본 연구는 YOLO(You Only Look Once)-Segmentation 기반 해양생물 탐지 모델의 성능 비교와 수중 이미지의 색상 왜곡 보정을 위한 딥러닝 모델 구축에 중점을 둔다. 탐지 모델 구축에는 Ultralytics에서 공식적으로 배포하는 YOLO의 버전별 객체분할 모델인 YOLOv5-Seg, YOLOv8-Seg, YOLOv9-Seg, YOLOv11-Seg를 활용하였으며, 22종의 해양생물 데이터셋을 사용해 동일한 학습 과정을 거쳤다. 이 를 통해 각 버전의 탐지 성능을 비교한 결과, YOLOv9c-Seg 모델이 정밀도(Precision) 0.908, 재현율(Recall) 0.912, mAP@50 0.943으로 가장 높 은 성능을 기록하며 최적의 모델로 선정되었다. 또한, 수중 환경에서 발생하는 색상 왜곡 문제를 해결하고 탐지 정확도를 높이기 위해 CLAHE, White Balance, Image Filter 등의 RGB 요소 변환 기법을 적용한 PhysicalNN 기반 이미지 보정 모델을 구축하였다. 선정된 탐지 모델 과 이미지 보정 모델을 이용해 수중영상 내 탐지된 생물의 위치를 정확히 파악하고, Monocular Depth Estimation(MDE) 알고리즘과 거리 및 크기 측정을 위한 가이드 스틱을 활용하여 대상 생물의 거리와 크기를 추정하였다. 이를 통해 단안 카메라 영상만으로도 3차원 공간의 해 양생물 크기와 이에 따른 체중을 간접적으로 추정하였으며, 향후 해양 생태계 모니터링에 활용할 수 있는 가능성을 시사한다.

본 연구에서는 박스 구조물의 부재력 예측을 위한 다양한 딥러닝 모델의 정확성을 비교하고자 하였다. 이를 위해 상용 유한 요소 프로그램인 MIDAS를 이용하여 300개의 유한요소모델을 작성하고, 수치해석을 수행하여 딥러닝 모델에 적용하기 위한 학습데이 터를 생성하였다. 또한, 딥러닝 모델의 정확성을 비교하기 위해 MLP, CNN, RNN 및 LSTM과 같은 다양한 신경망 모델과 Adam, SGD, RMSprop 및 Adamax 등 최적화 알고리즘을 교차 적용하여 16개의 딥러닝 모델을 생성하였다. 그 결과 Adam 최적화 알고리즘 이 모든 모델에서 가장 우수한 성능을 보여주었으며, 특히 MLP 모델에서 가장 높은 R2 값을 나타내었다. 이를 통해, 박스 구조물의 부재력 예측을 위한 최적의 딥러닝 모델 구성은 Adam optimizer와 MLP 구조임을 확인하였다.

보행 활동은 도시의 교통 및 환경 문제, 주민의 건강, 지역 커뮤니티 활성화 등에 중요한 역할을 하는 것으로 평가되고 있다. 보행의 중요성이 인지되면서 세계각국에서는 보행을 장려하는 도시건조환경을 만들기 위해 다양한 노력을 기울이고 있으 며, 이는 우리나라에서도 법제도적으로 나타나고 있다. 보행환경을 관리하고 개선하기 위해서는 물리적인 보행환경을 가로 단위 상세수준에서 평가하고, 시민들의 보행환경에 대한 인지가 어떤지를 아는 것이 필요하다. 기존에 이러한 연구들은 대부분 설문조사나 일부지역에 한 해 현장조사를 수행하는 방법이 주를 이루었다. 본 연구에서는 거리영상과 딥러닝 기술을 활용하여 가로단위 상세수준에서의 물리적 보행환경과 인지적 보행환경을 평가하고, 이를 비교하고자 한다. 물리적 보행환경 평가를 위해 평가지표를 선정하고, 평가지표별로 거리영상의 시멘틱 세그먼테이션 기법을 활용하거나 표고 자료, PoI자료를 크롤링한 후 관련 데이터를 구축하고 평가점수를 도출하였다. 인지적 보행환경 평가를 위해 거리영상에 대한 인지를 예측할 수 있도록 훈련데이타 셋을 구축하고, RSS-Swin모델을 훈련시켜 보행환경 인지점수를 예측할 수 있도록 하였다. 물리적 보행환경과 인지적 보행환경 지도를 구축하고, 각각의 특성과 차이를 분석하고, 이를 통해 보행환경 개선안을 도출할 수 있었다. 본 연구는 물리적 보행환경과 인지적 보행환경의 시각화하고 차이를 분석하여 개선안을 도출하였다는 점에 연구의 의의가 있으며, 기술적인 측면에서는 거리영상과 딥러닝 기술을 활용하여 도시의 가로단위에서 보행환경을 상세하게 평가할 수 있는 방법론을 체계화하였 다는 점에 의의가 있다

