• Tuberculosis and Respiratory Diseases
• /
• 제43권6호
• /
• pp.916-924
• /
• 1996

연구배경: 경피적 폐생검은 흉부 병소의 진단을 얻기위해 흔히 이용되는 검사 방법으로써, 축적된 경험, 검칩의 개발, 영상 유도 방법의 개선으로 진단 성적이 높아지고 있으며, 기존의 논문들이 28 - 98%의 진단 성적을 보고하며 시술에 의한 합병증은 그 정도가 가벼워서 비교적 안전하게 시행될 수 있다고 알려져 있다. 저자들은 서울대학병원에서 1년 동안 시행된 경피적 폐생검 결과를 검토하여 그의 진단 성적과 합병증의 빈도와 정도를 조사하고 진단 성적에 영향을 미치는 요인들을 평가하고자 본 연구를 시작하였다. 방법: 1994 년 1월부터 1994년 12월까지, 흉부병소를 가진 236명의 환자에게 시행된 287 회의 경피적 폐생검 결과를 검토하여 양성 및 악성 질환에 대한 진단 성적과 합병증의 발생 빈도를 조사하였다. 병소는 21- 23 G Chiba needle로 흡인하였고, 필요시 19 - 20 G Biopsy gun으로 생검을 실시 하여 미생물학적 검사, 세포진 검사, 병리 조직학적 검사를 시행하였다. 그 결과 및 합병증의 발생 빈도는 병록지만을 참고하여 산출되었다. 병변의 형태와 크기에 따른 진단 성적은 chi square 방법으로 통계 처리하여 비교하였다(P<0.05). 결과: 병변의 위치는 우상엽 26.3%, 우중엽 6.4%, 우하엽 21.2%, 좌상엽 16.8%, 좌하엽 10.6%, 2엽 이상의 부위에 병변이 있었던 경우가 17.4%, 종격동 1.3% 였다. 병변의 형태는 경화성 병변이 19.9%, 결절 또는 종괴성 병변이 80.1% 였다. 236명 중 양성 질환자는 74명, 악성질환자는 142명, 경피적 폐생검을 포함한 어떤 검사로도 진단이 밝혀지지 않은 환자는 22명 이었고, 2명은 폐암과 폐결핵을 같이 가지고 있었다. 236 명을 대상으로 총 287 회의 경피적 폐생검이 시행되었는데, 이것으로 확진된 경우가 양성 질환자의 경우 46명으로 62.2%, 악성 질환자의 경우 117명으로 82.4%의 진단 성적을 보였다. 경피적 폐생검을 1차로 시행하여 진단에 이르지 못한 경우 2차, 3차 재 시술 함으로써 양성 질환의 경우 44.6%, 60.8%, 62.2%로, 악성 질환의 경우 73.9%, 8 1.7%, 82.4%로 진단 성적을 높일 수 있었다. 악성 질환자 43 명과 양성 질환자 9명에서 개흉술을 실시하였는데 개흉술과 경피적 폐생검의 병리학적 검사 결과가 일치하였던 경우는 악성과 양성에서 각각 25 명과 4명 으로 58.1% 와 44.4 %의 일치율을 보였다. 또한 약성 질환자 4명과 양성 질환자 2명은 개흉술 후 악성과 양성의 진단이 바뀌었다. 287례의 시행 중 합병증은 각혈 3 례, 경미한 혈담 55 례, 기흉 36례, 발열 3례로 빈도는 각각 1.0%, 19.2%, 12.5%, 1.0 % 였다. 합병증 발생시 각혈과 혈당은 모두 치료를 요하지 않았고, 기흉은 8례에서 흉관 또는 픽테일 카테터를 삽입하였으며, 발열은 모두 48 시간 내에 자연 소실되었다. 병변의 형태와 크기에 따른 진단 성적의 차이는 없었다. 결론: 경피적 폐생검은 진단 성적이 비교적 높고 합병증의 정도가 낮아 흉부 영소의 진단에 유용하지만 병리 조직학적 진단의 정확도는 개선이 필요하다고 생각된다.

