코로나-19 감염증 사태가 일상화됨에 따라, 문화⋅예술, 스포츠 분야에서 비대면 방식을 통한 소통이 일상화되었다. 특히 대규모 관중이 운집한 상태에서 이루어지는 스포츠 경기는 코로나-19 의 직접적인 영향을 받을 수밖에 없었다. 스포츠 경기 및 스포츠 경기 영상에 대하여 저작물성이 인정되는지 여부와 관련하여, 축구, 야구와 같은 프로스포츠 및 육상, 수영과 같은 기초 종목 등에 대하여 저작물성이 부인되는 것으로 보는 것이 저작권 학계의 다수설이다. 싱크로나이 즈드스위밍이나 리듬체조와 같은 선수의 표현력이 중시되는 종목의 경우 저작물성이 인정된다는 견해가 있으나 판정기준에 따라 선수가 기량을 발휘하는 행위에 대해 저작물성을 인정할 수 없다는 반론도 존재한다. IOC, FIFA와 같은 국제기구나 KBO, KBL과 같은 경기주최자로서는 경기를 개최하는데 막대한 비용을 투자한 까닭에 스포츠 이벤트 가치가 훼손되는 행위를 방지할 필요가 있으나 법적으로 구제할 수 있는 방안이 존재하지 않으므로 브라질 저작권법상 인정되는 ‘스타디움 권리’를 도입 하는 방안이 고려될 수 있을 것이다. 스포츠 경기 중계 영상의 중계 기법이 발전해 가는 현실 속에서, ‘클린피드’ 그 자체에 대하여도 저작물성이 인정된다고 할 것이며 해당 저작 물의 저작권은 방송사에 귀속된다 할 것이다. 스포츠 중계 영상의 이용관계에 관하여 여러 권리주체 간의 충돌 문제가 발생하는데, 특히 블로그, SNS 및 유튜브 등을 통한 소통이 일상화 된 현실 속에서 스포츠 중계권 고유의 가치를 훼손하지 않는다면 저작권법상 공정이용 규정을 적용하는 방안을 고려할 수 있다 할 것이다.

본 연구에서는 게임 동영상의 고화질 변환이 가능한 초해상화 알고리즘을 제시한다. 본 알고리즘은 오픈 소 스 형태의 GPU에서 제공하는 MMU에서 구현될 수 있도록 희소 행렬 연산을 이용해서 설게된다. 이를 위해 서 일반적인 영상 해상도 향상 방법인 이중 일차 및 이중 삼차 보간 법과 심층 학습에 기반한 초해상화 모 델에서 사용하는 컨볼루션 연산을 희소 행렬 연산으로 변환하는 방법을 제시한다. 이는 각 픽셀에 적용되는 필터를 행렬 곱 형태로 표현하고, 이 행렬을 희소 행렬로 표현함으로써 수행되는데, 이러한 과정을 통해서 연산의 효율성을 추구함으로써 안정적인 초해상화 알고리즘을 제공한다. 이러한 희소행렬 연산 형태로 표현 되는 초해상화 알고리즘은 기존의 라이브러리를 이용해서 구현된 초해상화 알고리즘과 유사한 PSNR과 FPS 를 보인다.

I propose an algorithm to detect defects in the production of wire mesh using computer image processing. The process is explained as follows, First reading consecutive frames coming through the camera, then the preprocessing process is performed. Second calculate the absolute difference between the two images to distinguish the moving wire mesh from the unnecessary background image. Third based on the past moving data of the welded wire mesh, predict and track future movement. As a result of observing the samples of some defective welded wire mesh products, it was confirmed that the horizontal line of the defective wire mesh had a higher height value of the tracked wire netting. Therefore it is possible to judge whether there is a defect or not at the same time without any additional process to judge. Finally, shear strength test were performed on the welds determined to be normal products by the algorithm proposed in this paper, so that I could verify the reliability and validity of the proposed algorithm.

