안면 부 MRI 검사는 주변 조직에 대한 높은 대조도 와 해상력으로 해부학적 구조 파악과 질환 진단에 이용되고 있다. 최근 검사 시간을 줄이는 동시에 영상의 질을 향상하는 딥러닝이 주목받고 있다. 본 연구는 안면 부 MRI 검사에서 딥러닝 의 유용성을 알아보기 위해 34명의 환자를 대상으로 딥러닝 T2 강조 영상과 고식적인 T2 강조 영상의 축상면, 관상면 영상을 각각 획득하여, 무참조 영상 품질평가 기법인 NIQE와 NIMA를 통하여 정량적 평가하였고, 리커트 4점 척도를 통해 정성적 평가하였다. NIQE 결과에서 딥러닝 T2 강조 영상은 고식적인 T2 강조 영상보다 영상 품질이 우수하였고, NIMA 결과에서는 딥러닝 T2 강조 영상의 축상면은 통계적으로 유의한 차이가 없었고, 딥러닝 T2 강조 영상의 관상면에서는 통계 적으로 유의한 차이가 있었다. 정성적 평가지표에서는 입 인두, 후두 인두에서 질적인 이득이 있었다. 연구 결과를 통해 안면 부 영역 중 무의식적인 움직임이 많은 영역에서 딥러닝을 적용함으로써 고식적인 T2 강조 영상보다 높은 영상의 품질 을 제공하고, 상대적으로 움직임이 덜한 구조물에서도 품질을 유지하며 검사 시간을 2분 이상 단축하여 움직임에 의한 인공 물을 감소시킴으로써 응급 환자 및 비협조 환자의 진단에 유용하게 활용될 것으로 사료 된다.

요통을 호소하는 환자에서의 자기공명영상 검사는 다른 영상 진단법에 비해 요추와 주변 조직에 대한 높은 대조도와 해상력, 다양한 영상면의 획득으로 해부학적 구조 파악과 다양한 척추 질환의 진단에 널리 활용되고 있다. 그러나 자기공명 영상 검사는 검사 시간이 길기 때문에 통증으로 협조가 되지 않는 환자들에게서 움직임에 의한 인공물을 유발하는 경우가 많아 검사 시간을 최소화하는 것이 중요하다. 이에 자기공명영상 검사 시간 단축을 위한 다양한 기법들이 개발되어 왔으며, 최근 높은 영상의 질을 유지하면서 검사 시간은 크게 줄이는 K-공간 기반 딥 러닝(K-space based Deep Learning, DL) 기법이 주목받고 있다. 본 연구는 요추 자기공명영상 검사에서 DL 기법의 유용성을 알아보기 위해 본원을 내원하여 척추 질환이 의심되는 환자를 대상으로 DL 기법 적용 전후 시상면 T2 강조 영상과 축상면 T2 강조 영상을 각각 획득하였으며, 신호대잡음비와 대조대잡음비, 영상 획득 시간, 전체적인 영상의 질 및 병변 진단 일치도를 비교 분석하였다. 연구 결과 영상의 질 향상과 검사 시간의 단축뿐만 아니라 빠른 영상 획득으로 움직임이나 호흡에 의한 인공물 또한 감소하는 것을 볼 수 있었다. 따라서 자기공명영상 검사에서 DL 기법 사용 시 진단적 가치가 보다 높은 영상을 제공하는 동시에 환자의 만족도를 높여 임상에서도 유용한 방법이 될 것으로 사료된다.

Traditional wooden buildings deform over time and are vulnerable to fire or earthquakes. Therefore, traditional wooden buildings require continuous management and repair, and securing architectural drawings is essential for repair and restoration. Unlike modernized CAD drawings, traditional wooden building drawings scan and store hand-drawn drawings, and in this process, many noise is included due to damage to the drawing itself. These drawings are digitized, but their utilization is poor due to noise. Difficulties in systematic management of traditional wooden buildings are increasing. Noise removal by existing algorithms has limited drawings that can be applied according to noise characteristics and the performance is not uniform. This study presents deep artificial neural network based noised reduction for architectural drawings. Front/side elevation drawings, floor plans, detail drawings of Korean wooden treasure buildings were considered. First, the noise properties of the architectural drawings were learned with both a cycle generative model and heuristic image fusion methods. Consequently, a noise reduction network was trained through supervised learning using training sets prepared using the noise models. The proposed method provided effective removal of noise without deteriorating fine lines in the architectural drawings and it showed good performance for various noise types.

