최근 딥러닝은 자기공명영상 검사에서의 화질 개선을 위해 다양하게 활용되고 있다. 하지만 다양한 자기공명영상 검사에서 딥러닝이 적용된 기법과 상황에 대한 평가는 부족한 편이다. 이에 본 연구에서는 모션 ACR(American College of Radiology) 팬텀을 활용하여 일반적인 상황과 움직이는 상황에서 T2-PROPELLER(periodically, rotated overlapping parallel lines with enhanced reconstruction, PROPELLER)와 T2-FSE(fast spin echo, FSE) 기법의 화질을 비교 평가해 보고자 하였다. 연구 결과 움직이지 않는 상황에서의 딥러닝 프로세스를 적용하였을 때 유의미한 신호대잡음비와 대조대잡음비의 상승을 보였다. 하지만 팬텀에 움직임을 주는 동적인 상황 에서 딥러닝 프로세스를 적용하였을 때 유의미한 화질 개선을 보이지 않았다. 이러한 결과는 딥러닝 프로세스를 절대 적으로 사용하기보다 다양한 상황에 맞게 선택적으로 적용하는 것이 필요할 것으로 사료된다.

본 연구에서는 호흡동조화기법의 대안으로 딥러닝 자유호흡기법에서 b-value 별 겉보기확산계수 값을 평가하고 확 산강조영상과 겉보기확산계수 지도의 해부학적 일치성을 분석하여 적절한 여기횟수 값을 알아보고자 하였다. 연구 방법은 2023년 7월부터 2024년 1월까지 간 자기공명영상 검사가 의뢰된 성인 남녀 35명을 대상으로 하였고 사용 장비는 Magnetom Skyra 3.0T(Siemens, Germany)를 이용하였다. 자유호흡기법의 비교를 위해 b-value 50, 400, 800(s/mm2)의 여기횟수를 각각 딥러닝 호흡동조화기법에서 2,3,4으로 딥러닝을 이용하지 않은 일반 자유호 흡기법에서 4,6,8으로 검사하였다. 딥러닝을 추가한 일반 자유호흡기법에서는 1,2,3 여기횟수, 2,3,4 여기횟수, 3,5,6 여기횟수, 4,6,8 여기횟수로 변화하였다. 연구 결과 딥러닝 자유호흡기법에서 간의 좌엽과 우엽, 담낭의 평균 겉보기확산계수 값은 딥러닝 호흡동조화기법과 비교하여 모두 통계적 유의성을 확인하였다. 한편 정성적 평가의 해 부학적 일치성을 분석한 결과 딥러닝 자유호흡기법의 3,5,6 여기횟수와 4,6,8 여기횟수에서 가장 높은 점수를 얻었 으며 검사 시간에서는 딥러닝 호흡동조화기법과 비교하여 약 51%, 40% 감소하였다. 따라서 간 진단에 있어 딥러닝 자유호흡기법에서 b-value 별 적절한 여기횟수 값을 이용한다면 겉보기확산계수 지도의 정확도 유지와 함께 검사 시간을 감소시킬 수 있어 임상적으로 유용한 검사가 될 것으로 사료된다.

Recently, SDAS(Advanced driver-assistance system) are being installed to assist driving of vehicles and improve driver convenience. LDWS(Lane departure warning system) and FCWS(Forward collision warning system) are the core of the technology. Among these, FCWS is evaluated as a key assistive technology to prevent vehicle crashes. Accordingly, many algorithms are being developed and tested to improve detection speed and actual detection algorithms are being commercialized. In this paper, We propose the design of a system that optimizes FCWS speed by considering the AI performance of the terminal device when implemented as an embedded system.

Accurate seismic vulnerability assessment requires high quality and large amounts of ground motion data. Ground motion data generated from time series contains not only the seismic waves but also the background noise. Therefore, it is crucial to determine the high-pass cut-off frequency to reduce the background noise. Traditional methods for determining the high-pass filter frequency are based on human inspection, such as comparing the noise and the signal Fourier Amplitude Spectrum (FAS), f2 trend line fitting, and inspection of the displacement curve after filtering. However, these methods are subject to human error and unsuitable for automating the process. This study used a deep learning approach to determine the high-pass filter frequency. We used the Mel-spectrogram for feature extraction and mixup technique to overcome the lack of data. We selected convolutional neural network (CNN) models such as ResNet, DenseNet, and EfficientNet for transfer learning. Additionally, we chose ViT and DeiT for transformer-based models. The results showed that ResNet had the highest performance with R2 (the coefficient of determination) at 0.977 and the lowest mean absolute error (MAE) and RMSE (root mean square error) at 0.006 and 0.074, respectively. When applied to a seismic event and compared to the traditional methods, the determination of the high-pass filter frequency through the deep learning method showed a difference of 0.1 Hz, which demonstrates that it can be used as a replacement for traditional methods. We anticipate that this study will pave the way for automating ground motion processing, which could be applied to the system to handle large amounts of data efficiently.

In recent automated manufacturing systems, compressed air-based pneumatic cylinders have been widely used for basic perpetration including picking up and moving a target object. They are relatively categorized as small machines, but many linear or rotary cylinders play an important role in discrete manufacturing systems. Therefore, sudden operation stop or interruption due to a fault occurrence in pneumatic cylinders leads to a decrease in repair costs and production and even threatens the safety of workers. In this regard, this study proposed a fault detection technique by developing a time-variant deep learning model from multivariate sensor data analysis for estimating a current health state as four levels. In addition, it aims to establish a real-time fault detection system that allows workers to immediately identify and manage the cylinder’s status in either an actual shop floor or a remote management situation. To validate and verify the performance of the proposed system, we collected multivariate sensor signals from a rotary cylinder and it was successful in detecting the health state of the pneumatic cylinder with four severity levels. Furthermore, the optimal sensor location and signal type were analyzed through statistical inferences.

