https://oak.ulsan.ac.kr/handle/2021.oak/1109 2026-04-04T21:14:42Z https://oak.ulsan.ac.kr/handle/2021.oak/21824 Title: Facile fabrication of bio-inspired functional surfaces using nanoparticles and polymers with practical applications of self-cleaning, oil-water separation, water harvesting Author(s): 도 반 따 Abstract: Many interesting things have been discovered in our natural environment such as the water-repellent or superhydrophobic behavior of lotus leaves, the water harvesting ability from atmospheric water, and fog of cactus leaves or desert beetles. These inspired phenomena have received much attention for the development of artificial functional surfaces with many practical applications including self-cleaning, anti-biofouling, oil/water separation, water harvesting, and others. Recently, many researches have been reported on preparation techniques of functional surfaces with further applications. However, most of those methods involved multistep procedures, harsh conditions, specialized equipment, and poor durability, which would hind practical applications of functional surfaces. Therefore, it is necessary to develop new methods to create durable functional surfaces with simple preparation without using harmful chemicals, low-cost, and favorable for mass production. In this work, we successfully developed novel methods in the fabrication of functional surfaces with superhydrophobic behavior, and extreme wettability contrast performance for applications of self-cleaning, oil-water separation, and efficient water harvesting ability by the incorporation of polymers and nanoparticles. Various polymers consisting of Polypropylene (PP), Acrylonitrile butadiene (ABS), Polymethyl methacrylate (PMMA), Polydimethylsiloxane (PDMS), and Polyethylene terephthalate (PET)/Ethylene vinyl acetate (EVA) film were used as binder materials while the usage of nanoparticles such as carbon soot, hydrophobic fumed silicas, hydrophilic fumed silicas have played an important role in the formation of morphology and properties of fabricated surfaces. Facile techniques used in our research to fabricate durable functional surfaces were the combination of simple different processes including compression molding, spray coating, vacuum compression, and hot-press lamination, that required common devices, commercial materials, and without toxic chemicals, which were suitable for mass production. 2022-12-31T15:00:00Z https://oak.ulsan.ac.kr/handle/2021.oak/21786 Title: 심전도의 조기 심실 수축 감지를 위한 도메인 일반화가 적용된 강건 딥러닝 모델 기반 프레임워크 Author(s): 신기원 Abstract: Electrocardiogram (ECG) is the primary tool for identifying cardiovascular disease (CVD) in clinical practice and is the most often measured due to its ease of acquisition, rapidity, and precision. Especially, ECG plays an important role in monitoring for predicting intraoperative events in advance. As a specific example, a new onset of premature ventricular contractions (PVCs) during intraoperative should be considered a potentially serious event and should be monitored, as it can lead to fatal arrhythmias such as ventricular tachycardia or ventricular fibrillation. Due to advancements in signal processing and Deep Learning technology, many algorithms for diagnosing PVC have been developed, the majority of which exhibit outstanding performance. Even though ECG signals vary greatly across devices, filtering, and patient conditions, most studies have not been adequately validated against external datasets. Furthermore, there