• 지능정보연구
• /
• 제24권1호
• /
• pp.205-225
• /
• 2018

Convolutional Neural Network (ConvNet)은 시각적 특징의 계층 구조를 분석하고 학습할 수 있는 대표적인 심층 신경망이다. 첫 번째 신경망 모델인 Neocognitron은 80 년대에 처음 소개되었다. 당시 신경망은 대규모 데이터 집합과 계산 능력이 부족하여 학계와 산업계에서 널리 사용되지 않았다. 그러나 2012년 Krizhevsky는 ImageNet ILSVRC (Large Scale Visual Recognition Challenge) 에서 심층 신경망을 사용하여 시각적 인식 문제를 획기적으로 해결하였고 그로 인해 신경망에 대한 사람들의 관심을 다시 불러 일으켰다. 이미지넷 첼린지에서 제공하는 다양한 이미지 데이터와 병렬 컴퓨팅 하드웨어 (GPU)의 발전이 Krizhevsky의 승리의 주요 요인이었다. 그러므로 최근의 딥 컨볼루션 신경망의 성공을 병렬계산을 위한 GPU의 출현과 더불어 ImageNet과 같은 대규모 이미지 데이터의 가용성으로 정의 할 수 있다. 그러나 이러한 요소는 많은 도메인에서 병목 현상이 될 수 있다. 대부분의 도메인에서 ConvNet을 교육하기 위해 대규모 데이터를 수집하려면 많은 노력이 필요하다. 대규모 데이터를 보유하고 있어도 처음부터 ConvNet을 교육하려면 많은 자원과 시간이 소요된다. 이와 같은 문제점은 전이 학습을 사용하면 해결할 수 있다. 전이 학습은 지식을 원본 도메인에서 새 도메인으로 전이하는 방법이다. 전이학습에는 주요한 두 가지 케이스가 있다. 첫 번째는 고정된 특징점 추출기로서의 ConvNet이고, 두번째는 새 데이터에서 ConvNet을 fine-tuning 하는 것이다. 첫 번째 경우, 사전 훈련 된 ConvNet (예: ImageNet)을 사용하여 ConvNet을 통해 이미지의 피드포워드 활성화를 계산하고 특정 레이어에서 활성화 특징점을 추출한다. 두 번째 경우에는 새 데이터에서 ConvNet 분류기를 교체하고 재교육을 한 후에 사전 훈련된 네트워크의 가중치를 백프로퍼게이션으로 fine-tuning 한다. 이 논문에서는 고정된 특징점 추출기를 여러 개의 ConvNet 레이어를 사용하는 것에 중점을 두었다. 그러나 여러 ConvNet 레이어에서 직접 추출된 차원적 복잡성을 가진 특징점을 적용하는 것은 여전히 어려운 문제이다. 우리는 여러 ConvNet 레이어에서 추출한 특징점이 이미지의 다른 특성을 처리한다는 것을 발견했다. 즉, 여러 ConvNet 레이어의 최적의 조합을 찾으면 더 나은 특징점을 얻을 수 있다. 위의 발견을 토대로 이 논문에서는 단일 ConvNet 계층의 특징점 대신에 전이 학습을 위해 여러 ConvNet 계층의 특징점을 사용하도록 제안한다. 본 논문에서 제안하는 방법은 크게 세단계로 이루어져 있다. 먼저 이미지 데이터셋의 이미지를 ConvNet의 입력으로 넣으면 해당 이미지가 사전 훈련된 AlexNet으로 피드포워드 되고 3개의 fully-connected 레이어의 활성화 틀징점이 추출된다. 둘째, 3개의 ConvNet 레이어의 활성화 특징점을 연결하여 여러 개의 ConvNet 레이어의 특징점을 얻는다. 레이어의 활성화 특징점을 연결을 하는 이유는 더 많은 이미지 정보를 얻기 위해서이다. 동일한 이미지를 사용한 3개의 fully-connected 레이어의 특징점이 연결되면 결과 이미지의 특징점의 차원은 4096 + 4096 + 1000이 된다. 그러나 여러 ConvNet 레이어에서 추출 된 특징점은 동일한 ConvNet에서 추출되므로 특징점이 중복되거나 노이즈를 갖는다. 따라서 세 번째 단계로 PCA (Principal Component Analysis)를 사용하여 교육 단계 전에 주요 특징점을 선택한다. 뚜렷한 특징이 얻어지면, 분류기는 이미지를 보다 정확하게 분류 할 수 있고, 전이 학습의 성능을 향상시킬 수 있다. 제안된 방법을 평가하기 위해 특징점 선택 및 차원축소를 위해 PCA를 사용하여 여러 ConvNet 레이어의 특징점과 단일 ConvNet 레이어의 특징점을 비교하고 3개의 표준 데이터 (Caltech-256, VOC07 및 SUN397)로 실험을 수행했다. 실험결과 제안된 방법은 Caltech-256 데이터의 FC7 레이어로 73.9 %의 정확도를 얻었을 때와 비교하여 75.6 %의 정확도를 보였고 VOC07 데이터의 FC8 레이어로 얻은 69.2 %의 정확도와 비교하여 73.1 %의 정확도를 보였으며 SUN397 데이터의 FC7 레이어로 48.7%의 정확도를 얻었을 때와 비교하여 52.2%의 정확도를 보였다. 본 논문에 제안된 방법은 Caltech-256, VOC07 및 SUN397 데이터에서 각각 기존에 제안된 방법과 비교하여 2.8 %, 2.1 % 및 3.1 %의 성능 향상을 보였다.

