[논문]손목 관절 단순 방사선 영상에서 딥 러닝을 이용한 전후방 및 측면 영상 분류와 요골 영역 분할

이기표; 김영재; 이상림; 김광기

doi:10.9718/jber.2020.41.2.94

손목 관절 단순 방사선 영상에서 딥 러닝을 이용한 전후방 및 측면 영상 분류와 요골 영역 분할
Classification of Anteroposterior/Lateral Images and Segmentation of the Radius Using Deep Learning in Wrist X-rays Images 원문보기

Journal of biomedical engineering research : the official journal of the Korean Society of Medical & Biological Engineering, v.41 no.2, 2020년, pp.94 - 100

이기표 (가천대학교 보건과학대학 의용생체공학과) , 김영재 (가천대학교 보건과학대학 의용생체공학과) , 이상림 (인제대학교 상계백병원 정형외과) , 김광기 (가천대학교 보건과학대학 의용생체공학과)

Abstract ▼ AI-Helper

The purpose of this study was to present the models for classifying the wrist X-ray images by types and for segmenting the radius automatically in each image using deep learning and to verify the learned models. The data were a total of 904 wrist X-rays with the distal radius fracture, consisting of 472 anteroposterior (AP) and 432 lateral images. The learning model was the ResNet50 model for AP/lateral image classification, and the U-Net model for segmentation of the radius. In the model for AP/lateral image classification, 100.0% was showed in precision, recall, and F1 score and area under curve (AUC) was 1.0. The model for segmentation of the radius showed an accuracy of 99.46%, a sensitivity of 89.68%, a specificity of 99.72%, and a Dice similarity coefficient of 90.05% in AP images and an accuracy of 99.37%, a sensitivity of 88.65%, a specificity of 99.69%, and a Dice similarity coefficient of 86.05% in lateral images. The model for AP/lateral classification and the segmentation model of the radius learned through deep learning showed favorable performances to expect clinical application.

주제어

표/그림 (8)

그림 그림 1. 요골 영역에 대한 annotation 이미지 a) 원본 이미지, b) ground truth 이미지, c) 오버레이드 이미지 Fig. 1. Annotation image for the radius. a) Original images, b) Ground truth images, c) Overlaid images
그림 그림 2. ResNet50 모델의 아키텍처 Fig. 2. The architecture of ResNet50 model
그림 그림 3. U-Net 모델의 아키텍처 Fig. 3. The architecture of U-Net model
표 표 1. 테스트 데이터에서의 전후방/측면 영상 분류 결과 Table 1. Result of classification of anteroposterior/lateral images in test data
그림 그림 4. 전후방 영상에서의 요골 영역 분할 결과. Fig. 4. Result of segmentation of the radius in anteroposterior images.
그림 그림 5. 측면 영상에서의 요골 영역 분할 결과. Fig. 5. Result of segmentation of the radius in lateral images.
표 표 2. 전후방/측면 영상에서의 요골 영역 분할 결과 Table 2. Result of segmentation of the radius in anteroposterior (AP) and lateral images
그림 그림 6. 수동으로 분할한 영역과 학습 모델을 통해 분할한 영역의 면적을 비교한 Bland-Altman plot 이미지. Fig. 6. Bland-Altman plot comparing the areas of the manually segmented regions with the areas of the segmented regions through the learning model.

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 연구에서는 X-ray 영상에서 딥 러닝을 이용하여 전후방 영상과 측면 영상을 분류하고, 영상 종류에 따라 요골 영역 분할을 위한 학습 모델을 개발하였다.
본 연구에서는 딥 러닝을 이용하여 학습된 영상 분류 모델과 요골 영역 분할 모델을 개발하고 학습 모델을 테스트데이터을 이용하여 우수한 성능을 확인하였다. 향후 다양한 환경에서 촬영한 추가 데이터를 수집하여 추가 학습이 이루어진다면 더 정확한 요골 영역 분할 결과를 얻고, 요골 영역 분할 모델을 이용하여 원위 요골 골절 여부를 판단하는 컴퓨터 보조 진단 시스템을 개발해, 원위 요골 골절의 진단 및 골절의 전위 정도 등을 판단하여 원위 요골 골절의 진단 및치료에 경험이 적은 임상의가 진단 및 치료 방법을 결정하는데 많은 도움을 줄 수 있을 것으로 기대된다.
이에 본 연구에서는 딥 러닝을 활용하여 손목 관절 X-ray 영상에서 전후방 및 측면 영상의 종류를 분류하고, 원위 요골골절을 판단하기 위해 분류된 영상에 따라 자동으로 요골영역을 분할하고자 하였다.

