• 한국컴퓨터정보학회논문지
• /
• 제14권10호
• /
• pp.83-92
• /
• 2009

본 논문에서는 컬러 영상에서 관심객체를 분할하기 위해 컬러 분산 에너지를 이용하는 확장 스네이크 알고리즘을 제안한다. 기존 스네이크 알고리즘은 영상 내에 존재하는 다양한 에너지들을 정의하여 영상을 관심 객체와 배경으로 분할한다. 스네이크의 성능은 구성하는 에너지의 특성에 따라 주로 좌우된다. 능동 윤곽선 모델인 일반적인 스네이크 알고리즘은 적용이 쉽고 분석이 용이한 영상의 밝기 정보를 주요 에너지로 사용한다. 그러나 영상밝기의 미분연산이나 에지검출과 관련된 에너지는 잡음에 민감하고 배경이 복잡해지면 성능이 좋지 않은 단점을 가지고 있다. 제안하는 알고리즘은 분할 영역의 컬러 분산을 스네이크의 영상 에너지에 추가함으로써 복잡한 배경에서도 관심객체를 효율적으로 분할한다. 제안하는 확장 스네이크 알고리즘의 성능을 단순한 배경과 복잡한 배경을 갖는 컬러 영상에서 관심객체를 분할하는 다양한 실험을 통해서 입증하였다. 그 결과 정확도 면에서 약 12.42 %의 향상된 성능을 보였다.

• Investigative Magnetic Resonance Imaging
• /
• 제16권1호
• /
• pp.55-66
• /
• 2012

목적 : 자기공명영상(MRI) 획득시 피험자의 머리 움직임은 영상의 품질에 영향을 줄 수 있다. 영상 왜곡의 발생 원인이 되는 피험자의 움직임을 감지하기 위한 3차원 광학 추적 시스템을 제작하였다. 대상 및 방법 : 시스템은 두 대의 CCD 카메라 및 적외선 조명, 구형 반사 마커, 프레임 그래버(frame grabber)와 데스크탑 컴퓨터로 구성되었다. 두 대의 카메라를 이용하여 마커의 움직임을 관측하는 스테레오 비전 시스템을 제작하고, 카메라의 내부/외부 매개변수를 측정하는 캘리브레이션(calibration)과 측정된 매개변수를 이용하여 3차원 움직임 정보를 계산하는 삼각측량(triangulation)기법을 적용하였다. 캘리브레이션 보드와 피험자용 안경을 제작하여 움직임 추적의 정확도와 실제 MRI 영상 촬영 동안의 움직임 검출의 유효성을 평가하였다. 결과 : 반사 마커가 부착된 안경을 쓴 피험자들이 MRI 영상 촬영 동안 머리를 규칙적으로 움직였을 때, 시스템은 MRI의 고자장 환경 내에서도 영상에 영향을 주지 않고 피험자들의 움직임을 잘 감지했다. 결론 : 제작한 스테레오 비전 시스템은피험자의 머리 움직임을 잘 감지하였고, 실시간 알림 기능을 통해 피험자의 움직임을 중지할 수 있도록 알려줌으로써 MRI 영상에 영향을 주는 것을 최소화할 수 있다.

• 한국정보과학회논문지:소프트웨어및응용
• /
• 제32권2호
• /
• pp.128-139
• /
• 2005

동영상에서 움직이는 객체의 외곽선은 객체의 분할을 위하여 매우 중요하다. 그러나 객체의 외곽선에는 끊어진 외곽선(broken boundary)들이 많이 존재한다. 이 논문에서 우리는 새로운 공간 기반 외곽선 연결 알고리즘을 개발하여 끊어진 객체의 외곽선을 연결하였다. 객체 외곽선 연결 알고리즘은 끊어진 외곽선의 말단 픽셀(terminating pixel) 주변에 4분면을 형성한다. 그리고 반지름 범위 내에서 전 방향으로 탐색을 수행하여 가장 가까운 다른 말단 픽셀을 찾아 끊어진 객체의 외곽선을 연결한다. 시스템은 또한 입력된 동영상들로부터 배경을 저장한다. 시스템은 객체의 외곽선 연결 수행 결과로부터 하나의 객체 마스크를 생성하고 저장된 배경으로부터 또 하나의 객체 마스크를 생성하여 이 두 개의 객체 마스크를 함께 사용하여 동영상으로부터 움직이는 객체를 분할한다. 또한 시스템은 Roberts 기울기 연산자를 사용하여 추출된 움직이는 객체로부터 그림자도 제거한다. 제안된 알고리즘의 가장 큰 특징은 더욱 정확한 움직이는 객체의 분할과 내부에 구멍이 존재하는 움직이는 객체의 분할이다. 우리는 개발된 알고리즘을 표준 MPEG-4 테스트 영상과 카메라로 입력된 동영상을 사용하여 실험하였다. 제안된 알고리즘은 매우 좋은 효율을 나타내고 있다. 알고리즘은 2.0GHz Pentium-IV CPU에서 QCIF 영상은 최소한 초당 49 프레임이상 처리할 수 있으며 CIF 영상은 최소한 초당 19 프레임 이상 처리할 수 있다.

