• 대한원격탐사학회지
• /
• 제39권6_2호
• /
• pp.1615-1633
• /
• 2023

괭생이모자반은 황해 및 동중국해에서 대규모 번식하는 부유조류 중 하나로 우리나라 연안에 유입되어 환경 파괴 및 양식업 피해 등 다양한 문제점을 야기한다. 효율적인 피해 예방 및 연안 환경 보존을 위하여 최근 인공위성 기반 원격탐사 기술을 활용한 괭생이모자반 탐지 알고리즘 개발이 활발하게 이루어지고 있다. 하지만, 잘못된 탐지 정보는 해상 수거 선박의 이동 거리 증가, 지자체나 유관기관의 대응 혼선 등을 유발하므로 괭생이모자반 공간정보 생산 시 오탐지 최소화는 매우 중요하다. 본 연구는 국립해양조사원 국가해양위성센터의 GOCI-II 기반 괭생이모자반 탐지 알고리즘을 활용하여 자동으로 오탐지 화소를 제거하는 기술을 적용하였다. 주요 오탐지 발생 원인 분석 결과를 바탕으로 선형·산발적 오탐지 및 봄, 여름철에 중국 연안에서 대량으로 발생하는 녹조류를 오탐지로 간주하여 제거하는 과정을 포함하였다. 2022년 2월 24일부터 6월 25일까지 괭생이모자반 발생일을 대상으로 오탐지 자동 제거 기법을 적용하고, 중해상도 위성 영상을 이용하여 육안 판독 결과를 생성하고 정성적, 정량적 평가를 수행하였다. 선형 오탐지는 완전히 제거하였으며, 산발적 및 녹조 오탐지는 분포 파악에 영향을 주는 대부분의 오탐지 결과를 제거하였다. 자동 오탐지 제거 과정 이후에도 육안 판독 결과 대비 괭생이모자반의 분포 면적 확인이 가능하였으며, 이진분류모델을 이용하여 정확도와 정밀도는 각각 평균 97.73%, 95.4%로 산출하였다. 재현율은 매우 낮은 29.03%였는데, 이는 GOCI-II와 중해상도 위성영상의 관측 시간 불일치에 의한 괭생이모자반 이동 영향, 공간해상도 차이, 정사보정에 따른 위치 편차, 그리고 구름 마스킹 영향에 의한 것으로 추정하였다. 본 연구의 괭생이모자반 오탐지 제거 결과는 공간적인 분포 현황을 준실시간으로 파악할 수 있으나 생체량을 정확하게 추정하는 것은 한계가 존재하였다. 따라서, 지속적인 괭생이모자반 모니터링 시스템 고도화 연구를 통해 향후 괭생이모자반 대응계획수립을 위한 자료로 활용하고자 한다.

