• Imaging Science in Dentistry
• /
• 제52권4호
• /
• pp.383-391
• /
• 2022

Purpose: Periodontitis, the most prevalent chronic inflammatory condition affecting teeth-supporting tissues, is diagnosed and classified through clinical and radiographic examinations. The staging of periodontitis using panoramic radiographs provides information for designing computer-assisted diagnostic systems. Performing image segmentation in periodontitis is required for image processing in diagnostic applications. This study evaluated image segmentation for periodontitis staging based on deep learning approaches. Materials and Methods: Multi-Label U-Net and Mask R-CNN models were compared for image segmentation to detect periodontitis using 100 digital panoramic radiographs. Normal conditions and 4 stages of periodontitis were annotated on these panoramic radiographs. A total of 1100 original and augmented images were then randomly divided into a training (75%) dataset to produce segmentation models and a testing (25%) dataset to determine the evaluation metrics of the segmentation models. Results: The performance of the segmentation models against the radiographic diagnosis of periodontitis conducted by a dentist was described by evaluation metrics(i.e., dice coefficient and intersection-over-union [IoU] score). MultiLabel U-Net achieved a dice coefficient of 0.96 and an IoU score of 0.97. Meanwhile, Mask R-CNN attained a dice coefficient of 0.87 and an IoU score of 0.74. U-Net showed the characteristic of semantic segmentation, and Mask R-CNN performed instance segmentation with accuracy, precision, recall, and F1-score values of 95%, 85.6%, 88.2%, and 86.6%, respectively. Conclusion: Multi-Label U-Net produced superior image segmentation to that of Mask R-CNN. The authors recommend integrating it with other techniques to develop hybrid models for automatic periodontitis detection.

• Geomechanics and Engineering
• /
• 제36권5호
• /
• pp.441-453
• /
• 2024

Sinkhole subsidence and collapse is a common geohazard often formed in karst areas such as the state of Florida, United States of America. To predict the sinkhole occurrence, we need to understand the formation mechanism of sinkhole and its karst hydrogeology. For this purpose, investigating the factors affecting sinkholes is an essential and important step. The main objectives of the presenting study are (1) the development of a machine learning (ML)-based model, namely C5.0 decision tree (C5.0 DT), for the prediction of sinkhole susceptibility, which accounts for sinkhole/subsidence inventory and sinkhole contributing factors (e.g., geological/hydrogeological) and (2) the construction of a regional-scale sinkhole susceptibility map. The study area is east central Florida (ECF) where a cover-collapse type is commonly reported. The C5.0 DT algorithm was used to account for twelve (12) identified hydrogeological factors. In this study, a total of 1,113 sinkholes in ECF were identified and the dataset was then randomly divided into 70% and 30% subsets for training and testing, respectively. The performance of the sinkhole susceptibility model was evaluated using a receiver operating characteristic (ROC) curve, particularly the area under the curve (AUC). The C5.0 model showed a high prediction accuracy of 83.52%. It is concluded that a decision tree is a promising tool and classifier for spatial prediction of karst sinkholes and subsidence in the ECF area.