기계 장비의 진동 데이터는 필연적으로 노이즈를 포함하고 있다. 이러한 노이즈는 기계 장비의 유지보수를 진행하는데 악영향 을 끼친다. 그에 따라 데이터의 노이즈를 얼마나 효과적으로 제거해주냐에 따라 학습 모델의 성능을 좌우한다. 본 논문에서는 시계열 데 이터를 전처리 함에 있어 특성추출 과정을 포함하지 않는 Denoising Auto Encoder 기법을 활용하여 데이터의 노이즈를 제거했다. 또한 기계 신호 처리에 널리 사용되는 Wavelet Transform과 성능 비교를 진행했다. 성능비교는 고장 탐지율을 계산하여 진행했으며 보다 정확한 비교 를 위해 분류 성능 평가기준 중 하나인 F-1 Score를 계산하여 성능 비교를 진행했다. 고장을 탐지하는 과정에서는 One-Class SVM 기법을 활용하여 고장 데이터를 탐지했다. 성능 비교 결과 고장 진단율과 오차율 측면에서 Denoising Auto Encoder 기법이 Wavelet Transform 기법 에 비해 보다 좋은 성능을 나타냈다.

2020년 1월 1일부터 국제해사기구(IMO)는 전 세계 모든 해역을 지나가는 선박을 대상으로 선박연료유의 황 함유량 상한선을 3.5 %에서 0.5 %로 낮춰 선박으로 인해 발생하는 대기오염을 줄이기 위한 강력한 규제를 실시한다. 황 함유량이 낮은 연료유를 사용하여 대기오염 물질을 줄이는 것도 중요하지만 선박을 경제적으로 운영하여 불필요한 에너지 낭비를 줄이는 것 또한 대기오염 물질을 줄이는 데 큰 도움이 된다. 따라서 선박은 잡음의 영향을 받더라도 항로를 정확하게 유지하여야 한다. 항로를 정확하게 추종하기 위해 오토파일럿 시스템이 사용되지만 오토파일럿 시스템의 성능이 아무리 우수하다 하더라도 잡음의 영향을 받게 된다면 성능에 한계를 가진다. 실제 환경에서는 자이로스코프에서 측정잡음이 더해진 회두각이 오토파일럿 시스템의 입력으로 들어가 오토파일럿 시스템의 성능을 저하시킨다. 이와 같은 문제를 해결하기 위해 상태추정에 쓰이는 Kalman Filter를 적용하여 잡음의 영향을 줄여주는 기법이 있지만 이 또한 역시 잡음의 영향을 완전히 제거시키는 것이 불가능하다. 따라서 본 논문에서는 잡음제거 성능을 더욱 더 개선시키기 위해 전진방향 구간에서는 인공지능 기술 중 하나인 다층퍼셉트론(Multi-Layer Perceptron; MLP)를 적용하고, 회전구간에서는 Kalman Filter를 적용하여 Kalman Filter만을 사용한 경우보다 우수한 잡음제거 기법을 제안한다. 시뮬레이션을 통해 제안한 방법이 Kalman Filter만을 사용한 경우보다 조타기의 오동작을 방지하여 선박의 전진방향 운동이 개선됨을 확인할 수 있다.