• 핵의학기술
• /
• 제22권1호
• /
• pp.55-66
• /
• 2018

PET/CT 검사에서 환자의 움직임이나 높은 비방사능에 의해 냉소 인공물(washed-out artifact)이 발생하여 육안적 판독 및 정량평가의 정확성을 감소시킬 가능성이 있다. GE PET/CT 장비의 산란 제한 보정 알고리즘은 영상에 발생한 냉소 인공물을 제거하여 영상을 회복시켜주는 알고리즘이다. 본 연구의 목적은 팬텀 실험을 통해 높은 비방사능에 의해 냉소 인공물이 발생한 영상에 산란 제한 보정 알고리즘을 적용하였을 때 기존의 정량 값으로 회복 가능한 비방사능의 역치 값을 측정하고, 냉소 인공물이 발생한 임상 환자 영상에 산란 제한 보정 알고리즘을 적용하여 보정 전과 후의 영상을 비교 분석하고자 한다. $^{68}Ge$ 실린더 팬텀 영상에 냉소 인공물을 발생시키기 위해 임의의 $^{18}F$ 선원의 비방사능이 20 ~ 20,000 kBq/ml 가 되도록 20 단계로 분주하고 $^{18}F$ 선원의 CT 영상과 PET 영상간에 불일치(mis-registration) 정도가 없을 때, 불일치가 각각 1, 2, 3, 4 cm 일 때의 영상을 획득하였다. 또한 본원에서 $^{18}F-FDG$ Fusion Whole Body PET/CT 검사를 시행한 환자 중 유치 도뇨관 내에 높은 비방사능에 의해 냉소 인공물이 발생한 34명의 환자를 대상으로, CT 영상과 PET 영상간의 불일치 정도(cm), 인공물을 발생시키는 원인이 되는 비방사능의 수치(kBq/ml), 인공물이 발생한 단면 내 근육에서의 $SUV_{mean}$, 인공물이 발생한 단면 내 병변에서의 $SUV_{max}$, 인공물이 발생하지 않은 단면 내 병변에서의 $SUV_{max}$를 측정하였다. 통계는 보정 전과 후의 차이를 비교하기 위해 대응 표본 t 검정을 시행하였다. 팬텀 실험에서는 $^{18}F$ 선원의 비방사능이 커질수록 $^{68}Ge$ 실린더 팬텀의 $SUV_{mean}$가 감소하였다. 불일치 거리가 커질수록 $SUV_{mean}$가 급격히 저하 되었지만 반대로 보정 효과는 더 크게 나타났다. 비방사능 50 kBq/ml 이하에서는 모든 조건에서 육안적으로도 냉소 인공물이 발생하지 않았으며 $SUV_{mean}$에도 차이가 없었다. 불일치가 없을 때와 1 cm 차이가 있을 때는 120 kBq/ml 이하부터 산란 제한 보정 알고리즘을 적용 할 때 기존 $SUV_{mean}$(0.95)와 동일하게 회복 되었고, 2 cm와 3 cm 차이에서는 100 kBq/ml 이하부터, 4 cm 차이에서는 80 kBq/ml 이하부터 기존 $SUV_{mean}$와 동일하게 회복 되었다. 임상 환자 34명의 영상을 분석한 결과, 불일치 평균 거리는 2.02 cm 이었고, 냉소 인공물을 발생시키는 평균 비방사능은 490.15 kBq/ml 이었다. 인공물이 발생한 단면 내 근육의 $SUV_{mean}$와 병변의 $SUV_{max}$는 보정 전 후 각각 통계적으로 유의한 차이가 있었지만(t=-13.805, p=0.000) (t=-2.851, p=0.012), 인공물이 발생하지 않은 단면 내 병변의 $SUV_{max}$는 통계적으로 유의한 차이가 없었다(t=-1.173, p=0.250). GE PET/CT 장비의 산란 제한 보정 알고리즘은 임상 검사에서 환자의 심한 움직임뿐만 아니라 높은 비방사능의 미세한 움직임에 의해 발생한 냉소 인공물을 제거하여 영상을 회복해 주는 알고리즘이다. 냉소 인공물이 발생 하였을 때 산란제한 보정 알고리즘 적용 후 그 원인이 되는 비방사능의 수치, CT 영상과 PET 영상의 불일치 거리 등을 감안하여 영상을 분석한다면 냉소 인공물 부위의 재촬영 없이, 육안적 판독 및 정량 값을 더 정확하게 평가 하는데 도움이 될 것으로 사료 된다.

