http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
랜덤 포레스트를 이용한 X-선 혈관조영영상에서의 혈관 자동 영역화 알고리즘
정성희,이수찬,심학준,정호엽,허용석,장혁재,Jung, Sunghee,Lee, Soochahn,Shim, Hackjoon,Jung, Ho Yub,Heo, Yong Seok,Chang, Hyuk-Jae 대한의용생체공학회 2015 의공학회지 Vol.36 No.4
The purpose of this study is to develop an automatic algorithm for vessel segmentation in X-Ray angiogram using Random Forest (RF). The proposed algorithm is composed of the following steps: First, the multiscale hessian-based filtering is performed in order to enhance the vessel structure. Second, eigenvalues and eigenvectors of hessian matrix are used to learn the RF classifier as feature vectors. Finally, we can get the result through the trained RF. We evaluated the similarity between the result of proposed algorithm and the manual segmentation using 349 frames, and compared with the results of the following two methods: Frangi et al. and Krissian et al. According to the experimental results, the proposed algorithm showed high similarity compared to other two methods.
3D Reconstruction with CNN based Stereo Matching
Jae Won Yang (양재원),Soochahn Lee(이수찬) 대한전자공학회 2020 대한전자공학회 학술대회 Vol.2020 No.8
Deep learning has allowed researchers in the field of computer vision to solve problems such as classification, detection, and segmentation. This has also led to improvement in 3D reconstruction. In this paper, we present a 3D Reconstruction process via Deep Learning based on a stereo method.
영역화와 정합 기법을 반복적으로 이용한 다중 해상도 기반의 뼈 영역화 기법
박상현(Sang Hyun Park),이수찬(Soochahn Lee),윤일동(Il Dong Yun),이상욱(Sang Uk Lee) 한국방송·미디어공학회 2011 한국방송공학회 학술발표대회 논문집 Vol.2011 No.7
최근 의료 장비들이 발전하고 진단 및 연구에 다양하게 이용되면서 이로부터 얻은 3차원 의료 영상들을 자동으로 처리해주는 기술의 수요가 늘고 있다. 자동 뼈 영역화 기법은 이러한 기술들 중 하나로써 골다공증이나 뼈 골절, 골격질환 등의 진단의 효율성을 크게 높여줄 것으로 기대되고 있다. 그러나 현재까지 이를 위한 다양한 연구들이 진행되었음에도 2차원 영상과는 달리 높은 데이터양과 주변 조직과의 모호한 경계들이 많다는 어려움 때문에 실제 진단에는 사용되지 못하고 있다. 이에 따라 본 논문에서는 다중 해상도를 기반으로 하여 영역화와 정합기법을 반복적으로 수행함으로써 3차원 의료 영상 내에서 자동으로 뼈를 영역화 해내는 기법을 제안한다. 낮은 해상도 단계에서 학습된 집합의 뼈 정보들을 이용하여 대략적인 뼈 위치를 검출하고, 이후 해상도를 높여가면서 정합 과정과 영역화 과정을 반복적으로 수행한다. 성능을 확인하기 위해 무릎 자기공명영상(magnetic resonance image)내에서 대퇴골(femur)과 경골(tibia)을 영역화 하는 실험을 진행하였으며 60개의 학습 데이터들을 바탕으로 40개 영상에서의 뼈들을 영역화 하였다.