• 대한원격탐사학회지
• /
• 제35권6_1호
• /
• pp.999-1009
• /
• 2019

북극항로의 개척 가능성과 정확한 기후 예측 모델의 필요성에 의해 북극해 고해상도 해빙 지도의 중요성이 증가하고 있다. 그러나 기존의 북극 해빙 지도는 제작에 사용된 위성 영상 취득 센서의 특성에 따른 데이터의 취득과 공간해상도 등에서 그 활용도가 제한된다. 본 연구에서는 Sentinel-1 A/B SAR 위성자료로부터 고해상도 해빙 지도를 생성하기 위한 딥러닝 기반의 해빙 분류 알고리즘을 연구하였다. 북극해 Ice Chart를 기반으로 전문가 판독에 의해 Open Water, First Year Ice, Multi Year Ice의 세 클래스로 구성된 훈련자료를 구축하였으며, Convolutional Neural Network 기반의 두 가지 딥러닝 모델(Simple CNN, Resnet50)과 입사각 및 thermal noise가 보정된 HV 밴드를 포함하는 다섯 가지 입력 밴드 조합을 이용하여 총 10가지 케이스의 해빙 분류를 실시하였다. 이 케이스들에 대하여 Ground Truth Point를 사용하여 정확도를 비교하고, 가장 높은 정확도가 나온 케이스에 대해 confusion matrix 및 Cohen의 kappa 분석을 실시하였다. 또한 전통적으로 분류를 위해 많이 활용되어 온 Maximum Likelihood Classifier 기법을 이용한 분류결과에 대해서도 같은 비교를 하였다. 그 결과 Convolution 층 2개, Max Pooling 층 2개를 가진 구조의 Convolutional Neural Network에 [HV, 입사각] 밴드를 넣은 딥러닝 알고리즘의 분류 결과가 96.66%의 가장 높은 분류 정확도를 보였으며, Cohen의 kappa 계수는 0.9499로 나타나 딥러닝에 의한 해빙 분류는 비교적 높은 분류 결과를 보였다. 또한 모든 딥러닝 케이스는 Maximum Likelihood Classifier 기법에 비해 높은 분류 정확도를 보였다.

• 대한원격탐사학회지
• /
• 제39권5_3호
• /
• pp.933-948
• /
• 2023

대기 중 에어로졸은 인체에 악영향을 끼칠 뿐 아니라 기후 시스템에도 직간접적인 영향을 미치므로 에어로졸의 특성과 시공간적인 분포에 대한 이해는 매우 중요하다. 이를 위해 위성기반 관측을 통해 에어로졸 광학 두께(Aerosol Optical Depth, AOD)를 산출하여 에어로졸을 모니터링하는 다양한 연구가 수행되어 왔다. 하지만 이는 주로 조견표를 활용한 역 산출 알고리즘에 기반하여 이루어지기 때문에 많은 계산량을 요구하며 불확실성이 존재한다. 따라서, 본 연구에서는 Geostationary Ocean Color Imager-II (GOCI-II)의 대기상한반사도와 30일 동안의 대기상한반사도 중 최솟값과 관측 시점 값의 차이 값, 수치 모델 기반 기상학적 변수 등을 활용하여 기계학습 기반 고해상도 AOD 직접 산출 알고리즘을 개발하였다. Light Gradient Boosting Machine (LGBM) 기법이 사용되었으며, 추정된 결과는 지상 관측 자료인 Aerosol Robotic Network (AERONET) AOD를 활용하여 랜덤, 시간 및 공간별 N-fold 교차검증을 통해 검증되었다. 세 가지 교차검증 결과 R²=0.70-0.80, RMSE=0.08-0.09, 기대오차(Expected Error, EE) 안에 있는 비율은 75.2-85.1% 수준으로 안정적인 성능을 보였다. Shapley Additive exPlanations (SHAP) 분석에서는 반사도 관련 변수들이 기여도의 상위권 대부분을 차지하고 있는 것을 통해 반사도 자료가 AOD 추정에 많은 기여를 하는 것을 확인하였다. 서울과 울산 지역에 대한 시간 별 AOD의 공간 분포를 분석한 결과, 개발된 LGBM 모델은 시간의 흐름에 따라 AERONET AOD 값과 유사한 수준으로 AOD를 추정하고 있었다. 이를 통해 높은 시공간 해상도(i.e., 시간별, 250 m)에서의 AOD 산출이 가능함을 확인하였다. 또한, 산출 커버리지 비교에서 LGBM 모델의 평균 산출 빈도가 GOCI-II L2 AOD 산출물 대비 8.8%가량 증가한 것을 통해 기존 물리모델기반 AOD 산출 과정에서 발생하던 밝은 지표면에 대한 과도한 마스킹의 문제점을 개선시킨 것을 확인하였다.