has been a lack of study on the structure and parameters of Deep Learning to determine which elements boost PVC detection performance. In this thesis, we propose PVC-NET, a Deep Learning-based framework for effectively detecting PVC in Lead II ECGs optimized through grid search and ablation studies. PVC-NET is a 1D U-Net-based segmentation model that predicts simultaneously the location of QRS complex and PVC. The MIT-BIH arrhythmia dataset with annotations for beat and rhythm was used to train PVC-NET. The performance of detecting QRS and PVC was assessed using a beat-wise classification task on one internal MIT-BIH test dataset and six external datasets, including AMC, CPSC2020, ESD, INCART, MIT-BIH-NS, and MIT-SVDB. In addition, we further explored ways to enhance the domain generalization of PVC detection by ablation studies using validation protocols from the same external test dataset. Domain generalization is an important issue to improve PVC detection performance as the patterns and characteristics of the ECG would be varied depending on the monitoring device and the patient's condition. To enhance domain generalization, we compared the performance gain of data augmentation, Representation learning, and Multi-task learning methods, except for the domain adaptation method that requires a target dataset. Until now, no evaluation protocol has been established that can fairly perform quantitative performance comparisons between machine learning models due to the different training and testing datasets for QRS and PVC detection. Nevertheless, evaluation metrics for QRS and PVC detection performance were compared in previous studies that conducted cross-dataset validation. There was no significant difference in QRS detection performance between PVC-NET and conventional rule-based algorithms. In contrast, for PVC detection, our model performed excellently, with 9 metrics balanced above 80% including F1-score even in external validation, which has not been discussed extensively in previous studies. Based on our research, we expect to establish common evaluation protocols or datasets that can perform quantitative performance comparisons between models reasonably for various arrhythmia detection tasks. This study demonstrates how to develop a robust Deep Learning model that effectively detects PVCs in cases where insufficient training data is available, as is common in practice. The PVC-NET exhibited better accuracy and reliability than previous studies in cross-dataset validation. In particular, this model is highly reliable as it can detect PVCs with F1 scores all above 80 across multiple data sets that fall out of distribution. The findings of this thesis demonstrated that the use of Deep Learning techniques in the analysis of ECG could improve and expand existing diagnostic models and contribute to the implementation of real-time health monitoring algorithms. However, the clinical efficacy of PVC-NET has not been validated. As a follow-up study, our PVC-NET will be deployed for clinical PVC prevalence research such as during surgery, emergencies, or ECG analysis of a patient with CVD. Our code is available at https://github.com/kevinkwshin/PVC_NET 심전도(ECG)는 임상 현장에서 심혈관 질환(CVD)을 식별하기 위한 중요한 도구이며 획득 용이성, 신속성 및 정밀도로 인해 자주 측정된다. 특히, ECG는 수술 중 사건을 미리 예측하기 위한 모니터링에 중요한 역할을 하는데, 구체적인 예로 수술 중 조기 심실 수축(PVC)의 빈번한 발생은 심실 빈맥 또는 심실 세동과 같은 치명적인 부정맥으로 이어질 수 있으므로 모니터링이 필요하다. ECG 모니터링 장치, 신호 처리 및딥 러닝의 발전으로 PVC 진단을 위한 여러 알고리즘이 개발되었으며 대부분이 뛰어난 성능을 나타냈다. 