흉골 자기공명영상 검사 시 호흡 등 환자 움직임에 의한 인공물 발생을 최소화하는 것은 어렵다. 하지만 자기공명영 상 검사는 타 영상 검사와 비교해 흉골 병변을 발견하는 데 있어 진단적 가치가 높은 장점이 있다. 따라서 본 연구에 서는 환자의 검사 자세 및 딥러닝 기법을 통해 최적의 검사 방법을 도출하고자 한다. 자세 별 영상 변화를 확인하기 위해 바로 누운 자세, 엎드린 자세, 유방 코일을 사용한 엎드린 자세로 진행하였으며, 고식적 기법의 영상과 Deep Resolve Boost(DRB) 기법을 적용한 영상을 비교 관찰하였다. 모든 대상에게 같은 조건으로 각 영상을 2회씩 획득 한 후 전반적인 영상 품질을 기준으로 정성적으로 평가하였고, DRB의 적용 여부에 따른 신호 대 잡음비의 변화 정도를 정량적으로 평가하여 개선 정도를 산출하였다. 정성적 평가에서 DRB 적용 여부와 무관하게 엎드린 자세, 유방 코일을 사용한 엎드린 자세, 바로 누운 자세 순으로 높은 점수를 얻었으며, DRB를 적용한 영상이 고식적 기법 의 영상보다 높은 점수를 얻었다. 또한 정량적 평가를 통해 유방 코일을 사용한 엎드린 자세, 엎드린 자세, 바로 누운 자세 순으로 높은 개선 정도를 확인하였다. 본 연구를 통해 흉골 검사 시 DRB 기법을 적용하는 것은 영상의 질을 높이는 방법임을 확인하였다. DRB를 적용하지 못하는 환경에서는 될 수 있으면 엎드린 자세를 적용하는 것을 권고하며, DRB를 적용할 수 있는 환경에서는 환자 측 인자를 고려하여 엎드린 자세와 유방 코일을 사용한 엎드린 자세를 모두 적용할 수 있다.

거주민의 도시 건조환경(Urban Built Environment)에 대한 인식은 도시연구, 도시계획 및 도시설계에 중요한 요소이다. 범죄불안감이란 특정 장소와 특정 범죄에 대해서 느끼는 범죄 발생 가능성에 대한 불안감의 심리량을 의미하는데, 이는 개개인의 주관적인 평가이다. 범죄불안감은 실제 범죄율보다 빠르게 증가하고 있어, 사람들이 범죄불안감을 느끼는 지역을 찾는 것은 범죄예방 에 효과적이며 중요한 과정이다. 하지만 기존 연구에서 도시 건조환경에 대한 불안감 측정은 소수의 사람과 제한된 범위를 대상으로 설문조사나 현장조사에 의존하여 제한적이었다. 본 연구의 목적은 거리영상과 딥러닝 기술을 활용하여 시민들이 느끼는 범죄 불안감 을 측정하고 시각화하는 것이며 연구대상지역은 서울시 영등포구이다. 거리영상을 활용하여 범죄불안감을 측정하기 위해서는 거리 영상에 대한 사람들의 범죄불안감을 측정하고, 이를 딥러닝 모델을 활용하여 평가점수를 예측하는 모델을 구축해야 한다. 이를 위해 본 연구에서는 카카오맵 API를 활용하여 거리영상을 수집하였다. 수집한 영상 중 20,886장의 거리영상을 활용하여 상대적으로 불안감을 느끼는 거리가 어느 쪽인지를 응답하도록 하는 171,942개의 훈련데이터 셋을 구축하였다. 구축된 쌍별비교 데이터 셋으로 Global-Patch-RSS-CNN모델을 훈련 후, 훈련된 모델을 연구대상 지역 전체에 적용하여 범죄불안감 예측점수를 도출하고 시각화였 다. 본 연구는 거리영상과 딥러닝 기술을 활용하여 도시의 범죄불안감을 측정하는 첫 사례를 제시하였다는 점, 그리고 범죄불안감이 높게 평가되는 지역의 환경 특성을 분석하여, 효과적인 도시 계획 및 범죄 예방 전략 수립에 기여할 수 있다는 점에 의의가 있다.

Bee traffic at the hive entrance can be used as an important indicator of foraging activity. We investigated patterns of honeybees and bumblebees near their hives as a basis for calculating bee traffic using the image deep learning. The flight pattern near the hive differed significantly according to bee at entering and leaving the hive. Honeybees mainly showed flight that changed flight direction more than once (69.5%), whereas bumblebees mainly performed straight flight (48.7%) or had a single turn (36.5%) in flight. When bees entered the hive, honeybees primarily showed one-turn or two-turn flight patterns(88.5%), and bumblebees showed a one-turn flight pattern (48.0%). In contrast, when leaving the hive, honeybees primarily showed a straight flight pattern (63.0%), and bumblebees primarily showed a straight or one-turn pattern (90.5%). There was a significant difference in flight speed according to the flight pattern. The speed of straight flight (0.89±0.47 m/s) was 1.5 to 2.1 times faster than flight where direction changed. Therefore, our results can help determine the capturing and recognizing the flying image of bees when calculating bee traffic by image deep learning.