• 한국의료질향상학회지
• /
• 제22권2호
• /
• pp.43-73
• /
• 2016

Purpose: The aims of this study were to assess the presence of core patient safety practices in Korean hospitals and assess the differences in reporting and learning systems of patient safety, infrastructure, and safe practices by hospital characteristics. Methods: The authors developed a questionnaire including 39 items of patient safety staffing, health information system, reporting system, and event-specific prevention practices. The survey was conducted online or e-mail with 407 tertiary, general and specialty hospitals. Results: About 90% of hospitals answered the self-reporting system of patient safety related events is established. More than 90% of hospitals applied incidence monitoring or root cause analysis on healthcare-associated infection, in-facility pressure ulcers and falls, but only 60% did on surgery/procedure related events. More than 50% of the hospitals did not adopted present on admission (POA) indicators. One hundred (80.0%) hospitals had a department of patient safety and/or quality and only 52.8% of hospitals had a patient safety officer (PSO). While 82.4% of hospitals used electronic medical records (EMRs), only 53% of these hospitals adopted clinical decision support function. Infrastructure for patient safety except EMRs was well established in training, high-level and large hospitals. Most hospitals implemented prevention practices of adverse drug events, in-facility pressure ulcers and falls (94.4-100.0%). But prevention practices of surgery/procedure related events had relatively low adoption rate (59.2-92.8%). Majority of prevention practices for patient safety events were also implemented with a relatively modest increase in resources allocated. Conclusion: The hospital-based reporting and learning system, EMRs, and core evidence-based prevention practices were implemented well in high-level and large hospitals. But POA indicator and PSO were not adopted in more than half of surveyed hospitals and implementation of prevention practices for specific event had low. To support and monitor progress in hospital's patient safety effort, national-level safety practices set is needed.

• 한국터널지하공간학회 논문집
• /
• 제24권2호
• /
• pp.217-230
• /
• 2022

쉴드TBM (Tunnel Boring Machine) 터널 시공에 있어 막장압 관리는 막장면 붕괴, 지반침하 등을 방지하여 막장 안정성을 유지하는 데 중요한 역할을 담당한다. 특히, 챔버 내부의 굴착토로 막장압을 조절하는 토압식 쉴드TBM의 경우, 이수식 쉴드TBM에 비해 막장압의 관리가 어렵다. 본 연구에서는 국내 토압식 쉴드TBM 터널 시공 현장의 지반조건 및 굴진특성 데이터를 분석하여, 토압식 쉴드TBM 터널의 세그먼트 링별 막장압 예측모델을 제시하였다. 예측모델의 입력특성으로 7가지를 선정하였으며, 912개의 학습 데이터 세트(Training data set)와 228개의 시험 데이터 세트(Test data set)를 확보하였다. 최적의 토압식 쉴드TBM 막장압 예측모델 선정을 위하여 KNN (K-Nearest Neighbors), SVM (Support Vector Machine), RF (Random Forest), XGB (eXtreme Gradient Boosting) 모델의 하이퍼파라미터(Hyperparameter)를 최적화하여 예측성능을 비교한 결과, RF 모델이 7.35 kPa의 평균 제곱근 오차(Root Mean Square Error, RMSE)로 가장 우수한 성능을 나타냈다. 추가적으로, RF 모델의 특성 중요도(Feature importance) 분석을 수행한 결과, 입력특성 중 수압의 영향도가 0.38로 가장 높았으며, 전반적으로 지반조건이 굴진특성보다 높은 중요도를 보여주었다.

