Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.advisor | 권영헌 | - |
dc.contributor.author | 김태훈 | - |
dc.date.accessioned | 2022-09-27T16:01:11Z | - |
dc.date.available | 2022-09-27T16:01:11Z | - |
dc.date.issued | 2022. 8 | - |
dc.identifier.uri | http://hanyang.dcollection.net/common/orgView/200000626687 | en_US |
dc.identifier.uri | https://repository.hanyang.ac.kr/handle/20.500.11754/174140 | - |
dc.description.abstract | 주의력 결핍 과잉행동 장애(Attention-Deficit/Hyperactivity Disorder, ADHD)는 비교적 흔한 정신 질환으로 알려져 있으나, 정확한 진단이 어려운 편에 속한다. 오늘날 컴퓨터 성능의 향상과 기계 학습/심층 학습 기법의 발달로 인하여 휴지 상태 fMRI(resting state functional Magnetic Resonance Imaging, rs-fMRI)를 신경망으로 학습시켜 ADHD를 판별하려는 연구가 이어져 왔다. 기존 연구들은 뇌의 모든 영역을 사용하여 신경망을 학습하는 방법을 시도했다. 본 연구에서는 판별에 도움이 될 것으로 판단되는 영역만을 골라 학습을 진행했다. 데이터는 국제 대회 ADHD-200에서 제공한 rs-fMRI를 사용했고, 데이터를 제공한 여러 기관으로부터 종합적인 결과를 얻기 위해 각 기관 별로 교차 검증(Leave One Site Out, LOSO)을 진행했다. 우리는 15개의 ROI(Region Of Interest)만을 사용해 70.6%의 정확도를 달성했으며, 이는 모든 ROI를 사용해 68.6%를 달성한 기존 연구보다 높다. 추가로 SCCNN-RNN이라는 새 구조와 이로부터 파생된 3가지 모델(Separate Channel CNN – RNN with Attention (ASCRNN), Separate Channel dilate CNN - RNN with Attention (ASDRNN), Separate Channel CNN - slicing RNN with Attention (ASSRNN))로 동일한 실험을 진행했다. 그 결과 ASSRNN에서 13개 ROI로 70.46% 정확도를 달성했고, 이는 뇌의 전체 영역을 사용하는 것보다 핵심적인 일부 영역만을 썼을 때 더 좋은 결과를 낼 수 있음을 보인다. | - |
dc.publisher | 한양대학교 | - |
dc.title | fMRI를 이용한 ADHD 분별 개선에 대한 연구 | - |
dc.title.alternative | Deep Learning Approach on the Improvement of Diagnosing ADHD with fMRI | - |
dc.type | Theses | - |
dc.contributor.googleauthor | 김태훈 | - |
dc.contributor.alternativeauthor | Taehun Kim | - |
dc.sector.campus | S | - |
dc.sector.daehak | 대학원 | - |
dc.sector.department | 인공지능융합학과 | - |
dc.description.degree | Master | - |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.