• 한국수자원학회논문집
• /
• 제57권2호
• /
• pp.73-85
• /
• 2024

하천과 저수지의 수질을 예측하는 것은 수자원관리를 위해 필요하다. 높은 정확도의 수질 예측을 위해 많은 연구들에서 인공신경망이 활용되었다. 기존 연구들은 매개변수를 탐색하는 인공신경망의 연산자인 옵티마이저로 경사하강법 기반 옵티마이저를 사용하였다. 그러나 경사하강법 기반 옵티마이저는 지역 최적값으로의 수렴 가능성과 해의 저장 및 비교구조가 없다는 단점이 있다. 본 연구에서는 인공신경망을 이용한 수질 예측성능을 향상시키기 위해 개량형 옵티마이저를 개발하여 경사하강법 기반 옵티마이저의 단점을 개선하였다. 본 연구에서 제안한 옵티마이저는 경사하강법 기반 옵티마이저 중 학습오차가 낮은 Adaptive moments (Adam)과 Nesterov-accelerated adaptive moments (Nadam)를 Harmony Search(HS) 또는 Novel Self-adaptive Harmony Search (NSHS)와 결합한 옵티마이저이다. 개량형 옵티마이저의 학습 및 예측성능 평가를 위해 개량형 옵티마이저를 Long Short-Term Memory (LSTM)에 적용하여 국내의 다산 수질관측소의 수질인자인 수온, 용존산소량, 수소이온농도 및 엽록소-a를 학습 및 예측하였다. 학습결과를 비교하면, Nadam combined with NSHS (NadamNSHS)를 사용한 LSTM의 Mean Squared Error (MSE)가 0.002921로 가장 낮았다. 또한, 각 옵티마이저별 4개 수질인자에 대한 MSE 및 R²에 따른 예측순위를 비교하였다. 각 옵티마이저의 평균 순위를 비교하면, NadamNSHS를 사용한 LSTM이 2.25로 가장 높은 것을 확인하였다.

• Korean Journal of Radiology
• /
• 제22권3호
• /
• pp.334-343
• /
• 2021

Objective: We aimed to develop a prediction model for diagnosing severe aortic stenosis (AS) using computed tomography (CT) radiomics features of aortic valve calcium (AVC) and machine learning (ML) algorithms. Materials and Methods: We retrospectively enrolled 408 patients who underwent cardiac CT between March 2010 and August 2017 and had echocardiographic examinations (240 patients with severe AS on echocardiography [the severe AS group] and 168 patients without severe AS [the non-severe AS group]). Data were divided into a training set (312 patients) and a validation set (96 patients). Using non-contrast-enhanced cardiac CT scans, AVC was segmented, and 128 radiomics features for AVC were extracted. After feature selection was performed with three ML algorithms (least absolute shrinkage and selection operator [LASSO], random forests [RFs], and eXtreme Gradient Boosting [XGBoost]), model classifiers for diagnosing severe AS on echocardiography were developed in combination with three different model classifier methods (logistic regression, RF, and XGBoost). The performance (c-index) of each radiomics prediction model was compared with predictions based on AVC volume and score. Results: The radiomics scores derived from LASSO were significantly different between the severe AS and non-severe AS groups in the validation set (median, 1.563 vs. 0.197, respectively, p < 0.001). A radiomics prediction model based on feature selection by LASSO + model classifier by XGBoost showed the highest c-index of 0.921 (95% confidence interval [CI], 0.869-0.973) in the validation set. Compared to prediction models based on AVC volume and score (c-indexes of 0.894 [95% CI, 0.815-0.948] and 0.899 [95% CI, 0.820-0.951], respectively), eight and three of the nine radiomics prediction models showed higher discrimination abilities for severe AS. However, the differences were not statistically significant (p > 0.05 for all). Conclusion: Models based on the radiomics features of AVC and ML algorithms may perform well for diagnosing severe AS, but the added value compared to AVC volume and score should be investigated further.