• Radiation Oncology Journal
• /
• 제15권1호
• /
• pp.71-78
• /
• 1997

목적 :동적 쐐기 조사면 측정을 다중 검출기 시스템과 같은 특수한 장치없이 보편적인 방사선 측정 방법을 사용하여 시행할 수 있는 방법을 고안, 수행하였다. 대상 및 방법 : $15^{\circ},\;30^{\circ},\;45^{\circ},\;60^{\circ}$의 동적 쐐기각(dynamic wedge angle)과 6MV와 15MV인 광자선을 발생시키는 선형 가속기(CL 2100 C/D)를 이용하여 wedge transmission factor 및 percentage depth dose(PDD, 선량 프로파일을 측정하였다. Wedge transmission factor는 6MV, 15MV인 광자선과 $15^{\circ},\;30^{\circ},\;45^{\circ},\;60^{\circ}$의 4개의 동적 쐐기각에 대해서 $4\times4cm^2-20\times20cm^2$까지 1-2cm간격의 정사각형 조사면과 Y-field가 4cm, 20cm일 때 여러개의 X-field에 대한 각각의 직사각형 조사면에서 측정하였다. 또한 동적 쐐기의 구간별 치료표(Segmented Treatment Table, STT)값을 이용하여 wedge factor를 계산해 내었다. PDD는 필름 dosimetry로 구하였는데 개방 조사면에 대해 전리함과 필름으로 PDD를 구한 후 필름의 환산값을 알아내어 쐐기 조사면에 대한 필름 dosimetry로 PDD를 구하여 필름 환산값으로 전리함을 통해 얻을 수 있는 실제 PDD를 구하였다. 선량 프로파일은 비대칭 정지 조사면을 선택적으로 전리함을 이용하여 측정하고 이때 얻은 측정치인 소구간 프로파일과 STT를 이용하는 선량 분포 중칩 방식으로 구하였다. 결과 : wedge transmission factor의 측정치와 STT를 이용하여 구한 계산치를 비교한 결과 실험 오차 범위내에서 거의 일치하였다. 또한 직사각형 조사면에서의 wedge transmission factor 변화를 측정한 결과 동일한 Y-field에 대해서 직사각형 조사면은 정사각형 조사면에서의 wedge factor와 같았다. PDD는 필름 방사선 측정값의 보정으로 개방 조사면에서 PDD와 동적 쐐기 조사면에서 PDD 사이의 차이는 무시될 수 있다. 그리고 전리함의 측정으로부터 중칩 방식으로 얻어진 동적 쫴기의 선량 프로파일은 필름 dosimetry로 얻은 동적 쐐기의 선량 프로파일과 비교한 결과 최대 2% 이내 정확도의 허용 오차 영역에 들어옴을 볼 수 있었다. 결론 :동적 조사면의 특성으로 동적 쐐기 측정에서의 정보 수집을 위하여 모든 조사면에서의 방대한 측정과 그로인한 장시간의 소비, 또한 동적 쐐기 측정을 위한 특수한 장치가 필요하지만 보편적으로 사용하는 측정 장치, 즉 단일 검출기와 필름 방사선 측정 방법으로 충분히 용이하게 행할 수 있었다.