제안 방법

합성곱 신경망을 이용한 딥 러닝 학습을 위해서는 입력 및 출력 영상의 가로, 세로 크기가 같아야 한다. 따라서 본연구에서는 원래 영상에 가로, 세로 크기의 차이만큼 원본이미지에 빈 이미지를 붙여 가로, 세로의 크기가 같아지도록 만든 후, 가로 1024 픽셀, 세로 1024 픽셀로 크기를 조정(resize)하였다.
전후방/측면 영상 분류 학습의 성능은 95장의 전후방 영상과 85장의 측면 영상으로 구성된 총 180장의 영상으로 이루어진 테스트 데이터로 학습 모델의 성능을 확인하였다. 모델성능은혼동행렬을이용하였으며, 정밀도, 재현율, F1 score, AUC로 나타냈다. 혼동 행렬에서 진양성(true positive, TP)는 전후방 영상을 전후방 영상으로 찾아낸 경우, 위양성(false positive, FP)는 전후방 영상을 측면 영상으로 찾아낸 경우, 위 음성(false negative, FN)는 측면 영상을 전후방 영상으로 찾아낸 경우, 진음성(true negative, TN)는 측면 영상을 측면 영상으로 찾아낸 경우를 나타낸다.
본 연구에서는 혼동 행렬(confusion matrix)을 이용하여 전후방/측면 영상 분류 학습 모델과 요골 영역 분할 학습 모 델의 성능을 검증하였다. 혼동 행렬은 예측 값과 정답 값의 일치 여부를 행렬로 분류하는 평가 기법으로, 정확도(accuracy), 민감도(sensitivity), 특이도(specificity), 정밀도(precision), 재현율(recall), F1 score, 다이스 유사계수(Dice similarity coefficient, DSC) 등의 성능 평가 지표를 이용하여 모델의 성능을 검증한다.
Shortcut connection은 하나 이상의 층을 건너뛰는 연결로 추가 파라미터(parameter)나 계산상의 복잡성을 추가하지 않았다[16,17](그림 2). 본 연구에서의 학습 환경은 데이터 증식(data augmentation)은 적용하지 않았고, 옵티마이저(optimizer)는 SGD, 배치사이즈(batch size)는4, 학습률(learning rate)은 0.0001, 모멘텀(momentum)은0.9, 에폭(epoch)은 100으로 설정하여 학습을 진행하였다.
요골 영역 분할의 학습 성능을 검증하기 위해 분류 학습을 통해 분류된 전후방 영상(95장)과 측면 영상(85장)을 학습모델에 적용하여 결과를 확인하였다. 전후방, 측면 영상에 따라 원본 이미지와 ground truth 이미지, 분할결과 이미지, 원본 이미지에 분할 결과 이미지를 덮어쓴 오버레이드 이미지(overlaid image)를 각각 그림 4와 그림 5에 나타냈다.
