• 지구물리와물리탐사
• /
• 제25권4호
• /
• pp.167-176
• /
• 2022

심지층 특성화 기술 확보에 필요한 자체 기기 개발의 일환으로 철재 케이싱이 설치된 시추공에도 적용가능한 공곡검층기 K-DEV를 설계하고 500 m 깊이 용 시작품을 개발하였다. K-DEV는 디지털 출력을 제공하고 이미 성능이 입증된 센서들을 장착하며, 기존에 국내에서 사용하는 윈치시스템과 호환성을 갖추도록 설계되었다. K-DEV 시작품은 외경 48.3 mm 비자성 스테인레스강 하우징을 채용했으며 실험실 내에서 20 MPa까지의 방수 시험, 그리고 1 km 깊이 시추공에 삽입하여 내구성 시험을 거쳤다. 시작품을 이용해 600 m 깊이까지의 하향 및 상향 연속 검층을 수행하여 작동의 안정성 및 자료의 반복성을 확인하였다. 철재 케이싱이 설치되어 있는 시추공내에서 방위각 결정에 필수적인 자이로 센서로 K-DEV 시작품에서는 고정밀도 MEMS 자이로스코프를 채택하였다. 여기에 가속도계 자료와 각속도 자료를 융합하고 무향 칼만 필터링(Unscented Kalman Filtering)을 통해 최적화 함으로써 정확한 궤적 추적을 수행하는 알고리듬을 고안하였다. 시험 시추공에서 K-DEV 시작품과 상업적 기기와의 비교 검층을 통해 서로 매우 근접한 결과를 얻었다. 특히, MEMS 자이로 센서의 시간에 따른 drift에 의한 오차 누적 문제는 검층 전 후에 정두에서 동일한 방향으로 위치한 정지 상태에서 측정한 자료로부터 각속도를 보정함으로써 해소될 수 있으며, 철재 케이싱이 설치된 시추공에서의 공곡검층이 나공 상태에서의 결과와 거의 동일한 궤적 추정 결과를 제공함을 확인할 수 있었다. 이러한 시작품 적용 결과로서 K-DEV 개발의 방법론, 시작품의 안정성 및 자료의 신뢰성을 확보하였다고 판단된다.

• 대한방사선치료학회지
• /
• 제28권2호
• /
• pp.171-178
• /
• 2016

목 적 : 직장암 방사선 치료 시 대퇴골두의 선량을 최소화하기 위해, 보편적인 치료방법인 3문 입체조형치료계획(3D Conformal radiation therapy)과 5문 입체조형치료계획 그리고 용적변조방사선치료(Volumetric Modulated Arc Therapy, 이하 VMAT) 계획의 유용성을 비교, 평가하고자 한다. 대상 및 방법 : 본원에서 21EX(Varian Medical Systems, USA)를 이용하여 치료 받은 직장암 환자 10명을 대상으로 3문, 5문 입체조형치료계획과 VMAT 전산화치료계획을 각각 세우고 이에 대한 선량분포를 비교분석하였다. 전산화 치료계획은 Eclipse(Ver 10.0.42, Varian, USA)를 이용하였으며, 선량계산을 위해 PRO3(Progressive Resolution Optimizer 10.0.28), AAA(Anisotropic Analytic Algorithm Ver 10.0.28) 알고리즘을 사용하였다. 3문 치료계획은 6MV POST field 와 15MV LT, RT field를 갠트리 각도 $0^{\circ}$, $270^{\circ}$, $90^{\circ}$로 구성하였고, 5문 치료계획은 6MV POST field와 15MV RAO, RPO, LAO, LPO field를 갠트리 각도 $0^{\circ}$, $95^{\circ}$, $45^{\circ}$, $315^{\circ}$, $265^{\circ}$ 로 환자 체표면을 감싸는 형태로 구성하였다. VMAT 치료계획은 갠트리 회전반경이 $360^{\circ}$인 1개의 ARC를 이용하여 수립하였다. 처방선량은 30회에 걸쳐 직장에 총 선량이 54Gy가 되도록 하였다. VMAT 치료계획시 최적화(Optimization) 과정에서 나타나는 선량 차이의 무작위성을 최소화하기 위하여 2회의 최적화와 선량계산과정을 거쳤으며 처방선량의 100%가 표적용적의 95%를 포함할 수 있도록 Plan normalization을 조절하였다. 각 치료 계획의 Total MU, 대퇴골두와 acetabular fossa의 최대선량, PTV의 H.I. (Homogeneity Index), C.I.(Conformity Index)를 평가 지표로 설정하였고, 전자영상유도장치를 이용하여 임상 적용 가능 여부 확인을 위한 IMRT verification Q.A. (Gamma test)를 실시하였다. 결 과 : Rt. femoral head 최대선량은 3문, 5문, VMAT 치료계획 순으로 평균 53.08 Gy, 50.27 Gy, 30.92 Gy를 나타냈다. 마찬가지로 Lt. femoral head 에서도 같은 순으로 평균 53.68 Gy, 51.01 Gy, 평균 29.23 Gy를 나타냈다. Rt. Aceta fossa 의 최대선량은 3문, 5문, VMAT 치료계획 순으로 평균 54.86 Gy, 52.40 Gy, 30.37 Gy의 값을 보였다. Lt. Aceta fossa에서 또한 같은 순으로 평균 54.90 Gy, 52.77 Gy, 평균 31.79 Gy를 나타내어, both femoral head 와 aceta fossa의 최대선량이 3문, 5문, VMAT 치료계획 순으로 높았다. PTV에 대한 H.I.는 모두 서로 비슷한 결과를 나타냈고, C.I.는 3문, 5문, VMAT 치료계획 순으로 평균 1.64, 1.48, 평균 0.99로 VMAT 치료계획이 가장 낮은 것으로 나타났다. Total MU는 VMAT 치료계획이 3문과 5문 치료계획에 비해 각각 평균 124.4MU, 299MU 더 많이 사용하는 것으로 나타났다. VMAT 치료계획에 대한 IMRT verification Q.A. 결과 2mm / 2%, Gamma pass rate 90.0% 기준을 모두 초과하여 통과하였다. 결 론 : VMAT 치료계획은 3D 치료계획과 비교하여 대부분의 평가지표에서 우수한 것으로 나타났다. 특히 대퇴골두의 선량을 크게 감소 시켰으며, 저선량 영역에서는 소장이 받는 선량이 증가 하였으나 오히려 고선량 영역에서는 우수한 선량분포를 보였다. 하지만 VMAT을 지원하지 않는 장비와 치료계획 시 추가되는 Contouring, 그리고 정도관리에 관한 수고 등의 현실적인 제약 때문에 VMAT 치료계획을 선택하기 어려운 경우가 있을 수 있다. 5문 치료계획은 기존 3문 치료계획에 비해, 추가적인 문제에 구애받지 않고 대퇴골두의 선량을 줄일 수 있는 장점이 있다. 따라서 각 병원 상황에 맞게 치료계획을 선택하여 방사선 치료 효과를 높인다면, 직장암 환자의 효율적인 방사선치료 및 생존 기간의 연장뿐만 아니라 삶의 질 향상에도 도움이 될 것으로 판단한다.