하지만, ECG 신호는 장치, 필터링 및 환자 상태에 따라 크게 다르지만 대부분의 머신러닝 연구에서는 외부 데이터 세트에 대해 적절하게 검증되지 않았다. 또한 딥러닝 모델의 PVC 감지 성능을 향상시키는지 결정하기 위한 딥러닝 매개변수에 대한 연구가 부족했다. 본 논문에서는 다양한 테스트를 통해 최적화된 Lead II 심전도에서 PVC를 효과적으로 검출하기 위한 딥러닝 기반 프레임워크인 PVC-NET을 제안하였다. PVC-NET은 ECG신호에서 QRS, PVC 및 기타 부정맥 증상의 위치를 동시에 예측하는 1D U-Net 기반 분할 모델이다. PVC-NET은 오직 MIT-BIH 부정맥 데이터 세트의 비트와 리듬 주석을 활용하여 학습되었다. QRS 및 PVC 감지 성능은 내부 MIT-BIH 테스트 데이터 세트와 AMC, CPSC2020, ESD, INCART, MIT-BIH-NS 및 MIT-SVDB를 포함한 6개의 외부 데이터 세트에 대해 QRS와 PVC를 비트별 분류성능을 평가하였다. 또한 동일한 외부 테스트 데이터 세트의 검증 프로토콜을 사용하여 PVC-NET 모델의 도메인 일반화를 향상시키는 방법을 추가로 연구하였다. ECG의 패턴과 특성은 장비와 환자의 상태에 따라 크게 달라지므로 도메인 일반화는 PVC 검출 성능을 향상시키는 중요한 문제이다. 도메인 일반화를 강화하기 위해 대상 데이터셋이 필요한 도메인 적응 방법을 제외하고 주의 메커니즘, 주파수 기반 컨볼루션 신경망 및 다중 작업 학습 방법의 성능 이득을 비교했다. 지금까지 QRS 및 PVC 감지를 위한 서로 다른 훈련 및 테스트 데이터 세트로 인해 기계 학습 모델 간의 정량적 성능 비교를 공정하게 수행할 수 있는 평가 프로토콜이 확립되지 않았으나, 선행연구에서의 QRS 및 PVC 검출 성능을 공정한 평가지표 비교를 통해 검증하였다. PVC-NET의 QRS 탐지의 성능은 검증 데이터셋이 서로 달라 기존 Rule-based 탐지 알고리즘과 정확하게 비교하기는 어렵지만 뚜렷한 성능 차이는 없었다. 대조적으로 PVC 검출의 경우 PVC-NET은 이전 연구에서 광범위하게 논의되지 않은 외부 검증에서 높은 성능을 얻었다. 우리의 연구를 바탕으로 다양한 부정맥 검출 작업에 대해 공정한 방식으로 모델 간의 정량적 성능 비교를 수행할 수 있는 프로토콜 또는 데이터 세트를 구축할 수 있을 것으로 기대된다. 본 논문은 실제와 같이 제한된 학습 데이터만 제공되는 상황에서 딥 러닝 모델을 사용하여 효과적인 PVC 표현 학습을 사용하는 방법을 제시하였다. PVC-NET은 교차 데이터 세트 검증에 대한 이전 연구보다 더 나은 정확도와 신뢰성을 보였다. 이 논문의 결과는 심전도 분석에 딥러닝 기술을 사용하면 기존 진단 모델을 개선 및 확장하고 새로운 연구 방법을 열며 실시간 건강 모니터링 시스템 생성에 기여할 수 있음을 보여주었다. 하지만 PVC-NET의 임상적 효능은 아직 검증되지 않았다. 우리는 후속 연구로 PVC-NET을 수술 중, 응급 상황 또는 CVD 환자의 ECG 분석과 같은 실제 임상 환경에서 PVC 유병률 연구에 활용할 예정이다. 해당코드는 https://github.com/kevinkwshin/PVC_NET에서 다운로드할 수 있다. 2022-12-31T15:00:00Z https://oak.ulsan.ac.kr/handle/2021.oak/21773 Title: 딥러닝을 활용한 족부 체중부하 방사선 영상에서 평발진단에 관한 비교연구 Author(s): 류승민 Abstract: Backgrounds: A weight-bearing lateral radiograph (WBLR) of the foot is a golden standard for diagnosing adult-acquired flatfoot. Diagnosis of flatfoot using radiograph is subject to intra- and inter-observer variabilities. Here, we developed a cascade convolutional neural network (CNN)-based deep learning model (DLM) for an automated angle measurement for flatfoot diagnosis using landmark detection and semantic segmentation. This study aims to enhance the reliability between observers in flatfoot diagnosis through landmark detection and semantic segmentation methodology. Materials and Methods: We used 1,200 WBLRs from young adult Korean males for the landmark detection model development and 300 WBLRS for the semantic segmentation model development. In landmark detection, an experienced orthopedic surgeon identified 22 radiographic landmarks and measured three angles for flatfoot diagnosis that served as the ground truth (GT). Another orthopedic surgeon (OS) and a general physician (GP) independently identified the landmarks of the test dataset and measured the angles using the same method. 22 radiographic landmarks were investigated including those related to the calcaneal inclination, reference points to the calcaneal pitch angle, talus, and 1st metatarsal bone. In the same way, an orthopedic surgeon made manual labeling using ITK-SNAP that served as GT in semantic segmentation. The Dice similarity coefficient (DSC) and Hausdorff distance (HD) were used for the performance evaluation of the developed model and human observers. The results obtained by calculating the central axis of each bone by MMI and principal component analysis (PCA) are identical, assuming the bone density is the same for each pixel. Results: In landmark detection, the DLM showed 