• 인터넷정보학회논문지
• /
• 제16권1호
• /
• pp.67-74
• /
• 2015

최근, 아이템들의 가치를 고려한 빈발 아이템셋 마이닝 방법은 데이터 마이닝 분야에서 가장 중요한 이슈 중 하나로 활발히 연구되어왔다. 아이템들의 가치를 고려한 마이닝 기법들은 적용 방법에 따라 크게 가중화 빈발 아이템셋 마이닝, 트랜잭션 가중치 기반의 빈발 아이템셋 마이닝, 유틸리티 아이템셋 마이닝으로 구분된다. 본 논문에서는 트랜잭션 가중치 기반의 빈발 아이템셋 마이닝들에 대해 실증적인 분석을 수행한다. 일반적으로 트랜잭션 가중치 기반의 빈발 아이템셋 마이닝 기법들은 데이터베이스 내 아이템들의 가치를 고려함으로써 트랜잭션 가중치를 계산한다. 또한, 그 기법들은 계산된 각 트랜잭션의 가중치를 바탕으로 가중화 빈발 아이템셋들을 마이닝 한다. 트랜잭션 가중치는 트랜잭션 내에 높은 가치의 아이템이 많이 포함 될수록 높은 값으로 나타나기 때문에 우리는 각 트랜잭션의 가중치의 분석을 통해 그 가치를 파악할 수 있다. 우리는 트랜잭션 가중치 기반의 빈발 아이템셋 마이닝 기법 중에서 가장 유명한 알고리즘인 WIS와 WIT-FWIs, IT-FWIs-MODIFY, WIT-FWIs-DIFF의 장 단점을 분석하고 각각의 성능을 비교한다. WIS는 트랜잭션 가중치 기반의 빈발 아이템셋 마이닝의 개념과 그 기법이 처음 제안된 알고리즘이며, 전통적인 빈발 아이템셋 마이닝 기법인 Apriori를 기반으로 하고 있다. 또 다른 트랜잭션 가중치 기반의 빈발 아이템셋 마이닝 방법인 WIT-FWIs와 WIT-FWIs-MODIFY, WIT-FWIs-DIFF는 가중화된 빈발 아이템셋 마이닝을 더 효율적으로 수행하기 위해 격자구조(Lattice) 형태의 특별한 저장구조인 WIT-tree를 이용한다. WIT-tree의 각 노드에는 아이템셋 정보와 아이템셋이 포함된 트랜잭션의 ID들이 저장되며, 이 구조를 사용함으로써 아이템셋 마이닝 과정에서 발생되는 다수의 데이터베이스 스캔 과정이 감소된다. 특히, 전통적인 알고리즘들이 수많은 데이터베이스 스캔을 수행하는 반면에, 이 알고리즘들은 WIT-tree를 이용해 데이터베이스를 오직 한번만 읽음으로써 마이닝과정에서 발생 가능한 오버헤드 문제를 해결한다. 또한, 공통적으로 길이 N의 두 아이템셋을 이용해 길이 N+1의 새로운 아이템셋을 생성한다. 먼저, WIT-FWIs는 각 아이템셋이 동시에 발생되는 트랜잭션들의 정보를 활용하는 것이 특징이다. WIT-FWIs-MODIFY는 조합되는 아이템셋의 정보를 이용해 빈도수 계산에 필요한 연산을 줄인 알고리즘이다. WIT-FWIs-DIFF는 두 아이템셋 중 하나만 발생한 트랜잭션의 정보를 이용한다. 우리는 다양한 실험환경에서 각 알고리즘의 성능을 비교분석하기 위해 각 트랜잭션의 형태가 유사한 dense 데이터와 각 트랜잭션의 구성이 서로 다른 sparse 데이터를 이용해 마이닝 시간과 최대 메모리 사용량을 평가한다. 또한, 각 알고리즘의 안정성을 평가하기 위한 확장성 테스트를 수행한다. 결과적으로, dense 데이터에서는 WIT-FWIs와 WIT-FWIs-MODIFY가 다른 알고리즘들보다 좋은 성능을 보이고 sparse 데이터에서는 WIT-FWI-DIFF가 가장 좋은 효율성을 갖는다. WIS는 더 많은 연산을 수행하는 알고리즘을 기반으로 했기 때문에 평균적으로 가장 낮은 성능을 보인다.

• 지능정보연구
• /
• 제25권1호
• /
• pp.163-177
• /
• 2019

스마트폰이 널리 보급되고 현대인들의 생활 속에 깊이 자리 잡으면서, 스마트폰에서 수집된 다종 데이터를 바탕으로 사용자 개인의 행동을 인식하고자 하는 연구가 활발히 진행되고 있다. 그러나 타인과의 상호작용 행동 인식에 대한 연구는 아직까지 상대적으로 미진하였다. 기존 상호작용 행동 인식 연구에서는 오디오, 블루투스, 와이파이 등의 데이터를 사용하였으나, 이들은 사용자 사생활 침해 가능성이 높으며 단시간 내에 충분한 양의 데이터를 수집하기 어렵다는 한계가 있다. 반면 가속도, 자기장, 자이로스코프 등의 물리 센서의 경우 사생활 침해 가능성이 낮으며 단시간 내에 충분한 양의 데이터를 수집할 수 있다. 본 연구에서는 이러한 점에 주목하여, 스마트폰 상의 다종 물리 센서 데이터만을 활용, 딥러닝 모델에 기반을 둔 사용자의 동행 상태 인식 방법론을 제안한다. 사용자의 동행 여부 및 대화 여부를 분류하는 동행 상태 분류 모델은 컨볼루션 신경망과 장단기 기억 순환 신경망이 혼합된 구조를 지닌다. 먼저 스마트폰의 다종 물리 센서에서 수집한 데이터에 존재하는 타임 스태프의 차이를 상쇄하고, 정규화를 수행하여 시간에 따른 시퀀스 데이터 형태로 변환함으로써 동행 상태분류 모델의 입력 데이터를 생성한다. 이는 컨볼루션 신경망에 입력되며, 데이터의 시간적 국부 의존성이 반영된 요인 지도를 출력한다. 장단기 기억 순환 신경망은 요인 지도를 입력받아 시간에 따른 순차적 연관 관계를 학습하며, 동행 상태 분류를 위한 요인을 추출하고 소프트맥스 분류기에서 이에 기반한 최종적인 분류를 수행한다. 자체 제작한 스마트폰 애플리케이션을 배포하여 실험 데이터를 수집하였으며, 이를 활용하여 제안한 방법론을 평가하였다. 최적의 파라미터를 설정하여 동행 상태 분류 모델을 학습하고 평가한 결과, 동행 여부와 대화 여부를 각각 98.74%, 98.83%의 높은 정확도로 분류하였다.