• 현장농수산연구지
• /
• 제23권1호
• /
• pp.89-104
• /
• 2021

비정형 데이터인 한국농수산대학 신입생 자기소개서에서 의미 있는 정보를 추출하기 위하여 핵심적인 역할을 하는 단어의 중요도를 평가하는 TF-IDF 가중치를 기초로 한 언어네트워크분석을 하였다. TF-IDF 가중치에 의한 핵심단어는 문항 1에서는 '농업', '수학', '공부', '문제', '친구', 문항 2에서는 '동아리', '식물', '친구', '농업', '작물', 문항 3에서는 '친구', '동아리', '의견', '갈등', '관리', 문항 4에서는 '버섯', '곤충', '아버지', '농업', '농장' 등으로 나타났다. 또한 빈도수는 낮은 단어이지만 핵심단어로 나타난 단어를 보면 문항 1에서는 '수학', '자격증', '성적', '영어', '과학', 문항 2에서는 '식물', '작물', '공부', '쓰레기', '발표', '실험', 문항 3에서는 '동아리', '청소', '봉사', '갈등', '봉사활동', 문항 4에서는 '버섯', '곤충', '양식', '한우', '조경' 등으로 나타났다. 단어들 간의 관계를 시각적으로 분석이 가능한 언어네트워크분석 결과 매개중심성이 높은 단어는 문항 1에서는 '이유', '고등학교', '재학', 문항 2에서는 '쓰레기', '고등학교', '학교', 문항 3에서는 '중요', '오해', '완성', 문항 4에서는 '가공', '사료', '농가'로 나타났다. 연결정도중심성은 문항 1에서는 '고등학교', '탐구', '성적', 문항 2에서는 '쓰레기', '정리', '수업시간', 문항 3에서는 '의견', '회의', '봉사활동', 문항 4에서는 '가공', '공간', '실습'으로 나타났다. 매개중심성 값이 클수록 네트워크의 중앙에 위치하고, 두 범주 사이의 관계가 강할수록 서로 근거리에 위치한다. 연결정도중심성이 클수록 노드의 크기가 크게 나타나며, 노드 연결선은 단어들의 동시 출현 빈도가 높을수록 edge가 굵게 나타났다. 동시 출현 빈도가 높은 즉 상관관계가 높은 단어 조합은 '자격증 - 취득', '문제 - 해결', '과학 - 생명', '오해 - 양보' 등으로 나타났다. 단어 기반의 계층적 클러스터링 기법에 의하여 단어 간 인접, 상호 관계를 계층적으로 나타낸 클러스터 덴드로그램으로 군집의 개수를 결정하였다. 단어들의 군집 간 비유사도의 차이가 큰 군집을 구한 결과 문항 1은 2개, 문항 2와 문항 4는 4개, 문항 3은 5개의 군집으로 분류할 경우 군집내 응집력이 높고, 군집 간 이질성이 큰 적절한 군집을 구할 수 있었다.

• 지능정보연구
• /
• 제27권3호
• /
• pp.139-156
• /
• 2021

이미지 분류에서 딥러닝 모형을 사용하는 가장 큰 이유는 이미지의 전체적인 정보에서 각 지역 특징을 추출하여 서로의 관계를 고려할 수 있기 때문이다. 하지만 이미지의 지역 특징이 없는 감정 이미지 데이터는 CNN 모델이 적합하지 않을 수 있다. 이러한 감정 이미지 분류의 어려움을 해결하기 위하여 매년 많은 연구자들이 감정 이미지에 적합한 CNN기반 아키텍처를 제시하고 있다. 색깔과 사람 감정간의 관계에 대한 연구들도 수행되었으며, 색깔에 따라 다른 감정이 유도된다는 결과들이 도출되었다. 딥러닝을 활용한 연구에서도 색깔정보를 활용하여 이미지 감성분류에 적용하는 연구들이 있어왔으며, 이미지만을 가지고 분류 모형을 학습한 경우보다 이미지의 색깔 정보를 추가로 활용한 경우가 이미지 감성 분류 정확도를 더 높일 수 있었다. 본 연구는 사람이 이미지의 감정을 분류하는 기준 중 많은 부분을 차지하는 색감을 이용하여 이미지 감성 분류 정확도를 향상시키는 방안을 제안한다. 이미지의 RGB 값에 K 평균 군집화 방안을 적용하여 이미지를 대표하는 색을 추출하여, 각 감성 클래스 별 해당 색깔이 나올 확률을 가중치 식으로 변형 후 CNN 모델의 최종 Layer에 적용하는 이-단계 학습방안을 구현하였다. 이미지 데이터는 6가지 감정으로 분류되는 Emotion6와 8가지 감정으로 분류되는 Artphoto를 사용하였다. 학습에 사용한 CNN 모델은 Densenet169, Mnasnet, Resnet101, Resnet152, Vgg19를 사용하였으며, 성능 평가는 5겹 교차검증으로 CNN 모델에 이-단계 학습 방안을 적용하여 전후 성과를 비교하였다. CNN 아키텍처만을 활용한 경우보다 색 속성에서 추출한 정보를 함께 사용하였을 때 더 좋은 분류 정확도를 보였다.