• 지능정보연구
• /
• 제19권2호
• /
• pp.125-140
• /
• 2013

어떤 클래스에 속한 레코드의 개수가 다른 클래스들에 속한 레코드의 개수보다 매우 많은 경우에, 이 데이터 집합을 '불균형 데이터 집합'이라고 한다. 데이터 분류에 사용되는 많은 기법들은 이러한 불균형 데이터에 대해서 저조한 성능을 보인다. 어떤 기법의 성능을 평가할 때에 적중률뿐만 아니라, 민감도와 특이도도 함께 측정하여야 한다. 고객의 이탈을 예측하는 문제에서 '유지' 레코드가 다수 클래스를 차지하고, '이탈' 레코드는 소수 클래스를 차지한다. 민감도는 실제로 '유지'인 레코드를 '유지'로 예측하는 비율이고, 특이도는 실제로 '이탈'인 레코드를 '이탈'로 예측하는 비율이다. 많은 데이터 마이닝 기법들이 불균형 데이터에 대해서 저조한 성능을 보이는 것은 바로 소수 클래스의 적중률인 특이도가 낮기 때문이다. 불균형 데이터 집합에 대처하는 과거 연구 중에는 소수 클래스를 Oversampling하여 균형 데이터 집합을 생성한 후에 데이터 마이닝 기법을 적용한 연구들이 있다. 이렇게 균형 데이터 집합을 생성하여 예측을 수행하면, 특이도는 다소 향상시킬 수 있으나 그 대신 민감도가 하락하게 된다. 본 연구에서는 민감도는 유지하면서 특이도를 향상시키는 모델을 개발하였다. 개발된 모델은 Support Vector Machine (SVM), 인공신경망(ANN) 그리고 의사결정나무 기법 등으로 구성된 하이브리드 모델로서, Hybrid SVM Model이라고 명명하였다. 구축과정 및 예측과정은 다음과 같다. 원래의 불균형 데이터 집합으로 SVM_I Model과 ANN_I Model을 구축한다. 불균형 데이터 집합으로부터 Oversampling을 하여 균형 데이터 집합을 생성하고, 이것으로 SVM_B Model을 구축한다. SVM_I Model은 민감도에서 우수하고, SVM_B Model은 특이도에서 우수하다. 입력 레코드에 대해서 SVM_I와 SVM_B가 동일한 예측치를 도출하면 그것을 최종 해로 결정한다. SVM_I와 SVM_B가 상이한 예측치를 도출한 레코드에 대해서는 ANN과 의사결정나무의 도움으로 판별 과정을 거쳐서 최종 해를 결정한다. 상이한 예측치를 도출한 레코드에 대해서는, ANN_I의 출력값을 입력속성으로, 실제 이탈 여부를 목표 속성으로 설정하여 의사결정나무 모델을 구축한다. 그 결과 다음과 같은 2개의 판별규칙을 얻었다. 'IF ANN_I output value < 0.285, THEN Final Solution = Retention' 그리고 'IF ANN_I output value ${\geq}0.285$, THEN Final Solution = Churn'이다. 제시되어 있는 규칙의 Threshold 값인 0.285는 본 연구에서 사용한 데이터에 최적화되어 도출된 값이다. 본 연구에서 제시하는 것은 Hybrid SVM Model의 구조이지 특정한 Threshold 값이 아니기 때문에 이 Threshold 값은 대상 데이터에 따라서 얼마든지 변할 수 있다. Hybrid SVM Model의 성능을 UCI Machine Learning Repository에서 제공하는 Churn 데이터 집합을 사용하여 평가하였다. Hybrid SVM Model의 적중률은 91.08%로서 SVM_I Model이나 SVM_B Model의 적중률보다 높았다. Hybrid SVM Model의 민감도는 95.02%이었고, 특이도는 69.24%이었다. SVM_I Model의 민감도는 94.65%이었고, SVM_B Model의 특이도는 67.00%이었다. 그러므로 본 연구에서 개발한 Hybrid SVM Model이 SVM_I Model의 민감도 수준은 유지하면서 SVM_B Model의 특이도보다는 향상된 성능을 보였다.