 사용자가 속한 군집의 선호도가 높은 순서대로 아이템 군집을 조회하여 사용자에게 제공할 아이템 목록을 구성하여, 추천 시스템의 부하 대부분을 모델 생성 단계에서 부담하고 실제 수행 시 부하를 최소화한다. 셋째, 누락된 사용자 선호도 정보를 사용자와 아이템 군집을 이용하여 예측함으로써 협업 필터링 추천 기법의 사용자 선호도 정보 희박성으로 인한 문제를 해소한다. 넷째, 사용자와 아이템의 특성 벡터를 사용자의 피드백에 따라 학습시켜 아이템과 사용자의 정성적 특성 정량화의 어려움을 해결한다. 본 연구의 검증은 기존에 제안되었던 하이브리드 필터링 기법들과의 성능 비교를 통해 이루어졌으며, 평가 방법으로는 평균 절대 오차와 응답 시간을 이용하였다.