목 적：간 MRI 검사 시 호흡 정지 기법으로 검사를 진행하게 되는데 긴 검사시간으로 인해 호흡에 의한 움직임이나 불수의 적 움직임으로 영상의 질이 저하되는 경우가 빈번하다. 이런 이유로 영상의 질을 저하시키지 않으면서 검사시간을 단축시키기 위해 영상 획득 속도를 향상시키는 방법인 CS기법을 사용하고 있다. 본 연구에서는 CS기법의 extra reduction과 denoising level 조합의 변화에 따른 검사시간과 영상 변화를 기존의 conventional 3D-FFE THRIVE와 비교분석을 통하여 최적화된 parameter설정에 관하여 알아보고자 한다. 대상 및 방법：2018년 12월 1일부터 2019년 2월 3일까지 본원에서 간 MRI 검사를 시행한 환자 30명을 대상(남자 15명 여자 15명±6.73세)으로 extra reduction 1, denoising level 0% 가 적용된 3D-FFE THRIVE 시퀀스를 기존의 conventional 3D-FFE THRIVE로 간주하였으며, extra reduction level 1, 1.5, 2, 2.5, 3 값에 각각 denoising level을 0%, 20%, 40%, 60%, 80% 로 변화를 주고 다른 매개변수들은 모두 동일하게 하여 실험을 진행하였다. 획득한 각 영상들의 SNR, CNR, SSIM 을 측정하고, 정성적 영상 평가와 검사시간의 변화를 비교하였다. 정성적 평가에서 3점 이하로 평가받은 영상을 제외한 총 11개의 조합영상에 대하여 각 조합별로 순위를 매긴 후 1위는 1점, 11위는 11점으로 점수를 부여한 후, 합산 한 최종 점수가 가장 낮은 영상을 최적의 영상으로 선택하였다. 결 과：Extra reduction의 증가에 따라 SNR, CNR은 유의한 변화가 없었고, SSIM과 정성적 영상 평가 점수, 검사시간은 extra reduction증가에 따라 유의하게 감소하였다. Denoising level의 증가에 의해 SNR, CNR은 유의하게 증가하였고 SSIM과 검사시간은 유의한 변화가 없었으며, 정성적 영상 평가점수는 denoising level의 증가에 따라 유의하게 감소하였다. 결 론：본 연구의 실험결과를 종합해봤을 때 extra reduction 3, denoising level 20% 로 설정 시, 기존 영상 대비 정량적 평가인 SNR의 경우 12%, CNR의 경우 13% 향상되었으며, SSIM과 정성적 평가에서는 동일한 평가를 얻었고, 검사 시간은 50% 단축시키는 효과를 얻을 수 있었다. CS기법을 이용하여 간 검사 시, 시각적으로 용인되는 영상의 질 변화를 고려하여 extra reduction, denoising level을 조절한다면 화질의 유지와 함께 획기적인 검사 시간 단축을 이룰 수 있을 것으로 사료된다.

디지털유방촬영기에서 자동모드를 설정해서 검사를 할 경우 환자가 받는 평균유선선량(average grandular dose)를 줄일 수 있는 방법을 제시하고자 최적의 노출 파라미터를 찾고 노이즈 감소 알고리즘을 적용하여 화질을 개선하고자한다. 실험을 위하여 Nuclear Associates Model 18-222 의 팬텀을 사용 하였으며, 입사선량(enterance dose)과 평균유선선량을 측정하였다. 다음 노이즈(noise) 제거 알고리즘을 적용하였고, 적용 전∙후에 대해서 Signal, Noise, SNR,FOM을 측정하고 비교 평가 하였다. 실험결과 첫째, 노이즈 제거 전 Mo/Mo 23kvp에서 SNR이 가장 높았고, 평균유선선량은 W/Rh 35kvp 에서 가장 낮았다. FOM 결과 W/Rh의 28kVp를 사용하는 것이 가장 좋은 것으로 나타났다. 노이즈 제거 알고리즘 적용 후 SNR은 Mo/Mo 23kvp에서 SNR 가장 높았고, FOM의 결과 W/Rh의 28kVp를 사용 하는것이가장 좋은 것으로 나타났다. 이때 동일한 평균유선선량을 갖는 조건에서 노이즈 값은 4.36에서 1.74로 감소되었으며,SNR 값은 4.6에서 11.6으로 향상되었다. 제안하는 노이즈 제거 처리를 적용하면 영상에서 중요한 정보를 유지하면서 노이즈를 감소시킬 수 있고, 최적의 노이즈 처리와 최적의 검사조건을 선택함으로써 유방 검사 시 발생하는 방사선 피폭을 줄일 수 있을 것이다.

메쉬 평탄화는 메쉬 표면의 잡음을 제거하는 것으로써 일반적으로 평탄화 필터를 적용하여 수행한다. 하지만 전체 과정이 CPU에서 수행되기 때문에 많은 실행 시간이 걸리는 문제점을 가진다. GPU는 부동소수점 연산에 특화되어 CPU에 비해 빠른 연산이 가능하기 때문에 복잡한 연산을 실시간으로 처리하는 것이 가능하다. 특히 메쉬 평탄화 과정은 메쉬의 각 정점이나 삼각형을 기반으로 같은 연산을 반복하기 때문에 GPU의 병렬 처리에 적합하다. 본 논문에서는 양방향 필터링에 GPU의 병렬 처리를 이용함으로써 메쉬 평탄화의 수행 시간을 줄이는 방법을 제안한다. 먼저 양방향 필터링을 위해 메쉬의 각 정점에 인접하는 삼각형들을 찾고 이들의 법선 벡터의 평균을 계산하여 정점들의 법선 벡터를 구한다. 양방향 필터링으로 각 정점의 새 위치를 계산하고 앞의 과정을 다시 수행하여 정점들의 새 법선 벡터를 계산한다.