• 한국지구과학회지
• /
• 제31권4호
• /
• pp.392-402
• /
• 2010

본 연구의 목적은 중학교 1학년 과학 기본과정 지구과학영역의 자율학습용 콘텐츠에 대하여 분석 및 평가를 하는 것이다. 이를 위해 한국교육학술정보원(2008)의 '초 중등교육 e-러닝 품질관리 가이드라인(Ver.2.0)'에서 제시한 '사이버가정학습 콘텐츠 품질관리도구'를 적용하였다. 콘텐츠 분석에 대한 결과는 다음과 같다. 첫째, 학습안내는 학생들이 한 차시에 학습하게 될 내용들을 간략히 소개하고 있는 것으로 나타났다. 그리고 선수학습에서는 진단평가가 이루어지지 않은 것으로 분석되었다. 둘째, 본 학습에서는 학습자의 수준에 맞게 콘텐츠를 선택하여 학습할 수 있었고, 본 학습 시간은 15분 내외로 구성되어 있는 것으로 나타났다. 셋째, 학습평가에서는 학습자가 오답에 대한 피드백은 이루어지지 않고, 틀린 문항 수만 제시되어 있었다. 그리고 학습정리는 그 차시에 배운 중요한 내용에 대해서는 다시 요약 정리하여 제시하고 있다. 콘텐츠 평가에 대한 결과는 다음과 같다. 첫째, 요구분석, 교수학습전략, 상호작용에 대해서는 각 차시마다 큰 차이를 보이지 않았다. 그리고 윤리성에 대한 평가는 적합하지 못한 단어나 문장을 포함하고 있지 않은 것으로 나타났다. 저작권의 평가는 콘텐츠 내의 저작물에 대한 국제저작권표시방법을 준수하여 표시한 것으로 분석되었다. 둘째, 교수설계의 평가는 단순 그림 위주의 설명을 제시하였고, 플래시 등의 시각자료가 미흡한 것으로 나타났다. 그리고 지원체계의 평가에서는 학습자가 콘텐츠를 자유롭게 이용할 수 있도록 설치되어 있는 것으로 나타났다. 그러나 콘텐츠 학습 중 학습자가 메모할 수 있는 메모기능은 없는 것으로 분석되었다. 또한 평가에 대한 평가는 서술 내용에 대한 명확한 평가기준을 제시하고 있지는 않았다. 따라서 각각의 차시마다 조금씩 차이를 보였다. 셋째, 학습내용의 평가분석은 수정 보완하지 않은 탓에 최신의 정보를 포함하고 있지 않아 각 차시마다 큰 차이가 있는 것으로 나타났다.

• Journal of Gastric Cancer
• /
• 제19권4호
• /
• pp.438-450
• /
• 2019

Purpose: Although linear-shaped gastroduodenostomy (LSGD) was reported to be a feasible and reliable method of Billroth I anastomosis in patients undergoing totally laparoscopic distal gastrectomy (TLDG), the feasibility of LSGD for patients undergoing totally robotic distal gastrectomy (TRDG) has not been determined. This study compared the feasibility of LSGD in patients undergoing TRDG and TLDG. Materials and Methods: All c: onsecutive patients who underwent LSGD after distal gastrectomy for gastric cancer between January 2009 and December 2017 were analyzed retrospectively. Propensity score matching (PSM) analysis was performed to reduce the selection bias between TRDG and TLDG. Short-term outcomes, functional outcomes, learning curve, and risk factors for postoperative complications were analyzed. Results: This analysis included 414 patients, of whom 275 underwent laparoscopy and 139 underwent robotic surgery. PSM analysis showed that operation time was significantly longer (163.5 vs. 132.1 minutes, P<0.001) and postoperative hospital stay significantly shorter (6.2 vs. 7.5 days, P<0.003) in patients who underwent TRDG than in patients who underwent TLDG. Operation time was the independent risk factor for LSGD after intracorporeal gastroduodenostomy. Cumulative sum analysis showed no definitive turning point in the TRDG learning curve. Long-term endoscopic findings revealed similar results in the two groups, but bile reflux at 5 years showed significantly better improvement in the TLDG group than in the TRDG group (P=0.016). Conclusions: LSGD is feasible in TRDG, with short-term and long-term outcomes comparable to that in TLDG. LSGD may be a good option for intracorporeal Billroth I anastomosis in patients undergoing TRDG.