Bearing-shaft systems are essential components in various automated manufacturing processes, primarily designed for the efficient rotation of a main shaft by a motor. Accurate fault detection is critical for operating manufacturing processes, yet challenges remain in sensor selection and optimization regarding types, locations, and positioning. Sound signals present a viable solution for fault detection, as microphones can capture mechanical sounds from remote locations and have been traditionally employed for monitoring machine health. However, recordings in real industrial environments always contain non-negligible ambient noise, which hampers effective fault detection. Utilizing a high-performance microphone for noise cancellation can be cost-prohibitive and impractical in actual manufacturing sites, therefore to address these challenges, we proposed a convolution neural network-based methodology for fault detection that analyzes the mechanical sounds generated from the bearing-shaft system in the form of Log-mel spectrograms. To mitigate the impact of environmental noise in recordings made with commercial microphones, we also developed a denoising autoencoder that operates without requiring any expert knowledge of the system. The proposed DAE-CNN model demonstrates high performance in fault detection regardless of whether environmental noise is included(98.1%) or not(100%). It indicates that the proposed methodology effectively preserves significant signal features while overcoming the negative influence of ambient noise present in the collected datasets in both fault detection and fault type classification.

본 연구는 K-공간 기반 노이즈 제거 딥러닝(DL)을 이용한 확산강조영상(DWI)의 유용성을 평가하고자 하였다. 연구 를 위해 간세포암으로 확진된 환자 30명을 대상으로 DL 기법 적용 전후의 DWI에 각각 확산경사자계(b-value) 50 과 800을 적용하여 영상화하였다. 획득한 영상에서 간세포암 조직과 정상 간 조직에 관심 영역을 설정하여 b50, b800에서의 신호대잡음비(SNR)와 대조대잡음비(CNR)를 측정하였고 두 명의 관찰자가 각 영상에서 간세포암 조직 을 측정하여 겉보기확산계수(ADC) 값을 계산하였다. 모든 측정값의 평가는 T-검정(T-test)을 사용하여 상관관계 를 평가하였으며 급내상관계수(ICC)를 이용하여 두 관찰자 간 ADC 측정값의 일치도와 신뢰도를 평가하였다. 연구 결과, DL 적용 후 영상에서 SNR과 CNR이 모두 높아졌으며 통계적으로 유의한 것으로(p<0.05) 나타났다. 또한, 간세포암의 ADC 값은 통계적으로 유의하지 않은 것으로(p<0.05) 나타났지만 두 관찰자 간 ADC 측정값의 일치에 대한 신뢰도는 상관계수가 0.75 이상으로 우수하였고, 간세포암의 고유한 성질로 인해 ADC 값의 변화가 적은 점을 고려한다면 충분히 유의한 결과라고 볼 수 있다. 결론적으로 DL DWI은 영상 획득 시간을 단축하면서도 기존 DWI 보다 질적으로 더 나은 영상을 획득했다. 향후 다양한 MRI 검사에 DL이 적용된다면 더욱 유용하게 사용될 것으로 사료 된다.

본 연구는 뇌 DWI에서 딥러닝 적용 시 48채널과 8채널 헤드 코일 간 영상 품질의 차이를 분석하는 것을 목표로 하였다. 3.0T MRI를 사용하여 두 종류의 코일을 비교하였으며, 딥러닝 알고리즘의 효과를 확인하기 위해 SNR(신호 대 잡음비), ADC(겉보기 확산 계수), SSIM(구조적 유사성 지수)을 측정하였습니다. 연구 결과에 따르면, 딥러닝 적용 후 b-value에 따른 두 코일 간의 차이가 나타났다. 특히 b-value 0 및 1000에서는 딥러닝 적용 전후에 두 코일 간 통계적으로 유의미한 차이가 없었지만, b-value 3000에서는 적용 전후 모두에서 유의미한 차이가 있었다. SSIM 분석에서도 딥러닝 적용 전후 차이는 없었으나, b-value에 따른 차이가 측정되었습니다. 이러한 차이는 영상 판독에 영향을 미칠 수 있으며, 이를 개선하기 위해서는 딥러닝 알고리즘이 부위별, 코일별, 펄스 시퀀스별로 최적화 될 필요가 있다. 따라서 본 연구는 향후 딥러닝 기반 MRI 영상의 정확도와 일관성을 높이기 위한 기초 정보를 제공 하며, 임상적 적용에서 부위별, 수신 코일별, 펄스 시퀀스별로 세분된 딥러닝의 최적화가 필요하다.