1.37°±1.82° which is small absolute average errors from the GT for the three angle measurements for flatfoot diagnosis compared with both human observers. Under the guidance of the DLM, the average errors of observers OS and GP decreased from 2.35°±3.01° to 1.55°±2.09° and from 1.99°±2.76° to 1.56°±2.19°, respectively (both P < 0·001). The total measurement time decreased from 195 min to 135 min in observer OS and from 205 min to 155 min in observer GP. In semantic segmentation, the absolute angle errors of the DLM using MMI and EF are 0.92±1.32 and 1.34±2.07, respectively. Based on the area under the receiver operating characteristic curves of flatfoot angles, the DLM has a higher overall diagnostic accuracy than human observers, regardless of the measurement methods using MMI or EF. In the external validation, the absolute angle errors of the DLM using MMI are 1.17±1.60 and 1.23±1.39, and those using EF are 1.60±2.42 and 1.68±1.98, respectively. In both methodologies, the absolute average errors of the DLM in the external validation sets were similar or superior to those of human observers in the original test dataset. Conclusions: Our DLM had significantly better accuracy and reliability than human observers in diagnosing flatfoot, and notably improved the accuracy and reliability of human observers. In addition, when comparing the angle measurement method within the DLM, the MMI method is more accurate than EF. Finally, deep learning exhibits sufficient external validation results for applicability in the real clinical world. 배경: 족부 체중부하 측면 방사선 사진 (Weight bearing lateral radiograph, WBLR) 은 후천성 평발을 진단하기 위한 표준진단법이다. 방사선 사진을 사용한 평발 진단은 관찰자 내 및 관찰자 간 변동에 따라 달라집니다. 여기서는 랜드마크 감지 및 의미 분할을 사용하여 평발 진단을 위한 자동 각도 측정을 위한 캐스케이드 컨볼루션 신경망(CNN) 기반 딥 러닝 모델 (Deep learning model, DLM) 을 개발했다. 본 연구는 랜드마크 검출과 의미론적 분할 방법론을 통해 평발 진단에서 관찰자 간 신뢰성을 향상시키는 것을 목적으로 한다. 재료 및 방법: 랜드마크 검출 모델 개발에는 한국 19세 남성의 WBLR 1,200개를, 의미론적 분할 모델 개발에는 300개의 WBLRS를 사용했다. 랜드마크 탐지에서 경험 많은 정형외과 의사가 22개의 방사선 랜드마크를 식별하고 정답을 만든 뒤, 평발 진단을 위해 3개의 각도를 측정했다. 다른 정형외과 전문의(OS)와 일반의사(GP)는 독립적으로 시험 데이터 세트의 랜드마크를 확인하고 동일한 방법으로 각도를 측정하였으며, 종골경사각과 관련된 것들, 종골피치각의 기준점들, 거골-제1 중족골 등 22개의 방사선 랜드마크를 조사하였다. 같은 방식으로 정형외과 의사는 의미론적 분할에서 정답역할을 하는 마스크를 ITK-SNAP를 사용하여 손으로 그려서 만들었다. 개발된 모델과 인간 관찰자의 성능 평가에는 주사위 유사도 계수 (Dice Similarity Coefficient, DSC)와 하우스도르프 거리 (Hausdorff Distance, HD)가 사용되었다. 최소 회전관성모멘트 (Minimum moment of inertia, MMI) 와 주성분분석 (Principal Component Analysis, PCA)으로 각 뼈의 중심축을 계산한 결과는 골밀도가 일관되다고 가정하면 동일하다. 결과: 랜드마크 검출에서 DLM은 평발 진단을 위한 3개의 각도 측정에 대해 정답으로부터 작은 절대 평균 오차인 1.37°±1.82°를 두 사람의 관찰자와 비교하여 보여주었다. DLM의 지도 하에 관찰자 OS와 GP의 평균 오차는 각각 2.35°±3.01°에서 1.55°±2.09°로, 1.99°±2.76°에서 1.56°±2.19°로 감소하였다 (둘 다 P < 0.001). 총 측정 시간은 관찰자 OS에서는 195분에서 135분으로, 관찰자 GP에서는 205분에서 155분으로 단축되었다. 의미론적 분할에서 MMI와 EF를 사용한 DLM의 절대 각도 오차는 각각 0.92±1.32와 1.34±2.07이다. DLM은 평발각도의 Area under the reciver operatinc characteristic (AUROC)를 기준으로 MMI 또는 EF를 사용한 측정 방법에 관계없이 인간 관찰자보다 전반적인 진단 정확도가 높다. 외부 검증에서 MMI를 이용한 DLM의 절대각 오차는 1.17±1.60, 1.23±1.39이며, EF를 이용한 절대각 오차는 각각 1.60±2.42, 1.68±1.98이다. 두 방법론 모두 외부 검증 세트에서 DLM의 절대 평균 오류는 원래 테스트 데이터 세트에서 인간 관찰자의 오류와 비슷하거나 우수했다. 결론: 우리의 DLM은 평발을 진단하는 데 있어 인간 관찰자보다 정확도와 신뢰성이 상당히 높았고, 인간 관찰자의 정확도와 신뢰성을 눈에 띄게 향상시켰다. 또한 DLM 내에서 각도 측정 방법을 비교할 때 MMI 방법이 EF보다 정확하다. 