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
- 감진규
- 발행연도
- 2022
- 저작권
- 부산대학교 논문은 저작권에 의해 보호받습니다.
이용수6
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
자기공명영상(magnetic resonance imaging, MRI)을 이용한 서피스 기반 분석은 임상과 연구 영역에서 중요한 역할을 한다. 정확한 3D 서피스를 구성하기 위해서는 고해상도의 자기공명영상이 필요하지만, 이 과정에서 긴 촬영 시간이 늘어나고, 촬영 면적이 좁아지는 등의 문제가 나타난다. 이를 해결하기 위해 많은 초해상화 연구가 이루어졌지만, 일반적인 3D 기반 초해상화 학습에는 큰 계산시간과 많은 데이터셋이 필요할 뿐만 아니라, 자기공명영상의 서피스 구성을 위해 경계 지역에 특화된 방법이 존재하지 않는다. 본 연구에서는, 3D 영상의 특징을 이미지 기울기 정보를 나타내는 기울기 텐서를 이용해 초해상화를 수행하는 효율적이고 새로운 프레임워크를 제시한다. 제안하는 알고리즘은 다음과 같다. 먼저 학습 및 테스트 단계에 사용할 라벨들을 만들기 위해 저해상도 MRI 패치들로부터 계산한 텐서들을 클러스터링한다. 학습 단계에서 각 라벨에 해당하는 저해상도 패치와 고해상도 강도들을 모아 필터를 만든다. 테스트 단계에서는 만든 필터들로 각 복셀마다 텐서로부터 라벨을 추출하고, 고해상도 강도를 추측한다. 또한, 본 연구에서는 패치의 다양성을 고려해 패치의 방향을 제한함으로써 span을 감소시키는 span 감소 방법을 제시한다. Human Connectome Project 900 데이터셋으로 30개의 마스킹 처리된 T1w MRI 뇌영상을 학습한 결과 기존의 방법보다 고해상도의 경계 지역, 대뇌피질 영역을 잘 복구함을 보인다.
목차
1. 서론 12. 방법 62.1 문제 정의와 제안하는 방법의 구조 62.2 라벨 생성과 선택을 위한 텐서 분석 92.3 패치 span 감소를 위한 텐서 방향 변형 143. 실험 184. 결과 224.1 제안한 알고리즘 내 연구 224.2 다른 방법들과의 비교 225. 결론 29
최근 본 자료
댓글(0)
0