확산강조 영상은 자기공명영상에서 진단에 매우 중요한 역할을 차지하고 있다. 또한, 높은 b-value를 요구하는 검사가 늘어나는 추세로 확산강조 영상을 얻기 위하여 검사 시간이 길어지게 되며 인공물과 전체적인 신호 감소가 동반하게 된다. 본 연구에서는 확산강조 영상에서 확산 방법을 3스캔 추적 확산강조 영상(3-scan trace diffusion weighted image, tDWI) 에서 DTI의 원리를 적용한 대각선 확산강조 영상(diagonal diffusion weighted image, dDWI)로 변경하여 획득 하였을 때, 두 방법 간의 검사 시간의 단축과 영상을 비교 평가하였다. 농도가 0에서 50%까지 10% 간격인 팬텀을 제작하여 제한된 확산(restrict diffusion)을 단발 스핀에코평면영상(single shot spin echo echo planar, SE-EPI) 기법을 사용하여 검사하였다. 확산 방법을 변경하며 tDWI와 dDWI 검사를 진행하였으며, 획득한 영상을 Image J 프로그램을 이용 하여 농도별 동일한 관심 체적을 설정하여 신호를 측정 후 분석방법은 독립 T-test를 이용하고, 통계적 분석은 SAS를 통해 신호 대 잡음 비와 대조도 대 잡음 비를 비교·분석하였다. p-value 0.05를 기준으로 유의성을 검증하였다. b0를 제외한 b100 이상은 전반적으로 신호 대 잡음 비, 대조도 대 잡음 비가 크며, p-value 0.05 이상으로 나타났다. 확산 방법 간 유의하지 않지만, 전반적으로 dDWI이 tDWI에 비해 평균이 높았다. dDWI 방법이 tDWI에 비해 화질의 변화 없이 검사 시간이 18.35% 단축되는 효과가 있으며, 신호 대 잡음 비와 대조도 대 잡음 비가 소폭 향상된 것으로 나타나 다른 부위의 확산강조 영상을 사용하는 검사에 적용 시 유용할 것으로 사료 된다.

자기 감수성 인공물은 영상의 질에 영향을 미치며 환자의 안전 또한 영향을 준다. 대부분 자기공명영상 검사 시 화장을 지우지 않고 검사를 진행한다. 하지만 화장품에도 금속 성분이 있어 자기 감수성 인공물을 일으키게 된다. 본 논문은 자기 공명영상에서 화장품에 따른 인공물의 영향을 평가하고자 하였으며 화장품의 종류와 자장의 세기, 시퀀스에 따라 비교하였다. 대상 물질은 아이섀도 24종, 마스카라 4종, 아이라이너 4종으로 총 32개를 설정하였다. 실험은 스핀 에코, 터보 스핀 에코, 경사 에코, 에코 평면 영상 4가지 시퀀스를 사용하여 각 대상물질의 관상면과 축상면 영상을 획득하였고 관상면 영상 에서 대상 물질이 부착된 표면으로부터 인공물이 미치는 곳까지 수직으로 측정하였다. 실험에 사용한 전체 32개 화장품에서 자화 감수성 인공물이 모든 제품에서 발생하였다. 경사 에코와 에코 평면 영상에서 가장 큰 인공물이 보였으며 인공물이 가장 많이 생겼다. 1.5T보다 3.0T에서 자기 감수성 인공물이 크게 나타났으며, 최대 인공물의 크기는 9.05mm로 3.0T의 경사 에코에서 발생하였다. 따라서 본 논문에서 화장품이 자기 감수성 인공물로 인해 영상에 영향을 미치는 것을 확인하였으며 안구 검사와 같이 인공물에 의한 영향이 미칠 수 있는 검사는 화장을 지우고 검사해야 하겠다. 또한, 화장품이 자기 감수성 인공물을 생성하기 때문에 발열에 의한 화상의 위험성이 있을 수 있어, 되도록 자기공명영상 검사 시 화장을 지우도록 안내하거나 검사 중 이상 반응의 발생 여부 확인이 필요하다.

본 연구에서는 게임 영상과 같은 생성된 영상으로부터 물체를 인식하는 심층 학습 기반 모델의 성능을 향상 시키는 방법을 제시한다. 특히, 실제 영상으로 훈련된 물체 인식 모델에 대해서 게임 영상으로 추가 훈련을 수행함으로써 물체 인식 성능이 향상됨을 검증한다. 본 연구에서는 심층 학습 기반의 물체 인식 모델들 중에서 가장 널리 사용되는 YoloV2 모델을 이용한다. 이 모델에 대해서 8 종류의 다양한 게임에서 샘플링한 160장의 게임 영상을 적용해서 물체 인식 모델을 다시 훈련하고, IoU와 정확도를 측정해서 본 연구에서 주장하는 게임 영상을 이용한 훈련이 효과적임을 입증한다.