전후방/측면 영상 분류 학습의 경우, 579장은 학습 데이터(training data), 145장은 학습 과정에서 성능을 검증하는 검증 데이터(validation data), 180장은 최종적으로 성능을 검증하는 테스트 데이터(test data)로 사용되었다. 요골 영역분할 학습의 경우, 472장의 전후방 영상과 432장의 측면 영상을 수집하였으며, 수집된 영상에 대해 전문가가 직접 ImageJ(NIH, Bethesda, MD, USA)를 이용하여[15] 수동으로 요골영역을 annotation하여 ground truth 이미지를 만들었다(그림 1). Ground truth 이미지는마스크이미지로사용되며, 정답 영상으로써 모델 학습과 검증 과정에 사용되었다.
ResNet50 모델의 층(layer)는 3×3 크기의 필터를 가지며, 동일한 특징 맵(feature map)에서는 동일한 필터 수를 가지고, 특징 맵의 크기가 1/2로 줄어들면 필터의 수는 2배로 증가한다. 이 모델은 잔여 학습 블록(residual learning block)을이용해 shortcut connection을 만들어 깊은 층을 쌓아 학습할 수 있도록 하였다. Shortcut connection은 하나 이상의 층을 건너뛰는 연결로 추가 파라미터(parameter)나 계산상의 복잡성을 추가하지 않았다[16,17](그림 2).
혼동 행렬은 예측 값과 정답 값의 일치 여부를 행렬로 분류하는 평가 기법으로, 정확도(accuracy), 민감도(sensitivity), 특이도(specificity), 정밀도(precision), 재현율(recall), F1 score, 다이스 유사계수(Dice similarity coefficient, DSC) 등의 성능 평가 지표를 이용하여 모델의 성능을 검증한다. 전후방/측면 영상 분류 학습에서는 x축은 1-특이도, y축은 민감도로 하여 이진분류 모델의 예측 정확 도를 평가하는 receiver operating characteristic(ROC) 분석과 ROC 커브의 아래 면적을 의미하는 area under curve (AUC)를 사용하였으며, AUC는 1에 가까울수록 모델의 성 능이 좋다는 것을 의미한다. 또한 요골 영역 분할 학습에서는 두 가지 방법으로 측정한 값 사이의 유사도를 정량적으로 나타내기 위해, X축은 두 방법으로 측정한 값의 평균을 나 타내고, Y축은 두 측정값의 차이를 나타내는 Bland-Altman plot를 사용하였다[19].
전후방, 측면 영상에 따라 원본 이미지와 ground truth 이미지, 분할결과 이미지, 원본 이미지에 분할 결과 이미지를 덮어쓴 오버레이드 이미지(overlaid image)를 각각 그림 4와 그림 5에 나타냈다. 학습 결과는 정확도, 민감도, 특이도, 다이스 유사계수의 4가지 척도로 비교하였다. Ground truth 이미지와 결과 이미지를 픽셀마다 각각 비교하여 혼동 행렬을 이용해 TP,FP, FN, TN를 각각 나타내고, 식 (4)~(7)에 따라 4가지의 척도를 계산하였다.

