개인구독
소속 기관이 없으신 경우, 개인 정기구독을 하시면 저렴하게
논문을 무제한 열람 이용할 수 있어요.
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
- 안창범
- 발행연도
- 2021
- 저작권
- 광운대학교 논문은 저작권에 의해 보호받습니다.
이용수0
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
심장 자기공명영상은 심혈관 질환 진단에 유용하게 사용되는 영상기법
이다. 통상적으로, 심장 자기공명영상은 환자의 불편을 피하기 위해 압축
센싱을 사용하여 촬영을 가속화한다. 하지만, 압축센싱으로 촬영시간을 단
축시킬수록 재구성된 영상의 품질이 저하되고, 영상 재구성에 많은 시간이
소요된다.
본 논문에서는 압축센싱 심장 자기공명영상의 영상 재구성을 위해 심층
신경망을 사용하였다. 또한, 심층신경망의 효율적인 학습과 성능 향상을
위한 학습방법인 전이학습을 시도하였으며, 전이학습의 취약점을 보완한
혼합 전이학습을 제안하였다.
제안한 학습방법인 혼합 전이학습을 일반적인 심층신경망 학습, 전이학
습과 비교하여 평가하였다. 학습곡선, 계층별 출력 비교, 재구성영상의 정
규화 평균 제곱 오차(NMSE)를 사용하여 각 학습방법을 비교한 결과, 혼
합 전이학습을 수행한 심층신경망이 가장 좋은 성능을 보이는 동시에, 가
장 효율적인 학습이 이루어졌음을 확인하였다.
이다. 통상적으로, 심장 자기공명영상은 환자의 불편을 피하기 위해 압축
센싱을 사용하여 촬영을 가속화한다. 하지만, 압축센싱으로 촬영시간을 단
축시킬수록 재구성된 영상의 품질이 저하되고, 영상 재구성에 많은 시간이
소요된다.
본 논문에서는 압축센싱 심장 자기공명영상의 영상 재구성을 위해 심층
신경망을 사용하였다. 또한, 심층신경망의 효율적인 학습과 성능 향상을
위한 학습방법인 전이학습을 시도하였으며, 전이학습의 취약점을 보완한
혼합 전이학습을 제안하였다.
제안한 학습방법인 혼합 전이학습을 일반적인 심층신경망 학습, 전이학
습과 비교하여 평가하였다. 학습곡선, 계층별 출력 비교, 재구성영상의 정
규화 평균 제곱 오차(NMSE)를 사용하여 각 학습방법을 비교한 결과, 혼
합 전이학습을 수행한 심층신경망이 가장 좋은 성능을 보이는 동시에, 가
장 효율적인 학습이 이루어졌음을 확인하였다.
목차
제 1 장 서론 ---------------------- 1제 2 장 자기공명영상 ---------------------- 32.1 자기공명영상 기본 이론 -------------- 32.2 가속 영상 기법 -------------- 62.2.1 Balanced-SSFP 시퀀스 ----------- 72.2.2 SENSE 병렬영상 기법 ----------- 82.2.3 압축센싱 ----------- 10제 3 장 심층신경망 구조 및 학습 전략 ---------------------- 123.1 U-net -------------- 123.2 심층신경망 학습전략 -------------- 143.3 데이터 파라미터, 하이퍼 파하미터 및 학습 환경 -------------- 20제 4 장 심층신경망 학습방법 ---------------------- 224.1 단독학습 -------------- 224.2 전이학습 -------------- 234.3 혼합 전이학습 -------------- 24제 5 장 데이터세트 구성 ---------------------- 265.1 K-데이터세트 & Y-데이터세트 -------------- 265.2 학습 데이터 & 테스트 데이터 -------------- 28제 6 장 실험 결과 ---------------------- 306.1 학습 데이터에 대한 평가 -------------- 306.1.1 학습곡선 비교 ----------- 306.1.2 계층별 출력 시각화 ----------- 356.2 테스트 데이터에 대한 평가 -------------- 386.2.1 정량적 평가 ----------- 386.2.2 최종 재구성 영상 비교 ----------- 40제 7 장 결론 ---------------------- 42참고문헌 ---------------------- 43
최근 본 자료
댓글(0)
0