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.

대규모 유한요소 모델을 빠르게 해석하기는 위해서 병렬 희소 솔버를 필수적으로 적용해야 한다. 이논문에서는 미세하게 변화하는 시스템 행렬을 대상으로 연속적으로 해를 구해야 하는 문제에서 효율적으로 적용가능한 반복-직접 희소 솔버 조합 기법을 소개한다. 반복-직접 희소 솔버 조합 기법은 병렬 희소 솔버 패키지인 PARDISO에 제안 및 구현된 기법으로 새롭게 행렬값이 갱신된 선형 시스템의 해를 구할 때 이전 선형 시스템에 적용된 직접 희소 솔버의 행렬 분해(factorization) 결과를 Krylov 반복 희소 솔버의 preconditioner로 활용하는 방법을 의미한다. PARDISO에서는 미리 설정된 반복 회수까지 해가 수렴하지 않으면 직접 희소 솔버로 해를 구하며, 이후 이어지는 갱신된 선형 시스템의 해를 구할 때는 최종적으로 사용 된 직법 희소 솔버의 행렬 분해 결과를 preconditioner로 사용한다. 이 연구에서는 첫 번째 Krylov 반복 단계에서 소요되는 시간을 동적으로 계산하여 최대 반복 회수를 설정하는 기법을 제안하였으며, 주파수 영역 해석에 적용하여 그 효과를 검증 하였다.

목 적: 이번 연구는 간 MRI 검사 시에 특히, 호흡과 관련하여 환자의 협조가 어려운 경우, 기존에 사용하고 있는 KWIC 검사로 얻은 영상과 raw data을 이용하여 재구성한 GRASP 영상에 대하여 알아보고자 하였다. 대상 및 방법 : 2014년 12월 한 달 동안 본원에서 간 MRI 검사를 받은 환자 중 고령의 환자 10명(남성 7명, 여성 3명)을 대상으로 하였으며, 평균연령은 76.4세였다. 사용한 장비는 3.0T MRI(Verio, Siemens Medical solutions, Erlangen, Germany)였으며 신호 수집은 32channel body array coil을 사용하였다. 검사방법은 KWIC sequence를 사용하여 조영 전(pre contrast phase), 동맥기(arterial phase), 문맥기(portal phase), 3분 지연기(3min delay phase)에서 얻은 영상들과 이 자료(raw data)를 바탕으로 GRASP 전용 reconstruction 프로그램(Siemens &New York college, version. r.331)을 이용하여 재구성한 영상을 비교, 평가하였다.평가방법은 정량적분석과 정성적 분석을 하였으며, 정량적 분석은 앞서 설명한 바와 같이 2가지 방법으로 얻은 영상들 중 조영 전, 동맥기, 문맥기, 3분 지연기 4개의 영상들에서 간의 우엽과 좌엽 그리고 비장 3곳에서 각각 같은 위치에 동일한 크기의 ROI(region of interest)를 설정하고 background noise 4곳을 설정하여 SNR(signal to noise ratio)과 CNR(contrast to noise ratio)을 측정하여 비교하였다. 평균비교의 통계적 분석은 SPSS 20.0 software를 이용하여 paired t-test를 시행하였다. 정성적 분석은 영상의학과 전임의 2명, 방사선사 2명, 총 4명이 움직임에 의한 인공물, streak 인공물의 정도(degree)를 평가하고 간 실질의 균질성(homogeneity)을 기준으로 영상의 화질(image quality)을 평가하여 poor, fair, good, excellent 총 4 point로 점수화하여 분석을 하였다. 통계적 검정은 비모수 통계방식인 Wilcoxon rank test을 통하여 유의성을 검증하였다. p값이 0.05미만일 때 유의한 것으로 해석하였다 결 과 : 정량적 분석에서 평균차이가 유의성 있게 평가된 항목은우엽의 SNR과 CNR에서 pre, 3min delay영상이었고, 우엽에서의 SNR 평균값은 pre에서 133.36±30.58, p value=0.000, 3min delay에서 167.34±37.57, p value=0.025였다. 또한, 우엽에서의 CNR 평균값은 pre에서 43.36±29.65, p value=0.001, 3min delay에서 42.36±14.11, p value=0.011였다. 좌엽의 경우에는 SNR과 CNR에서 통계적으로 유의성 있게 평균 차이를 보이는 구간은 없었다. 정성적 분석은 artifact와 image quality에서 pre, artery, portal 그리고 3min delay 영상 모두 GRASP이 KWIC보다 높은 것으로 나타났다. p value=0.000로 통계적으로 유의하였다. 결 론 : GRASP은 기존의 radial samping 방식의 KWIC과 비교해 볼 때, SNR과 CNR이 조금 떨어지는 단점이 있지만, 호흡조절이 어려운 환자를 대상으로 사용한다면 motion artifact와 streak artifact를 줄일 수 있으므로 간 동적 MRI 검사에 있어서 상대적으로 진단적 가치가 우수한 영상을 얻을 수 있으리라 사료된다.

