http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
Online boosting 기반의 다중객체 추적 시스템 개발
양이화 ( Ehwa Yang ),유정민 ( Jeongmin Yu ),전문구 ( Moongu Jeon ) 한국정보처리학회 2012 한국정보처리학회 학술대회논문집 Vol.19 No.2
본 논문은 다중 객체 추적 시스템에 관한 연구로서, Online boosting 을 기반으로 다중 객체 추적 기술이 개발되었다. 기존의 Boosting 기반의 추적 기술과는 다르게 객체들간의 구별을 좀더 명확하게 하기 위하여, 프레임과 프레임간의 객체들끼리의 연결 시 공간적인 제약조건과 시간적 제약조건을 이용하여 Online Boosting 알고리즘을 설계하였다. 본 시스템에서는 멀리 떨어져있는 객체들간에는 연관성이 낮다는 점을 보다 강력하게 고려하였기에 추적하는 과정에서 물체들끼리의 연관 오류가 줄어들었고, 이는 몇 개의 범용데이터를 이용한 실험을 통해 증명하였다.
Particle Filtering과 계층적인 Boosting 알고리즘을 기반으로 한 다중 객체 추적 연구
양이화(Ehwa Yang),전문구(Moongu Jeon) 한국정보과학회 2012 한국정보과학회 학술발표논문집 Vol.39 No.1B
본 논문은 Particle Filtering과 계층적인 Boosting 알고리즙을 이용한 다중 객체 추적 기법을 제안한다. Particle Filtering 을 이용하여 각 객체를 단일 객체로 추적하고 Boosting 기반의 데이터 연관 알고리즘을 사용하여 영상에서 움직이는 물체들을 추적한다. 본 제안한 알고리즘에서는 객체들의 이동경로 정확한 감지를 위해 Particle Filtering을 통해 각 객체가 움직이는 예측 정보를 이용하고, Boosting 알고리즘을 계층적인 형태로 설계함에 따라 데이터 물체의 추적 정확도를 놓일 수 있도록 하였다.
김진오(Jin O Kim),양이화(Ehwa Yang),김찬교(Chan Kyo Kim),김재훈(Jae-Hun Kim) 한국통신학회 2022 한국통신학회 학술대회논문집 Vol.2022 No.2
본 논문은 대표적인 딥러닝 모델인 Residual U-Net (ResU-Net)모델을 사용하여, 신장과 신장암 분할 기술을 분석 및 평가하는 연구에 대해 다루고 있다. 신장과 신장암의 공용 데이터인 KiTS19 데이터셋을 이용해 분할 모델을 학습시키고, 삼성 서울병원 신장암 환자의 CT 데이터셋을 이용하여 그 성능을 분석하였다. 본 연구 결과는 딥러닝을 이용한 신장과 신장암의 분할 기술의 한계점들을 분석하며, 신장 및 신장암 분할 연구의 방향성을 제안하였다.
CT 영상 내 딥러닝을 이용한 병변 상태의 췌장 분할 및 평가
오수빈(Subin Oh),양이화(Ehwa Yang),민지혜(Ji Hye Min),김재훈(Jae-Hun Kim) 한국통신학회 2022 한국통신학회 학술대회논문집 Vol.2022 No.2
본 연구의 목적은 CT 영상 내 병변 상태에 있는 췌장을 딥러닝을 이용하여 분할하고 평가하는 것이다. 병변 상태에 있는 췌장은 췌장염 또는 췌장암으로 인해 췌장관이 확장되었고, 두부(췌장의 머리부분)가 팽대되는 특징을 보인다. 따라서 정상 상태에서의 췌장보다는 작고 다양한 형태를 가졌기 때문에 분할하는데 매우 어려운 점이 있다. 본 연구에서는 이러한 병변 상태의 췌장을 딥러닝 모델(ResU-Net)을 사용하여 분할하였다. 공용 데이터셋인 MSD(Medical Segmentation Decathlon) 데이터셋을 이용하여 딥러닝 모델을 학습 시킨 후 본 연구기관의 내부 데이터셋을 사용하여 학습시킨 딥러닝 분할 기술의 성능을 평가하였다. 측정 척도는 다이스 유사도 계수(Dice Similarity Coefficient)를 사용하여 실험 결과를 평가하고 분석하였다.
Enlarged perivascular spaces segmentation in brain MRI with a deep neural network
Shin Won Kang(강신원),Ehwa Yang(양이화),Won-Jin Moon(문원진),Yeonsil Moon(문연실),Hee-Jin Kim(김희진),Jae-Hun Kim(김재훈) 한국통신학회 2022 한국통신학회 학술대회논문집 Vol.2022 No.2
Enlarged perivascular space (EPVS) is one of the biomarkers of vascular brain diseases. Quantitative study of EPVS in the brain is important for understanding its associations with the disease, and for clinical diagnosis. Due to their tiny and sparse appearances together with their shared intensities with other types of brain lesions on MRI, automatic methods to detect EPVSs are strongly challenged. In this study, we employ a residual U-Net for the segmentation of basal ganglia EPVS from MRI. To assist the network’s learning in EPVS delineation, we inputted multiple MRI modality sequences to diversify the radiographic features of the EPVS provided for network training. We evaluated our method using the in-house dataset. Results show that the predicted segmentation from our network does not strictly agree with the ground truth on a pixel-by-pixel basis, however, that our method can well identify true EPVSs and has the potential for the clinical purposes of EPVS detection and quantification.
Unsupervised Liver Segmentation using Domain Adaptation in MRI
Jiwon Jung(정지원),Ehwa Yang(양이화),Woo Kyoung Jeong(정우경),Kyoung Doo Song(송경두),Jae-Hun Kim(김재훈) 한국통신학회 2022 한국통신학회 학술대회논문집 Vol.2022 No.2
Liver segmentation is an essential procedure in Computer-Aided Diagnosis (CAD), surgery, and volume measurement for radiotherapy. But it is still a challenging task to extract liver tissue parenchyma due to nearby organs with similar intensities. When we segment the liver using supervised deep learning, fully-annotated datasets are needed. However, it is hard to obtain well-annotated labels because of their diverse appearances such as size and shape. Also, it takes expensive costs for labeling. In this paper, we performed unsupervised liver segmentation in unlabeled Magnetic Resonance Imaging (MRI) datasets using deep learning. To generate labels of MRI, the domain adaptation technique is applied with CT images containing well-annotated labels. We trained the segmentation model with the MRI dataset which is transferred from CT images and evaluated the model on real MRI datasets. The performance of our model shows 88% dice similarity coefficient accuracy. This study could be one of the solutions to handle the difficulty to train deep learning models with unlabeled datasets.