• 핵의학기술
• /
• 제16권2호
• /
• pp.110-114
• /
• 2012

암의 조기검진 및 수술 전후 추적검사에 유용하게 이용되고 있는 PET/CT는 영상의 질을 향상시키기 위하여 기계적인 성능 향상과 더불어 영상 재구성방법도 발전되어 왔다. 본 연구는 Time of Flight (TOF)를 기반으로 한 재구성 프로그램들에 대하여 영상의 질을 평가하고자 한다. Gemini TF, Biograph mCT, Discovery 690을 이용하여 phantom 영상을 동일한 조건으로 2분 동안 영상을 획득 후 Astonish TF, ultraHD PET, SharpIR을 적용한 것과 적용하지 않은 것에 대하여 영상을 재구성하였다. Flangeless Esser PET phantom 의 내부에는 $^{18}F$-FDG 1.11 kBq/ml (30 ${\mu}Ci/ml$)를 채우고 4개의 열소 원통(8, 12, 16, 25 mm)에는 8.88 kBq/ml (240 ${\mu}Ci/ml$)를 채워서 배후 방사능과 열소 원통 방사능의 비율이 1:8이 되도록 제작하였고 triple line phantom의 내부에는 $^{18}F$-FDG 37 MBq (1 mCi)를 채우고 세 개의 line에는 0.37 MBq/ml (100 uCi)를 주입하여 제작하였다. Flangeless Esser PET phantom을 사용한 재구성 영상에서 contrast ratio와 background variability를 구하였고, triple line phantom을 사용한 재구성 영상에서 resolution을 측정하였다. Phantom lid 크기가 8, 12, 16, 25 mm에서의 contrast ratio는 Astonish TF를 적용하지 않은 영상에서 8.69, 12.28, 19.31, 25.80%, 적용한 영상에서는 6.24, 13.24, 19.55, 27.60%, ultraHD PET를 적용하지 않은 영상에서 4.94, 12.68, 22.09, 30.14%, 적용한 영상에서는 4.76, 13.23, 23.72, 31.65%, SharpIR를 적용하지 않은 영상에서 13.18, 17.44, 28.76, 34.67%, 적용한 영상에서는 13.15, 18.32, 30.33, 35.73%로 나타났다. Background variability는 Astonish TF를 적용하지 않은 영상에서 5.51, 5.42, 7.13, 6.28%, 적용한 영상에서는 7.81, 7.94, 6.40, 6.28%, ultraHD PET를 적용하지 않은 영상에서 6.46, 6.63, 5.33, 5.21%, 적용한 영상에서는 6.08, 6.08, 4.45, 4.58%, SharpIR를 적용하지 않은 영상에서 5.93, 4.82, 4.45, 5.09%, 적용한 영상에서는 4.80, 3.92, 3.63, 4.50%로 나타났다. Phantom line 위치가 upper, center, right에서의 resolution은 Astonish TF를 적용하지 않은 영상에서 10.77, 11.54, 9.34 mm, 적용한 영상에서는 9.54, 8.90, 8.88 mm, ultraHD PET를 적용하지 않은 영상에서 7.84, 6.95, 8.32 mm, 적용한 영상에서는 7.51, 6.66, 8.27 mm, SharpIR를 적용하지 않은 영상에서 9.35, 8.69, 8.99 mm, 적용한 영상에서는 9.88, 9.18, 9.00 mm로 나타났다. TOF를 기반으로 하여 영상의 질을 향상시키기 위한 재구성 프로그램 사용 시 전반적으로 영상의 질적 향상이 이루어짐을 알 수 있었다. 또한 제조사별 재구성 프로그램 비교에 대해서는 어느 정도의 결과 값의 차이를 보였지만 이는 제조사별 장비의 특성과 재구성 알고리즘의 차이로 인한 결과라고 생각된다. 따라서 각 병원에서는 영상의 질을 향상시키기 위해 사용되는 재구성 프로그램을 이용함에 있어서 프로그램에 맞는 적절한 재구성 조건을 찾기 위한 추가적인 연구가 필요할 것으로 사료된다.