• 한국작물학회지
• /
• 제17권
• /
• pp.1-44
• /
• 1974

본연구는 1972년에 수원에서 그리고 1973년에는 다시 수원, 매리 및 이리 광주의 3개 지역에서 경질 소맥인 NB 68513, Caprock와 중간질 소맥인 영광, 연질 소맥인 수계 169호를 공시하여 시비량 및 재배시기를 각각 3수준의 처리를 두어 등숙 및 품질의 변화에 관한 실험을 수행하였다. 한편 1973년 및 1974년에는 수원에서 중간질 소맥인 영광과 경질 소맥인 NB 68513을 공시하고 온실에서 온도, 습도 및 일사량을 달리하여 이들이 소맥의 등숙과 품질에 미치는 영향을 추구하였으며, 얻어진 결과는 다음과 같다. 1. 소맥립의 등숙: 1) 1립중의 변이폭은 대립종이 소립종에 비하여 크고, 립중별 소맥립의 분포는 대립종이 평균치에 가까이 분포된 율이 높았고, 소립종은 넓은 분산을 보였다. 2) 립중의 증가에 미치는 립장, 립후 및 립폭의 영향의 정도는 립장보다 립후와 립폭이 컸다. 3) 등숙 시기별 립중의 변화에 있어서 영광은 개화후 14일부터 35일까지, NB 68513은 14일부터 28일까지에 급증하였고, 대립종인 영광은 소립종인 NB68513에 비하여 등숙기간이 길었으며 배란비율도 완만한 증가를 보였다. 4) 1000립중은 대체로 저온에서보다 고온에서, 다습보다 건조한 공중습도 조건에서 가벼웠고, 저온이나 고온에서라도 다습 조건하에서는 무거운 경향을 보였다. 또한 서광의 영향은 저온에서보다 고온에서 컸으며, 다습한 경우에는 일정한 경향이 없었다. 5) 등숙기간중 온도, 습도 및 서광의 영향은 소립종인 NB 68513보다 대립종인 영광에서 컸으며, 1000립중의 증감과 등숙일수 간에는 높은 정의 상관이 있었다. 6) 1000립중과 1$\ell$중은 시비량의 증가에 따라 무거워졌으나, 보비와 다비구간에는 그 증가율이 비교적 낮았고, 조숙재배는 만파재배보다 무거웠으며, 이와 같은 경향은 수원에서 현저하였고 광주 및 이리에서는 미미하였다. 2. 제분성: 7) 동일 품종에서 1000립중이 무겁게 나타난 저온다습 조건 및 조숙재배가 고온, 건조, 조건 및 만파재배에 비하여 제분율이 높았고, 지역간 차이는 일정한 경향이 없었다. 8) 제분율은 영광이 가장 높고 수계 169호가 가장 낮았으며, 경질 소립종인 Caprock, NB 68513은 연질 소립종인 수계 169호보다 높았다. 9) 회분 함량은 지역, 시비량 및 재배시기에 따른 차이는 작았고, 품종간 차이는 컸으며, NB 68513 및 Caprock는 영광 및 수계 169호보다 현저히 높았다. 3. 단백질 함량: 10) 단백질 함량은 1000립중이 가벼웠든 고온, 건조 및 서광 조건에서 저온, 다습 조건에서보다 높았으며, 이러한 경향은 영광에서 현저하고 NB 68513에서 적었다. 11) 종질의 단백질 함량은 개화후 1~2주일 사이에 높았는데, 이는 배란에 대한 배와 종피의 비율이 크기 때문이었고, 등숙이 진전됨에 따라 배, 종피의 영향은 감소되며, 달서 단백질 함량도 감소되었으나 개화후 3~4주부터는 다시 단백질함량이 증가되어 개화후 7주에 최대에 달하였다. 등숙 중기(개화후 3~4주) 이후의 단백질함량 증가는 대체로 1000립중의 증가와 비슷하였으나, 성숙된 종실의 단백질 함량의 증감은 등숙기간의 장단의 영향보다는 역일상에 따른 기상적 환경, 특히 기온에 의한 영향을 많이 받은 것으로 보였다. 12) 소맥분의 단백질 함량은 종실의 단백질 함량의 변화와 같아서 이 양자간에는 높은 정의 상관이 있었다. 13) 단백질 함량은 각 품종 모두 시비량이 증가할수록, 또 재배시기가 늦어질수록 증가하는 경향이었고, 수원에서는 광주, 이리에서보다 그 경향이 현저하였다. 