The purpose of this study was to develop a more accurate model for predicting the in-situ compressive strength of concrete pavements using Internet-of-Things (IoT)-based sensors and deep-learning techniques. This study aimed to overcome the limitations of traditional methods by accounting for various environmental conditions. Comprehensive environmental and hydration data were collected using IoT sensors to capture variables such as temperature, humidity, wind speed, and curing time. Data preprocessing included the removal of outliers and selection of relevant variables. Various modeling techniques, including regression analysis, classification and regression tree (CART), and artificial neural network (ANN), were applied to predict the heat of hydration and early compressive strength of concrete. The models were evaluated using metrics such as mean absolute error (MAE) to determine their effectiveness. The ANN model demonstrated superior performance, achieving a high prediction accuracy for early-age concrete strength, with an MAE of 0.297 and a predictive accuracy of 99.8%. For heat-of-hydration temperature prediction, the ANN model also outperformed the regression and CART models, exhibiting a lower MAE of 1.395. The analysis highlighted the significant impacts of temperature and curing time on the hydration process and strength development. This study confirmed that AI-based models, particularly ANNs, are highly effective in predicting early-age concrete strength and hydration temperature under varying environmental conditions. The ability of an ANN model to handle non-linear relationships and complex interactions among variables makes it a promising tool for real-time quality control in construction. Future research should explore the integration of additional factors and long-term strength predictions to further enhance the model accuracy.

기후 변화에 의해 해수면 온도 상승, 태풍의 최고 강도 북상, 태풍 강도 증가가 나타나고 있으며, 미래의 태풍 강도 변화가 더 심화될 것으로 예상하고 있다. 본 논문에서는 기후 변화 시나리오에 의해서 발생할 수 있는 한반도 부근의 태풍 강도를 예측하기 위하여 딥러닝 기반 태풍 강도 예측 모델을 개발하였다. 기후 예측정보를 이용하여 미래 기후 변화 환경장 변화에 따른 태풍의 강도를 예측할 수 있도록 과거 환경장을 학습 자료로 사용하였다. 학습자료는 1980년에서 2022년까지의 태풍 발생 빈도가 높은 6~10월의 기상 및 해양 재분 석 월평균 자료와 Best Track 태풍 241개를 입력자료로 사용하였다. 환경장 변화에 따른 태풍 강도 예측을 위해 자료의 공간적인 특징과 시간적인 특징을 함께 고려하는 딥러닝 모델인 ConvLSTM 기반으로 모델을 개발하였다. 태풍 트랙 시퀀스의 각 이동 경로에 대한 월평균 환경장 자료를 모델에 학습하여 태풍의 중심 기압을 예측하였다. 태풍의 공간적 특성을 반영할 수 있도록 범위를 설정하여 입력자료로 학습하였으며, 5°⨉ 5°의 범위일 때 가장 좋은 결과를 보였다. 몬테카를로 방법을 이용한 민감도 실험을 통해 모델 예측에 가장 큰 영향을 미치는 변수는 SST로 확인되었다.

본 논문에서는 저 레이놀즈 수 영역에서 에어포일의 공기역학적 성능을 예측하기 위한 딥러닝 기반의 축소 모델을 제시하였다. 딥 러닝 기반 축소 모델에서 CFD 해석 결과의 높은 차원의 데이터를 효율적으로 다루기 위해 변이형 오토인코더를 결합한 합성곱 신경 망을 적용하였다. 부호화 거리 함수를 통해 에어포일의 형상과 유동 조건을 이미지 데이터화 하고, 이에 대해 합성곱 신경망을 매개변 수화 하였다. 또한, 전산유체역학 해석의 계산 비용으로 인한 부족한 훈련 데이터를 극복하기 위해 투영 기반의 비선형 매니폴드 데이 터 증강기법을 개발하였다. NACA 4계열 에어포일은 해석 예제로 고려하여 제안하는 프레임워크의 내삽과 외삽 정확도를 평가하였 으며 매니폴드 데이터 증강기법을 적용하여 프레임워크의 정확도 향상을 확인하였다.

Block pavements are widely used in various infrastructures, offering durability and aesthetic appeal. However, assessing their condition through manual methods is resource-intensive and subjective. This study proposes a deep learning approach using the Hybrid TransUNet model to enhance the accuracy and efficiency of detecting block pavement distresses. A dataset of over 10,000 images was used to train and test binary and multiclass segmentation models, significantly improving detection accuracy. The results show that the Hybrid TransUNet model outperforms other models, though challenges in detecting certain distress types like cracks persist.

