지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 김동식
- 발행연도
- 2020
- 저작권
- 韓國外國語大學校 논문은 저작권에 의해 보호받습니다.
이용수11
이 논문의 연구 히스토리 (3)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
현재 의료 영상 분야에서는 x선을 전기적인 신호로 변환하여 영상을 직접 획득할 수 있는 DR(digital radiography) 기술의 연구가 진행되고 있다. DR 방식에는 CCD(charge-coupled device) 디텍터(detector)와 평판형(flat panel) 디텍터 등이 있으며 CCD는 물리적 구조로 인한 공간 분해능 저하 등의 단점으로 인하여 널리 사용되지 못하지만, a-Si(amorphous-silicon) 기반의 TFT(thin film transistor) 배열을 기반으로 한 평판형 디텍터 방식이 여러 장점으로 인하여 널리 사용된다. 평판형 디텍터에서 발생하는 화소 결함은 일반적으로 디텍터에서 발생하는 전기적인 합선 및 단락이 발생하여 트랜지스터가 손상되어 발생한다. 이러한 결함들은 영상의 질을 낮추고 디텍터의 생산 비용을 증가시키기 때문에 의료 영상분야에서 화소 결함 보정은 디텍터의 영상 성능을 향상시킬 수 있는 중요한 항목으로 간주된다. 기존 화소 결함 보정 알고리듬으로는 결함 영역의 패치영역을 이용한 템플릿 매칭, 인접한 화소 값으로 평균을 취하는 선형보간법 등 다양한 알고리듬이 있지만 이러한 알고리듬은 영상의 차이값이 큰 경계 영역을 효과적으로 보정하기 위해 복잡한 알고리듬을 구현할 필요가 있다.
딥러닝 연구가 활발히 진행되면서 결함 보정 분야에서도 딥러닝을 기반으로 한 알고리듬들이 좋은 결과를 보여주고 있다. 본 논문에서는 딥러닝 알고리듬인 ANN(artificial neural network)과 ANN과 CNN(convolutional neural network) 구조를 결합한 concatenate 계층을 사용하였고 화소 결함 사이즈에 따라 효율성이 좋은 딥러닝 알고리듬을 제안하고자 한다.
딥러닝 연구가 활발히 진행되면서 결함 보정 분야에서도 딥러닝을 기반으로 한 알고리듬들이 좋은 결과를 보여주고 있다. 본 논문에서는 딥러닝 알고리듬인 ANN(artificial neural network)과 ANN과 CNN(convolutional neural network) 구조를 결합한 concatenate 계층을 사용하였고 화소 결함 사이즈에 따라 효율성이 좋은 딥러닝 알고리듬을 제안하고자 한다.
목차
제 1장 서 론 11.1 연구 배경 및 목적 1제 2장 방사선 디텍터의 화소 결함 72.1 평판형 TFT 디텍터의 화소 결함 발생 원인 72.2 화소 결함 종류 8제 3장 기존 화소 결함 보정 알고리듬 103.1 TMC 화소 결함 보정 알고리듬 10제 4장 딥러닝을 이용한 화소 결함 보정 알고리듬 124.1 딥러닝 134.1.1 인공신경망 134.1.2 활성화 함수 144.1.3 손실 함수 164.1.4 경사하강법 174.2 단일 신경망 234.3 합성곱 신경망 254.3.1 합성곱 연산 264.3.2 활성화 함수 284.3.3 배치정규화 294.4 GAN 314.4.1 GAN 손실함수 334.5 Concatenate CNN 35제 5장 실험 결과 405.1. 하이퍼 파라미터 튜닝 415.1.1 Single-layer ANN 알고리듬 하이퍼 파라미터 튜닝 425.1.2 CNN 알고리듬 하이퍼 파라미터 튜닝 435.2 알고리듬 성능 비교 455.2.1 TMC 알고리듬 비교 455.2.2 딥러닝 알고리듬 비교 465.2.3 딥러닝 알고리듬 비교(유방 촬영 영상) 47제 6 장 결 론 49참 고 문 헌 50
최근 본 자료
댓글(0)
0