이 논문은 환(環)을 형성하는 부분네트웍들로 이루어진 sparse network의 특수한 형태에서 최단거리 결정을 위한 효율적인 앨고리즘을 제안한다. 제시된 앨고리즘은 소위 비환(非換) 형태의 sparse network에 대한 최단거리 결정 앨고리즘의 확장이라 할 수 있다. 도우넛 형태를 갖는 sparse network에 대해 최단거리 결정을 위한 접근법으로 하나는 정점제거 방법이고, 다른 하나는 선분제거 방법이다. 여기서 제안된 앨고리즘은 일반적인 n

We give efficient algorithms for finding shortest distances in special types of sparse network where the networks are composed of series of subnetworks which form circles. The algorithms presented in this paper are so called extensions of the non-circular sparse network algorithms The suggested algorithm is composed of two approach parts for only donut shaped sparse network, the one is the node elimination approach and the other the arc elimination approach, Our algorithms for finding all shortest distances can be extended in general circular sparse networks.

방사선 치료 전 환자 위치 확인을 위해 수행하는 콘빔 CT 촬영에서 환자 선량 감소를 위해 Sparse view CT가 사용되고 있다. 본 연구는 시뮬레이션과 실험을 통해 선형보간법과 inpainting 방법을 이용하여 사이 노그램의 sparse 데이터 복원하고 평가하는 것이다. 사이노그램 복원은 여러 간격의 각도로 획득된 영상에 적용되었다. 복원된 사이노그램은 역투영재구성법으로 재구성되었고, 그 결과를 평균제곱근오차와 영상의 프로파일로 나타내었다. 결과에 따르면, 평균제곱근오차와 영상 프로파일은 투영 각도와 복원법에 의존하 였다. 시뮬레이션과 실험 결과에서 inpainting 복원법은 선형보간법에 비해 사이노그램의 복원 측면에서 개 선된 결과를 보여주었다. 따라서, inpainting 방법은 환자 선량을 감소시키면서 영상화질을 유지시키는데 기 여할 수 있을 것이다.

많은 사용자가 함께 즐기는 온라인 게임(MMOGs)에서 IoT의 확장은 서버에 엄청난 부하를 지 속적으로 증가시켜, 모든 데이터들이 Big-Data화 되어가는 환경에 있다. 이에 본 논문에서는 딥러 닝 기법 중에서 가장 많이 사용되는 Sparse Autoencoder와 이미 잘 알려진 부하분산 알고리즘 (ProGReGA-KF)을 결합한다. 기존 알고리즘 ProGReGA-KF과 본 논문에서 제안한 알고리즘을 이동 안정성으로 비교하였고, 제안한 알고리즘이 빅-데이터 환경에서 좀 더 안정적이고 확장성이 있 음 시뮬레이션을 통해 보였다.