대상 데이터

요골 영역분할 학습의 경우, 472장의 전후방 영상과 432장의 측면 영상을 수집하였으며, 수집된 영상에 대해 전문가가 직접 ImageJ(NIH, Bethesda, MD, USA)를 이용하여[15] 수동으로 요골영역을 annotation하여 ground truth 이미지를 만들었다(그림 1). Ground truth 이미지는마스크이미지로사용되며, 정답 영상으로써 모델 학습과 검증 과정에 사용되었다. 전후방 영상의 경우 472장 중 301장의 학습 데이터, 76장의 검증 데이터,95장의 테스트 데이터를 사용했으며, 측면 영상의 경우 432장 중 277장의 학습 데이터, 70장의 검증 데이터, 85장의 테스트 데이터가 사용되었다.
expansive path에서는 2×2 up-convolution이 사용되고, contracting path의 crop한 데이터와 결합하여두 번의 3×3 convolution이 사용된다[18](그림 3). 본 연구에서의 학습 환경은 데이터 증식은 적용하지 않았으며, 옵티마이저는 아담(Adam), 배치 사이즈는 4, 학습률은 0.001,에폭은 100으로 설정하여 학습을 진행하였다.
연구에서는 전후방 472장과 측면 432장의 총 904장의 원 위 요골 골절이 있는 손목 관절 X-ray 영상을 수집하였다. 전후방/측면 영상 분류 학습의 경우, 579장은 학습 데이터(training data), 145장은 학습 과정에서 성능을 검증하는 검증 데이터(validation data), 180장은 최종적으로 성능을 검증하는 테스트 데이터(test data)로 사용되었다.
Ground truth 이미지는마스크이미지로사용되며, 정답 영상으로써 모델 학습과 검증 과정에 사용되었다. 전후방 영상의 경우 472장 중 301장의 학습 데이터, 76장의 검증 데이터,95장의 테스트 데이터를 사용했으며, 측면 영상의 경우 432장 중 277장의 학습 데이터, 70장의 검증 데이터, 85장의 테스트 데이터가 사용되었다.
연구에서는 전후방 472장과 측면 432장의 총 904장의 원 위 요골 골절이 있는 손목 관절 X-ray 영상을 수집하였다. 전후방/측면 영상 분류 학습의 경우, 579장은 학습 데이터(training data), 145장은 학습 과정에서 성능을 검증하는 검증 데이터(validation data), 180장은 최종적으로 성능을 검증하는 테스트 데이터(test data)로 사용되었다. 요골 영역분할 학습의 경우, 472장의 전후방 영상과 432장의 측면 영상을 수집하였으며, 수집된 영상에 대해 전문가가 직접 ImageJ(NIH, Bethesda, MD, USA)를 이용하여[15] 수동으로 요골영역을 annotation하여 ground truth 이미지를 만들었다(그림 1).
전후방/측면 영상 분류 학습의 성능은 95장의 전후방 영상과 85장의 측면 영상으로 구성된 총 180장의 영상으로 이루어진 테스트 데이터로 학습 모델의 성능을 확인하였다. 모델성능은혼동행렬을이용하였으며, 정밀도, 재현율, F1 score, AUC로 나타냈다.

데이터처리

전후방/측면 영상 분류 학습에서는 x축은 1-특이도, y축은 민감도로 하여 이진분류 모델의 예측 정확 도를 평가하는 receiver operating characteristic(ROC) 분석과 ROC 커브의 아래 면적을 의미하는 area under curve (AUC)를 사용하였으며, AUC는 1에 가까울수록 모델의 성 능이 좋다는 것을 의미한다. 또한 요골 영역 분할 학습에서는 두 가지 방법으로 측정한 값 사이의 유사도를 정량적으로 나타내기 위해, X축은 두 방법으로 측정한 값의 평균을 나 타내고, Y축은 두 측정값의 차이를 나타내는 Bland-Altman plot를 사용하였다[19]. Y축 참고선 중 점선은 측정한 값의 평균을 나타내고, 두 개의 실선은 평균에서 표준편차의 1.

이론/모형

연구에서는 전후방/측면 영상 분류 학습에서는 ResNet50 모델을, 요골 영역 분할 학습에서는 U-Net 모델을 사용하였다.

성능/효과

전후방/측면 영상 분류 학습 모델은 총 180장의 영상을 95개의 전후방 영상과 85개의 측면 영상으로 정확히 분류하여 정밀도, 재현율, F1 Score는 모두 100.0%, AUC는 1.0을 나타냈다. 전후방/측면 영상에서의 요골 영역 분할 학습의결과는 전후방 영상에서 평균 정확도 99.
0을 나타냈다. 전후방/측면 영상에서의 요골 영역 분할 학습의결과는 전후방 영상에서 평균 정확도 99.46%, 평균 다이스유사계수 90.05%로 나타났고, 측면 영상에서는 평균 정확도 99.37%, 평균 다이스 유사계수는 86.05%로 우수한 성능을 보였다.
05%를 나타냈다. 측면 영상을 학습하였을 때는 평균 정확도 99.37%, 평균 민감도 88.65%, 평균 특이도 99.69%, 평균 다이스 유사계수 86.05%를 나타냈다. 또한, 수동으로 분할한 영역과 학습 모델을 통해 분할한 영역의 면적을 계산하였으며, 계산한 면적을 비교한 Bland-Altman plot을 그림 6에 나타냈다.
테스트 이미지를 대상으로, ground truth 이미지와 분할 학습 결과 이미지를 비교하여 계산한 결과, 전후방 영상을 학습하였을 때는 평균 정확도 99.46%, 평균 민감도 89.68%, 평균 특이도 99.72%, 평균 다이스 유사계수 90.05%를 나타냈다.