마지막으로, 딥 러닝은 실제 임상 세계에서의 적용 가능성에 대한 충분한 외부 검증 결과를 나타낸다. 2022-12-31T15:00:00Z https://oak.ulsan.ac.kr/handle/2021.oak/21552 Title: 급성 심근경색의 6개월 전 조기예측을 위한 AI 기반 실제 및 생성 12리드 심전도 활용 연구 Author(s): 윤기원 Abstract: Electrocardiogram (ECG) signals are indispensable for diagnosing cardiovascular diseases (CVDs), yet conventional 12-lead ECG acquisition is limited in out-of-hospital environments. Although wearable devices enable real-time monitoring with single-lead ECGs, their diagnostic capacity remains restricted due to spatial incompleteness. To address this limitation, we propose a novel multi-stage deep learning framework that enhances single-lead ECG utility through signal generation, image-based transformation, and early event prediction. First, we introduce a GAN-based model that, for the first time, synthesizes full 12-lead ECGs from only lead I which is, the signal commonly acquired from smartwatches. Unlike previous augmentation-focused GANs, our model directly targets diagnostic generation and achieves superior classification performance compared to real ECGs, validated across external datasets. This resembles that the generated ECG’s capability not only in practical use but also could help diagnose CVDs. Second, we present one of the earliest deep learning frameworks capable of predicting acute myocardial infarction (AMI) up to six months before its clinical onset using large-scale, pre-event ECG records. Leveraging more than 6,600 AMI patients and 55,000 controls, our model analyzes temporally stratified ECG windows ranging from 1-3 days to 3-6 months pre-onset to identify subtle electrical and morphological signatures that precede infarction. Unlike prior studies focused exclusively on detecting MI at or near onset, our approach demonstrates that preclinical ECG alterations contain meaningful predictive information, enabling early risk stratification of asymptomatic individuals. Performance analyses show that predictive accuracy increases as the ECG approaches the AMI event, yet the model remains capable of distinguishing long-term (up to 180 days) risk patterns. Prospective study using newly diagnosed patients further confirms the generalizability of the framework, underscoring its potential utility as a proactive screening tool in both clinical and ambulatory monitoring environments. Collectively, this dissertation pioneers a unified strategy to overcome the limitations of single-lead ECGs, integrating generative modeling and longitudinal prediction. These contributions represent a significant step toward practical, AI-enabled, real-time cardiac monitoring in ambulatory and remote settings. 심전도(ECG)는 심혈관질환(CVD) 진단에 필수적인 도구이지만, 기존의 12유도 심전도는 병원 외 환경에서의 활용이 제한적이다. 웨어러블 기기의 단일유도 ECG는 실시간 모니터링이 가능하다는 장점이 있으나, 공간적 정보가 부족하여 진단적 활용도가 낮다는 한계가 있다. 본 연구에서는 이러한 제약을 극복하기 위해 단일유도 ECG의 진단 능력을 향상시키는 신호 생성, 영상 기반 변환, 조기 사건 예측을 포함한 다단계 딥러닝 기반 프레임워크를 제안한다. 첫째, 스마트워치에서 주로 획득되는 lead I 신호만을 이용하여 최초로 12유도 ECG 전체를 합성하는 GAN 기반 생성 모델을 제안한다. 본 모델은 기존의 데이터 증강 중심 GAN 연구와 달리 진단 목적의 ECG 생성을 목표로 하며, 외부 데이터셋을 통한 검증에서 실제 ECG보다 우수한 분류 성능을 달성하였다. 이는 생성된 12유도 ECG가 실제 임상 환경에서 활용될 수 있을 뿐 아니라, CVD 진단을 보조할 수 있는 잠재력을 지님을 의미한다. 둘째, 대규모 사전 ECG 데이터를 활용하여 급성 심근경색(AMI)을 최대 6개월 이전에 예측하는 딥러닝 기반 조기 예측 프레임워크를 제시한다. 6,600명 이상의 AMI 환자와 55,000명의 대조군 정보를 기반으로, 본 모델은 AMI 발생 1-3일 전부터 3-6개월 전까지 다양한 시점의 ECG를 분석하여 임상적으로 명확히 드러나지 않는 미세한 전기적·형태학적 변화를 포착한다. 기존 연구들이 대부분 AMI 발생 시점 또는 직전의 진단에 집중한 것과 달리, 본 연구는 발병 훨씬 이전의 ECG에서도 유의미한 예측 신호가 존재함을 입증하였다. 또한 신규 발생 환자군을 이용한 전향적 평가에서도 모델의 일반화 성능이 확인되어, 병원 외 및 일상 환경에서 활용 가능한 조기 위험도 평가 도구로서의 가능성을 보여주었다. 종합하면, 본 학위 연구는 단일유도 ECG의 한계를 극복하기 위해 생성 모델링과 장기 예측을 통합한 새로운 전략을 제시하였다. 이러한 기여는 웨어러블 기반의 실시간·연속적 심장 모니터링을 가능하게 하여, 향후 원격 의료 및 일상 기반 심혈관 질환 관리에 있어 중요한 기반 기술로 활용될 수 있을 것이다. 2025-12-31T15:00:00Z