• 통합자연과학논문집
• /
• 제9권1호
• /
• pp.72-79
• /
• 2016

Hexane, ethyl acetate and methanol extracts of whole plant of Boerhavia diffusa were screened for phytochemical and biological activities. Qualitative phytochemical screening via colorimetric method and the quantitative estimation of phenolic and flavonoid content were performed. Antioxidant assay using DPPH scavenging method was studied. Antimicrobial screening of plant extracts was done by cup diffusion technique. Cytotoxic activity of B. diffusa was studied by brine shrimp bioassay and anthelminthic activity was evaluated in vitro in Pheretima posthuma. This study revealed B. diffusa as a source of various phyto-constituents such as alkaloids, glycosides, saponins, tannins, carbohydrates, cardiac glycosides, flavonoids and terpenoids. Quantitative estimation of total phenol was found to be maximum in BEE i.e. $29.73{\pm}0.88$, BME $19.8{\pm}2.02$ and in BHE $9.15{\pm}0.304mgGAE/g$. Similarly, the total flavonoid content was found to be $17.44{\pm}0.75$ in BEE, $14.43{\pm}0.23$ in BHE and 3.678 mg QE/g in BME. Ethyl acetate extract showed its antibacterial activity against all tested pathogens except Escherichia coli whereas Staphylococcus aureus and Salmonella Typhi were resistant to methanol and hexane extract. The zone of inhibition (ZOI) of ethyl acetate extract against S. Typhi and B. cereus was found to be 18 mm and 14 mm respectively. The MIC value of BEE in S. Typhi was $3.125{\mu}g/ml$ and in B. cereus was $12.5{\mu}g/ml$. The preliminary screening of anticancer property of B. diffusa i.e. BSLT in methanol was found to be $165.19{\mu}g/ml$. B. diffusa was also found to contain anthelmintic property. The study helped in further exploration of medicinal properties of B. diffusa by phytochemical screening and biological activities paving the path for study and investigation in this plant.

• 대한원격탐사학회지
• /
• 제35권6_2호
• /
• pp.1117-1132
• /
• 2019

산림생태계 내의 총일차생산량은 산림 자원 생산량과 직결되고, 산림생태계의 건강성, 산림식물계절 및 생태계 서비스의 중요한 지표가 된다. 이 연구에서는 인공위성 자료와 기계학습 알고리즘을 활용하여 우리 나라의 산림유역의 총일차생산량을 연구하였다. 에디공분산 타워가 있는 6개 지점에서의 MODIS (Moderate Resolution Imaging Spectroradiometer) 산출물과 에디공분산타워의 총일차생산성으로 연구기간의 75%-80%에 해당하는 자료로 기계학습 알고리즘을 훈련하고 나머지 기간으로 구축된 모델의 총일차생산성 예측 결과를 검증하였다. 모델을 구축할 때 MODIS 지상 산출물과 대기 산출물을 조합하여 새로운 입력자료(e.g., 포화수증기압차)를 모델의 입력자료(Processed MODIS)로 사용하였을 때와 이러한 과정 없이 QC(Quality control)만 거친 MODIS 산출물을 그대로 입력자료(Unprocessed MODIS)로 사용하였을 때의 총일차생산량을 비교해 보고 그 활용 가능성에 대해 고찰하였다. 추가로 MODIS 총일차생산량 산출물(MYD17)과 에디공분산 총일차생산성 및 기계학습 알고리즘 기반의 총일차생산성과의 상관관계를 보고 그 적합성에 대해 논의하였다. 이 연구에서 사용된 기계학습 알고리즘은 Support Vector Machine (SVM)으로 산림생태계 연구에서 가장 많이 사용되고 있는 기계학습 알고리즘 중 하나이다. 기계학습 알고리즘 기반(SVM 모델)의 총일차생산량 예측 결과는 MODIS 총일차생산량 산출물(MYD17)보다 에디공분산 총일차생산량과 전반적으로 높은 상관관계를 보였고 특히 식생 성장을 시작하는 시점의 값을 좀더잘 예측하는 결과를 보였다. 단일 지역에서 Unprocessed MODIS 입력자료로 훈련된 SVM 모델 결과는 피어슨 상관계수 0.75 - 0.95 (p < 0.001), 6개의 연구 지점에서 훈련된 SVM 모델 결과는 피어슨 상관계수 0.77 - 0.94 (p < 0.001) 사이를 보였다. 이 결과는 훈련 자료에 다양한 이벤트들이 포함되면 모델의 예측력이 향상되는 가능성을 보여주었고 위성영상의 산출물을 재계산하여 새로운 산출물을 내는 과정을 거친 위성 자료가 아니어도 그 예측력에는 크게 문제가 없음을 보여주었다.