후속연구

본 연구의 제한점은 사용된 학습 데이터 수가 전후방 영상 472장, 측면 영상 432장으로 딥러닝 학습을 하기에는 충분하지 않다는 점이다. 따라서 데이터를 추가로 수집하거나 데이터 증강(data augmentation) 기법을 활용하여 추가 학습을 통해 학습 성능을 향상시키는 연구가 필요하다. 요골 골절을 확인하기 위한 손목 관절 방사선 검사에서는 전후방, 측면 영상뿐만 아니라 사방향(oblique)에서 촬영한 영상도 획득한다.
본 연구의 제한점은 사용된 학습 데이터 수가 전후방 영상 472장, 측면 영상 432장으로 딥러닝 학습을 하기에는 충분하지 않다는 점이다. 따라서 데이터를 추가로 수집하거나 데이터 증강(data augmentation) 기법을 활용하여 추가 학습을 통해 학습 성능을 향상시키는 연구가 필요하다.
심한 분쇄 골절이나 전위가 심한 경우에는 정상 위치에서 벗어난 위치에 존재하는 뼈 조각이 요골에서 기인한 것이라고 판단하는 것은 어려울 것이다. 이는 더 많은 데이터를 학습하여 이러한 극단적인 영상에 대한 학습이 충분히 이루어지면, 요골 골절 영상에서의 요골 분할 성능이 향상될 수 있을 것으로 판단된다.
환자에 따라 골절로 인해 환자의 자세가 정확하지 않아 정확한 전후방, 측면 영상을 얻지 못하는 경우에는 사방향 영상을 통해 골절을 판단하게 된다. 이러한 점을 고려하여 사방향 영상이나 부정확한 자세에서 촬영한 전후방, 측면 영상을 포함한 여러 상황에서의 불규칙한 영상들을 고려한 연구가 필요하다.
본 연구에서는 딥 러닝을 이용하여 학습된 영상 분류 모델과 요골 영역 분할 모델을 개발하고 학습 모델을 테스트데이터을 이용하여 우수한 성능을 확인하였다. 향후 다양한 환경에서 촬영한 추가 데이터를 수집하여 추가 학습이 이루어진다면 더 정확한 요골 영역 분할 결과를 얻고, 요골 영역 분할 모델을 이용하여 원위 요골 골절 여부를 판단하는 컴퓨터 보조 진단 시스템을 개발해, 원위 요골 골절의 진단 및 골절의 전위 정도 등을 판단하여 원위 요골 골절의 진단 및치료에 경험이 적은 임상의가 진단 및 치료 방법을 결정하는데 많은 도움을 줄 수 있을 것으로 기대된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	2018년에 원위 요골 골절로 치료하는 환자 수는 몇명인가?	원위 요골 골절은 16세 이하의 소아 및 청소년에서 가장 많이 나타나는 골절이며, 또한 60~70세 사이의 여성에게도 많이 발생한다[1,2]. 건강보험심사평가원에 따르면 국내에서 2016년부터 2018년까지 원위 요골 골절로 치료하는 환자 수가 증가하고 있으며, 2018년에는 총 175,522명의 환자가 발생했다[3].
	1970년대와 달리 딥 러닝(deep learning) 기술이 관련 연구가 활발하게 진행되는 이유는 무엇인가?	이러한 한계를 극복하기 위해 최근에는 컴퓨터 보조 진단(Computer-Aided Diagnosis, CAD)에 대한 연구가 하드웨어 기술의 발달, 인공신경망 모델의 발달 등으로 활발하게 연구되고 활용되고 있다. 특히 딥 러닝(deep learning) 기술은 1970년대에 소개되었으나 느린 속도, 과적합 문제 등의 문제로 개발의 속도가 늦어지고 임상 적용에 어려움이 있었지만,그래픽 처리 장치(Graphics Processing Unit, GPU)의 발달과 빅 데이터(big data)의 수집으로 관련 연구들이 활발히 진행되고 있다[7]. 특히, 의료 영상 분야에서 무릎 연골 분할[8],망막 혈관 분할[9], DEXA에서 척골 및 요골 자동 분할[10] 등의 연구 결과들이 보고되고 있다.
	단순 방사선 영상만으로 원위요골 골절을 판단하기 어려운 한계를 극복 하기 위해 어떠한 연구가 진행되었는가?	이러한 한계를 극복하기 위해 최근에는 컴퓨터 보조 진단(Computer-Aided Diagnosis, CAD)에 대한 연구가 하드웨어 기술의 발달, 인공신경망 모델의 발달 등으로 활발하게 연구되고 활용되고 있다. 특히 딥 러닝(deep learning) 기술은 1970년대에 소개되었으나 느린 속도, 과적합 문제 등의 문제로 개발의 속도가 늦어지고 임상 적용에 어려움이 있었지만,그래픽 처리 장치(Graphics Processing Unit, GPU)의 발달과 빅 데이터(big data)의 수집으로 관련 연구들이 활발히 진행되고 있다[7].

