• 대한디지털의료영상학회논문지
• /
• 제11권1호
• /
• pp.5-13
• /
• 2009

There are several reasons to take X-ray in case of inpatients. Some of them who cannot ambulate or have any risk if move are taken portable X-ray at their wards. Usually, in this case, many other people-patients unneeded X-ray test, family, hospital workers etc-are indirectly exposed to X-ray by scatter ray. For that reason I try to be aware of free space scatter dose accurately and make the point at issue of portable X-ray better in this study. kVp dose meter is used for efficiency management of portable X-ray equipment. Mobile X-ray equipment, ionization chamber, electrometer, solid water phantom are used for measuring of free space scatter dose. First of all the same surroundings condition is made as taken real portable X-ray, inquired amount of X-ray both chest AP and abdomen AP most frequently examined and measured scatter ray distribution of two tests individually changing distance. In the result of measuring horizontal distribution with condition of chest AP it is found that the mAs is decreased as law of distance reverse square but no showed mAs change according to direction. Vertical distribution showed the mAs slightly higher than horizontal distribution but it isnt found out statistical characteristic. In abdomen AP, compare with chest AP, free space scatter dose is as higher as five-hundred times and horizontal, vertical distribution are quite similar to chest AP in result. In portable X-ray test, in order to reduce the secondary exposure by free space scatter dose first, cut down unnecessary portable order the second, set up the specific area at individual ward for the test the third, when moving to a ward for the X-ray test prepare a portable shielding screen. The last, expose about 2m apart from patients if unable to do above three ways.

• Journal of information and communication convergence engineering
• /
• 제20권3호
• /
• pp.219-225
• /
• 2022

In this study, we propose training a support vector machine (SVM) model on top of deep networks for detecting Covid-19 from chest X-ray images. We started by gathering a real chest X-ray image dataset, including positive Covid-19, normal cases, and other lung diseases not caused by Covid-19. Instead of training deep networks from scratch, we fine-tuned recent pre-trained deep network models, such as DenseNet121, MobileNet v2, Inception v3, Xception, ResNet50, VGG16, and VGG19, to classify chest X-ray images into one of three classes (Covid-19, normal, and other lung). We propose training an SVM model on top of deep networks to perform a nonlinear combination of deep network outputs, improving classification over any single deep network. The empirical test results on the real chest X-ray image dataset show that deep network models, with an exception of ResNet50 with 82.44%, provide an accuracy of at least 92% on the test set. The proposed SVM on top of the deep network achieved the highest accuracy of 96.16%.

• 한국방사선학회논문지
• /
• 제6권6호
• /
• pp.441-445
• /
• 2012

다양한 질환이 발생 될 수 있는 임신중에 산모의 건강상태를 검사하기 위해서는 임산부의 X-ray 흉부촬영이 필수적으로 이루어지게 된다. 따라서 임산부의 X-ray 흉부촬영에 관한 의료용 방사선의 사용은 기본적인 검사로 사용되어지고 있다. 따라서 임신초기인 착상기 부터 태아의 각종 장기 형성 및 기관 형성기까지 대부분의 임신기간은 방사선의 직접적인 차폐가 요구되어진다. 하지만 현재 사용되고 있는 납치마는 임산부가 직접 손으로 잡고 있고 는 불편함으로 인한 산모의 정확한 X-ray 흉부촬영 자세가 이루어지지 않고 있는 실정이다 또한 이러한 결과로 인해 산모의 X-ray 흉부촬영 영상이 폐첨부와 견갑골이 자주 겹쳐 흉부영상이 질적으로 저하되는 현상을 가져다 주고 있다. 이러한 문제점을 극복하기 위해 산모용 납치마를 제작하였다. 결과적으로 새로 디자인한 산모용 납치마는 산모의 X-ray흉부 촬영시 편한 자세를 유지 할 수 있게 해주었다. 아울러 산모가 정확한 자세를 취 할 수 있게 되었다. 더 나아가서 산모의 X-ray흉부 촬영시 견갑골과 폐첨부가 겹치는 현상을 최소화 해주어서 산모의 흉부촬영 영상에 최적화된 이미지를 제공 할 수 있게 해 주었다.