병충해의 조기 발견과 그에 따른 조치의 중요성은 농업 및 생태계 보전에 있어서 핵심적이다. 그러나 초기에는 일반적인 카메라나 센서로는 변화의 정도를 관측하기 어렵다. 이러한 한계를 극복하기 위해 초분광 모듈을 활용하여 파장대별 식 물 데이터를 관측함으로써, 딥러닝 모델을 통해 가로수 식생의 건강 상태를 판별, 병충해 여부를 초기에 확인 가능하다. 이를 통해 조기에 병충해에 대해 조치함으로써 더 큰 피해를 방지할 수 있다. 이러한 접근 방식은 농업 및 생태학 분야 에서 식물의 건강을 모니터링하고 보전하는 데 적극적으로 연구되고 있다.

국내 콘크리트 구조물의 노후화가 진행됨에 따라 안전관리를 위한 효과적인 보수 및 보강이 요구되고 있다. 특히, 교량 바닥판은 교통하중과 염화물 침투 등 다양한 유해환경에 직접 노출되어 지속적인 열화가 발생하고 있다. 국내외에서는 교량 바닥판 유지보수 의사결정을 위해 비파괴 조사 방법 중 하나인 지표투과레이더(Ground Penetrating Radar, GPR) 탐사가 주로 활용되고 있다. 차량형 다채널 GPR 장비를 통해 취득된 방대한 양의 탐사자료는 해석하는 데 많은 시간이 소요되며 분석가의 주관이나 숙련도에 따라 해석결과가 달라질 수 있다. 이러한 문제를 해결하기 위해 최근에는 딥러닝 (Deep Learning) 기반의 GPR 자료해석 기법들이 제안되고 있다. 본 연구에서는 교량 바닥판 상태 평가 작업 효율 향상 을 위해 딥러닝 기반 GPR 자료해석 기법을 적용하였다. 현장자료 예제로는 영동대교 정밀안전진단 과업에서 교량 바닥 판 상태조사를 위해 취득한 GPR 자료를 사용하였으며 딥러닝 기법 적용 결과를 분석가의 해석결과와 비교하여 예측 성 능을 평가하였다.

Evaluating the performance of asphalt concrete using CT scanning has become an essential area of research due to its potential to revolutionize the way we assess road materials. Traditional methods often require destructive sampling, which can damage infrastructure and offer limited insight into the material's internal structure. In contrast, CT scanning provides a non-destructive, highly detailed analysis of asphalt's internal features, such as air voids, aggregate distribution, and binder coverage, all of which are critical to its durability and performance. Additionally, the ability to create 3D models from CT scans allows for deeper insights into factors like void connectivity and aggregate bonding, which directly affect the lifespan of pavements. By combining CT imaging with advanced data processing techniques, such as deep learning, this research offers more accurate and reliable methods for optimizing asphalt mix designs, ultimately leading to longer-lasting roads, reduced maintenance costs, and more sustainable construction practices.

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.

본 논문에서는 딥러닝을 활용하여 복합재 적층판의 파괴 모드를 결정하는 방법을 제안하였다. 수많은 엔지니어링 응용 분야에서 적층 복합재의 사용이 증가함에 따라 무결성과 성능을 보장하는 것이 중요해졌다. 그러나 재료의 이방성으로 인해 복잡하게 나타나 는 파괴모드를 식별하는 것은 도메인 지식이 필요하고, 시간이 많이 드는 작업이다. 따라서 이러한 문제를 해결하기 위해 본 연구에서 는 인공 지능(AI) 기술을 활용하여 적층 복합재의 파괴 모드 분석을 자동화하는 것을 목표로 하였다. 이 목표를 달성하기 위해 적층된 복합재에서 파손된 인장 시험편의 주사 전자 현미경(SEM) 이미지를 얻어 다양한 파괴 모드를 확보하였다. 이러한 SEM 이미지는 섬 유 파손, 섬유 풀아웃, 혼합 모드 파괴, 매트릭스 취성 파손 및 매트릭스 연성 파손과 같은 다양한 파손 모드를 기준으로 분류하였다. 다 음으로 모든 클래스의 집합 데이터를 학습, 테스트, 검증 데이터 세트로 구분하였다. 두 가지 딥 러닝 기반 사전 훈련 모델인 DenseNet 과 GoogleNet을 이용해 각 파괴 모드에 대한 차별적 특징을 학습하도록 훈련하였다. DenseNet 및 GoogleNet 모델은 각각 (94.01% 및 75.49%) 및 (84.55% 및 54.48%)의 훈련 및 테스트 정확도를 보여주었다. 그런 다음 훈련된 딥 러닝 모델은 검증 데이터 세트를 활용해 검증하였다. 더 깊은 아키텍처로 인해 DenseNet 모델이 고품질 특징을 추출하여 84.44% 검증 정확도(GoogleNet 모델보다 36.84% 더 높음)를 얻을 수 있음을 확인하였다. 이는 DenseNet 모델이 높은 정밀도로 파괴 모드를 예측함으로써 적층 복합재의 파손 분석을 수행 하는 데 효과적이라는 것을 알 수 있다.

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.