14) 품종별로 존 단백질 함량은 영광, NB 68513 및 Caprock은 비슷하였으며 비교적 높았고, 수계 169호는 낮았는데 이 품종은 재배법에 따른 단백질 함량의 변이도 적었다. 15) 단위 면적당 단백질 수량은 시비량이 많을수록, 재배시기가 빠를수록 높은 경향이었고, 조숙재배에서는 질소질 비료의 이용율이 높았으며, 영광은 시비량 증가에 따른 단백질 수량 증가가 비교적 컸다. 4. 분의 물리화학적 특성: 16) Sedimentation value는 저온, 다습, 소비 조건에서보다 고온, 건조, 다비 조건에서 컸고, NB 68513 및 Caprock는 그 경향이 현저하였는데 영광 및 수계 169호는 뚜렷하지 않았었고, 광주, 이리보다는 수원에서 Sedimentation value의 변이가 컸다. Sedimentation value의 증감은 단백질 함량의 증감과 관계가 깊으나, 다습조건에서는 Sedimentation value가 감소되었다. 한편 Sedimentation value는 단백질 함량의 증가에 따라 증가되었으며, 성숙기에 최대에 달하였다. 17) Pelshenke value는 재배방법 및 지역 간의 차이가 Sedimentation value의 경우와 대체로 같은 경향을 보였다. 18) Mixing time은 NB 68513이 4~6분, Caprock가 5~7분 소요되었으며, 영광 및 수계 169호는 NB 68513 및 Caprock보다 지역 및 재배법에 따른 변이가 컸다. Mixing height와 Mixing area는 NB 68513 및 Caprock에서 컸고 영광 및 수계 169호에서는 작았으며, 재배방법에 따른 변이는 일정한 경향이 없었고, 지역에 따른 차이는 이리, 광주에서 낮고 수원에서 높았다. 19) NB 68513 및 Caprock의 품질에 있어서 제분성은 고온, 건조 조건, 또는 다비, 만파재배에서 떨어졌으나 분의 물리화학적 특성은 양호하여 제빵 적성이 좋고, 조숙재배는 물리화학적 특성이 다소 불량하였으나 제분성이 높고 단위 면적당 단백질 수량인 높은 경향이었다. 지역간에서 보면 이리, 광주보다는 수원이 NB 68513 및 Caprock의 재배에 적합한 것으로 판단되었다. 5. 분의 물리화학적 특성의 상호관계: 20) 제분율 및 회분함량과 분의 물리화학적 특성과는 직접적인 상관이 없었으며, 1000립중이 가벼운 것이 단백질 함량이 높았고 분의 물리화학적 특성도 양호하였다. 21) NB 68513 및 Caprock에 있어서 단백질 함량과 Sedimentation value, Pelshenke value 및 mixing height와는 정의 상관이 있었으며, 단백질 함량이 높으면 분의 Gluten strength도 강하고 따라서 제빵 적성도 양호하였다. 영광 및 수계 169호에 있어서는 단백질 함량과 Sedimentation value와는 정의 상관이 있으나 Pelshenke value와 Mixing height와는 상관이 없었다. 따라서 단백질 함량 증가에 따라 Gluten strength 양자와 연결됨이 크고, Pelshenke value와 Mixogram은 Gluten strength와 연관됨으로 경질과 연질의 품종 구분에는 Mixogram, Pelshenke value의 검정이 유리하고, Sedimentation valuer검정은 같은 품종내에서 재배법 차이에 따른 품질 평가에 알맞은 것으로 보았다.