• 한국정보통신학회논문지
• /
• 제4권2호
• /
• pp.371-378
• /
• 2000

본 연구에서는 신경회로망을 이용하여 X-선 흉부 영상의 병변 검출 시스템을 제안하였다. 집단 신체검사에서 방사선 전문의는 많은 양의 X-선 흥부 영상을 관찰하여 병변 유ㆍ무를 검사한다. 여기서 X-선 흥부 영상에서 병변을 검출하는 일은 매우 많은 시간을 요구하며, 사람이 하기에는 단순하고 지루한 작업이다. 특히, 필름의 크기가 작기 때문에 병변의 진단에 어려움이 있다. 따라서 본 연구에서는 디지털 영상처리와 신경회로망을 이용하여 X-선 흥부 영상으로부터 병변을 자동으로 검출하는 방법을 제시하였다. 본 연구에서 제시한 방법은 영상 픽셀 샘플링(image sampling), 메디언 필터(median filter), 신경회로망을 이용한 영상 등화(image equalization)와 병변 검출 과정을 포함하고 있다.

• Journal of Chest Surgery
• /
• 제31권7호
• /
• pp.730-734
• /
• 1998

배경: 기흉 환자를 수술하기 전에 폐기포의 위치, 숫자, 크기와 모양을 파악하기 위하여 단순 흉부 X선 사진이나 흉부 컴퓨터 단층 촬영등을 이용한다. 단순 흉부 X선 사진은 간편하고 저렴하나 정확도가 낮고, 흉부 컴퓨터 단층 촬영은 정확하나 비용이 많이든다. 그러나 흉강조영술을 이용하면, 폐기포의 상태를 비교적 저렴하고 정확히 파악할수 있으리라 예상되어, 이를 확인하기 위하여 본 임상 실험을 계획하였다. 대상 및 방법: 대상은 개흉이나 흉강내시경을 이용하여 폐기포 절제를 시행한, 원발성 자연 기흉 환자 22명이었다. 수술전에 단순 흉부 X선 사진과 흉강조영술을 시행하여, 이를 수술시의 폐기포의 소견과 비교하였다. 결과: 흉강조영술의 Sensitivity는 75%로 단순 흉부 X선 사진의 30%에 비하여 높았고, 정확도(Accuracy)도 72.7%로 단순 흉부 X선 사진의 36.4%에 비하여 높았다. 그러나 Specificity는 흉강조영술이 50%로 단순 흉부 X선 사진의 100%에 비하여 낮았다. 검사로인한 합병증은 없었다. 결론: 결론적으로 기흉의 수술전 검사로서 흉강조영술은 단순 흉부 X선 사진에 비하여 높은 진단적 가치를 지녔으며, 안전하게 이용될 수 있으리라 생각된다.

• 대한전자공학회:학술대회논문집
• /
• 대한전자공학회 1999년도 하계종합학술대회 논문집
• /
• pp.1059-1062
• /
• 1999

Recently, X-ray chest radiograph is showing a tendency to take an image of digital radiograph so as to diagnose the pathological pattern of chest in a usual. When the radiologist observes the chest image derived from digital radiograph system on the monitor. he feels difficult to find out because of the sensitivity of chest radiograph. It takes amount of time to adjust the proper image for diagnosis. Therefore, we provided the result and the method of the optimal image equalization for image enhancement.

• 한국방사선학회논문지
• /
• 제15권7호
• /
• pp.1049-1056
• /
• 2021

본 연구의 목적은 일반촬영용 호흡 동기화 장치를 개발하여 호흡 협조가 어려운 환자의 가슴 검사를 할 때 들숨의 재현성을 높이는 것이다. 공기압 센서를 이용하여 호흡 동기화 장치를 자체 제작(X-RSD)하였고, 심폐소생술용 마네킹에 벤틸레이터를 연결하여 공기를 주입하였다. 이때 주입한 공기의 양은 SkillReporting 장치를 이용하여 정량화하였다. 마네킹의 가슴에 X-RSD를 위치한 후 공기의 양을 200-700 cc까지 100 cc 씩 총 6 단계를 나눠서 검사하였다. 오차 평가는 총 80회씩 반복 측정하여 X-RSD의 민감도를 측정하였고 민감도는 100%로 매우 정교한 결과 값을 얻을 수 있었다. 이후 가슴 측면검사를 X-RSD를 보면서 검사한 영상과, 암맹 검사한 영상을 비교평가 하였고, X-RSD의 폐 용적이 암맹 검사보다 용적도 크게 측정되고, 편차도 적게 측정되었다. 종합적으로 X-RSD를 이용하면 협조가 어려운 환자의 가슴검사에 도움을 줄 수 있으며, 일반촬영의 재촬영률을 줄여 전체적인 피폭선량 감소에 기여가 가능할 것이라 사료된다.