자기공명영상은 고해상도의 연부조직에 대한 영상정보를 제공하며, 뇌종양 등 연부조직 진단에 활용된다. 본 연구는 합성곱신경망 인공지능을 통해 뇌종양 자기공명영상 분류성능을 확인해 보고자 한다. 4개 종류로 구분된 3264 장의 MRI 데이터 세트(data set)를 이용하였으며, 인공지능 학습을 위해 훈련용 데이터와 시험용 데이터를 9 : 1, 훈련용 데이터의 10%를 검증용 데이터로 구분하였다. 합성곱신경망은 기본 CNN과 VGG16으로 구성하였으며, 학습 평가는 정확도와 손실율로 확인하였으며, 생성된 모델을 통해 분류성능 정확도를 확인하였다. 실험 결과 과적합은 없었으며, 분류성능은 기본 CNN과 VGG16 각각 67%와 80%의 분류성능을 보였다. 도출된 뇌종양 자기공명영상 분류 결과를 통해 자기공명영상과 인공지능 접목에 관한 기초 자료로 사용될 수 있을 것이라 사료된다.

MRI는 연부조직에 대한 고해상도의 영상을 제공하며 진단적 가치가 매우 높은 영상 검사이며, 디지털 데이터를 이용하여 딥러닝 기술을 통해 컴퓨터 보조 진단 역할을 수행할 수 있다. 본 연구는 딥러닝 기반 YOLOv3를 이용하여 뇌종양 분류 성능을 확인해 보고자 한다. 253장의 오픈 MRI 영상을 이용하여 딥러닝 학습을 진행하고 학습 평가지표는 평균손실(average loss)와 region 82와 region 94를 사용하였으며, 뇌종양 분류 모델 검증을 위해 학습에 사용되지 않은 영상을 이용하여 검출 성능을 평가하였다. 평균손실은 2248 epochs 시 0.1107, region 82와 region 94의 24079 반복학습 시 average IoU, class, .5R, .75R은 각각 0.89와 0.81, 1.00과 1.00, 1.00과 1.00, 1.00과 1.00의 결과값을 도출하였다. 뇌종양 분류 모델 검증 결과 정상 뇌와 뇌종양 각각 95.00%, 75.36%의 정확도로 분류할 수 있었다. 본 연구 결과를 통해 MRI 영상을 활용한 딥러닝 연구 및 임상에 기초자료로 사용될 것이라 사료된다.

본 연구는 고밀도폴리에틸렌 코편을 마스크에 적용 후 MRI 검사에 사용하여 SNR의 변화를 측정하고 만족도를 평가하였다. 연구 방법은 팬텀을 이용하여 HDPE 마스크 적용 전 후의 SNR 측정과 KF 94 마스크 적용 전 후의 SNR 측정을 하였고, 사용한 기법은 T1WI, T2WI, DWI였다. 또한 HDPE 마스크 착용군의 T2 mDixon, 3D T1영상 획득 후 안와와 교뇌의 SNR을 측정하였고, 설문을 통하여 MRI 검사 시 답답함 정도와 호흡의 용이성, HDPE 마스크의 선호도 평가를 하였다. 팬텀 실험 결과 HDPE 마스크 사용 전과 후의 SNR은 유의한 차이가 없었으며(p>0.05), KF 94 마스크는 적용 전 값과 유의한 차이가 있었다(p<0.05). HDPE 마스크 착용군의 SNR 측정 결과에서는 미착용군과 유의한 차이는 없었다(p>0.05). 마스크 착용 후 답답한 정도 측정 결과 착용군은 3.53 ± 0.73, 미착용군은 3.83 ± 0.75이었고, 호흡의 용이성 측정 결과 HDPE 마스크 착용군은 3.1 ± 0.89, 미착용군은 3.27 ± 0.91으로 나타났고, 두 조사 결과 모두 유의한 차이는 없었다(p>0.05). HDPE 마스크의 선호도는 4.48 ± 0.54으로 선호도가 높은 것으로 나타났다. 본 연구 결과 HDPE 마스크는 착용 후에도 MRI 영상의 신호 변화 없이 정확한 검사가 가능하고 환자의 만족도 또한 높게 평가되었기에 검사 중 호흡기 감염 예방을 위해 적극적으로 사용되어야 할 것으로 사료된다.