RISS 검색 - 국내학술지논문 상세보기

국문 초록 (Abstract)

본 연구에서는 딥러닝 기술(deep learning technology)을 이용하여 분광 신호의 ROI(region of interest)를 찾는 방법을 제안한다. 제안한 방법은 모의실험 데이터로 학습된 딥러닝 모델을 이용하여 분광 ...

본 연구에서는 딥러닝 기술(deep learning technology)을 이용하여 분광 신호의 ROI(region of interest)를 찾는 방법을 제안한다. 제안한 방법은 모의실험 데이터로 학습된 딥러닝 모델을 이용하여 분광 신호의 ROI를 검출하는 방법이다. 분광 신호의 피크는 물질의 물리 화학적인 정보를 포함하고 있으므로 정확한 피크 검출은 분석 시스템의 성능에 영향을 미치는 중요한 과정이다. 지금까지 가장 많이 사용되는 방법은 진폭을 기반으로 피크 검출을 진행하는 것이다. 하지만 이런 방법들은 전처리 과정을 포함하거나 분광 신호에 따라 파라미터를 육안 검사로 선택하여 추정하므로 복잡하고 주관적이다. 이러한 문제점 개선을 위해 딥러닝 모델을 통해 분광 신호의 ROI 검출을 수행하였다. 제안한 방법은 전처리 과정이 없고 파라미터를 설정하지 않아도 되는 장점을 갖는다. 또한 검출한 ROI에 따라 분광 신호에 후처리(post-processing)를 수행하여 피크를 얻을 수 있다. 디폴트 손실 함수에 3만개 테스트 데이터를 적용하여 얻은 손실값을 통해 성능 평가를 수행하였다. 제안된 ResNet과 Unet을 결합한 딥러닝 모델은 일반적인 컨볼루션 신경망(CNN: Convolutional Neural Network), ResNet, 그리고 Unet에 비해 각각 76.5%, 69.8%, 5.9%의 성능 향상을 보였으며, 실제 라만 분광 신호의 ROI 검출에도 효과적으로 적용될 수 있음을 확인하였다.

다국어 초록 (Multilingual Abstract)

This study proposes a method to find the ROI (region of interest) of spectral signals using deep learning technology. The proposed method detects the ROI of spectral signals using a deep learning model trained with simulated data. Since the peak of the spectral signal contains physical and chemical information of the substance, accurate peak detection is an important process affecting the performance of the analyzed system. The widely used method for peak detection is the one based on the amplitude. However, this method is complex and subjective because it involves pre-processing or select and estimate parameters using visual inspection according to spectral signals. To overcome this problem, ROI detection of the spectral signal was performed through a deep learning model. The proposed method has the advantage of requiring no pre-processing and parameter setting. In addition, a peak may be obtained by performing post-processing of the spectral signal according to the detected ROI. Performance evaluation was performed through loss values obtained by applying 30,000 test data to the custom loss function. The proposed deep learning model combining ResNet and Unet showed performance improvements of 76.5%, 69.8%, and 5.9% compared to the general convolutional neural network (CNN), ResNet, and Unet, respectively. It was also confirmed that the proposed method could be effectively applied to measured spectral signals.

목차 (Table of Contents)

요약
Abstract
1. 서론
2. 딥러닝 모델
3. 실험 방법

요약
Abstract
1. 서론
2. 딥러닝 모델
3. 실험 방법
4. 실험 결과
5. 결론
References

참고문헌 (Reference)

1 박아론, "혈소판 라만 스펙트럼에서 특이값 분해에 의한 기저 합성을 통한 알츠하이머병 검출" 한국산학기술학회 14 (14): 2393-2399, 2013

2 박준규, "인지증 판별 성능 향상을 위한 스펙트럼 국부 영역 분석 방법" 한국산학기술학회 12 (12): 5150-5155, 2011

3 D. Yuan, "Wavelet Approach for Operational Gamma Spectral Peak Detection" 177 (177): 273-284, 2011

4 O. Ronneberger, "U-Net:Convolutional Networks for Biomedical Image Segmentation" MICCAI 1007-, 2015

5 G. Yang, "Spectral feature extraction based on continuous wavelet transform and image segmentation for peak detection" 2 : 169-178, 2020

6 A. Savitzky, "Smoothing and Differentiation of Data by Simplified Least Squares Procedures" 36 (36): 1627-1639, 1964

7 G. Yang, "Multiple Constrained Reweighted Penalized Least Squares for Spectral Baseline Correction" 74 (74): 1443-1451, 2019

8 D. Mantini, "LIMPIC : A Computational Method for the Separation of Protein MALDI-TOF-MS Signals from Noise" 8 : 101-117, 2007

9 P. Du, "Improved Peak Detection in Mass Spectrum by Incorporating Continuous Wavelet Transform-based Pattern Matching" 22 (22): 2059-2065, 2006

10 E. Lange, "High-accuracy Peak Picking of Proteomics Data using Wavelet Techniques" PSB 243-254, 2006