• 대한방사선기술학회지:방사선기술과학
• /
• 제26권3호
• /
• pp.13-17
• /
• 2003

현대 병원들은 보다 나은 의료서비스를 위해 디지털 시스템을 갖추고자 노력하고 있다. 하지만, 아직도 많은 부분은 아날로그 시스템과 Film 출력에 의존하고 있다. 본 연구는 차량 이동형 흉부 전용 간접 촬영기에 디지털 영상 변환 장치와 이에 연동되는 X-ray 발생장치의 제어 시스템, 출력 시스템을 디지털시스템으로 변환, 연동시켰으며, 획득한 영상을 간접 촬영 전용프로그램에서 편리하게 판독 할 수 있도록 설계하여 임상에 적용시켰다. 이러한 과정에서 발생되는 문제점을 현실적으로 해결하였으며, 방사선사 입장에서 업무의 효율성을 높이고자 몇 가지 프로그램을 개발 적용하였다. 향후 미래지향적인 디지털의료 영상 시스템을 갖추기 위해 각종 프로그램과 시스템과도 연동이 되도록 설계하여 임상에 적용하여 우수성을 입증하였다.

• 한국방사선학회논문지
• /
• 제14권1호
• /
• pp.39-44
• /
• 2020

본 연구에서는 CNN과 빅데이터 기술을 이용한 Deep Learning을 통해 흉부 X-ray 영상 분류 및 정확성 연구에 대하여 알아보고자 한다. 총 5,873장의 흉부 X-ray 영상에서 Normal 1,583장, Pneumonia 4,289장을 사용하였다. 데이터 분류는 train(88.8%), validation(0.2%), test(11%)로 분류하였다. Convolution Layer, Max pooling layer pool size 2×2, Flatten layer, Image Data Generator로 구성하였다. Convolution layer가 3일 때와 4일 때 각각 filter 수, filter size, drop out, epoch, batch size, 손실함수 값을 설정하였다. test 데이터로 Convolution layer가 4일 때, filter 수 64-128-128-128, filter size 3×3, drop out 0.25, epoch 5, batch size 15, 손실함수 RMSprop으로 설정 시 정확도가 94.67%였다. 본 연구를 통해 높은 정확성으로 분류가 가능하였으며, 흉부 X-ray 영상뿐만 아니라 다른 의료영상에서도 많은 도움이 될 것으로 사료된다.

• 한국컴퓨터정보학회:학술대회논문집
• /
• 한국컴퓨터정보학회 2021년도 제64차 하계학술대회논문집 29권2호
• /
• pp.313-315
• /
• 2021

Timely and accurate diagnosis of lung diseases using Chest X-ray images has been gained much attention from the computer vision and medical imaging communities. Although previous studies have presented the capability of deep convolutional neural networks by achieving competitive binary classification results, their models were seemingly unreliable to effectively distinguish multiple disease groups using a large number of x-ray images. In this paper, we aim to build an advanced approach, so-called Ensemble Knowledge Distillation (EKD), to significantly boost the classification accuracies, compared to traditional KD methods by distilling knowledge from a cumbersome teacher model into an ensemble of lightweight student models with parallel branches trained with ground truth labels. Therefore, learning features at different branches of the student models could enable the network to learn diverse patterns and improve the qualify of final predictions through an ensemble learning solution. Although we observed that experiments on the well-established ChestX-ray14 dataset showed the classification improvements of traditional KD compared to the base transfer learning approach, the EKD performance would be expected to potentially enhance classification accuracy and model generalization, especially in situations of the imbalanced dataset and the interdependency of 14 weakly annotated thorax diseases.