참고문헌 (19)

Brudvik C, Hove LM. Childhood fractures in Bergen, Norway: identifying high-risk groups and activities. J Pediatr Orthop. 2003;23:629-34.

상세보기
Owen RA, Melton LJ 3rd, Johnson KA, Ilstrup DM, Riggs BL. Incidence of Colles' fracture in a North American community. Am J Public Health. 1982;72:605-7.

상세보기
http://www.wheelessonline.com/ortho/posterior_anterior_view_of_the_wrist. Accessed on 27 Oct 2019.
http://www.wheelessonline.com/ortho/posterior_anterior_view_of_the_wrist. Accessed on 27 Oct 2019.
Kiuru MJ, Haapamaki VV, Koivikko MP, Koskinen SK. Wrist injuries; diagnosis with multidetector CT. Emerg Radiol. 2004;10(4):182-5.

상세보기
Cho SU, Yang JI, Han KH, Cho YC, Yoo IS, Kim SW, Lee JW, Ryu S, You YH, Han SG, Park SS, Jung WJ, Jung WJ, Lee WS. The Accuracy of a Simple Radiologic Study for Diagnosing Intra-articular Fractures of the Distal Radius. J Korean Soc Emerg Med. 2010;21(5):569-74.
Lee JG, Jun S, Cho YW, Lee H, Kim GB, Seo JB, Kim N. Deep Learning in Medical Imaging: General Overview. Korean J Radiol. 2017;18(4):570-84.

상세보기
A. Raj, S. Vishwanathan, B. Ajani, K. Krishnan, H. Agarwal. Automatic knee cartilage segmentation using fully volumetric convolutional neural networks for evaluation of osteoarthritis. 2018 IEEE 15th International Symposium on Biomedical Imaging (ISBI 2018), Washington, DC. 2018; 851-4.
Kim BS, Lee IH, Retinal Blood Vessel Segmentation using Deep Learning. Korean Institute of Information Technology. 2019;17(5):77-82.
Kim YJ, Park SJ, Kim KR, Kim KG. Automated Ulna and Radius Segmentation model based on Deep Learning on DEXA. Journal of Korea Multimedia Society. 2018;21(12):1407-16.

원문보기 상세보기
DiBenedetto MR, Lubbers LM, Ruff ME, Nappi JF, Coleman CR. Quantification of error in measurement of radial inclination angle and radial-carpal distance. J Hand Surg Am. 1991;16(3):399-400.

상세보기
Jafari D, Najd Mazhar F, Jalili A, Zare S, Hoseini Teshnizi S. The Inter and intraobserver reliability of measurements of the distal radius radiographic indices. J. Res. Orthop. Sci.. 2014;1(2):22-5.
Hossain, M., Andrew, J.G. Reliability of a digital radiographic system in measuring distal radial fracture displacement parameters. Eur J Orthop Surg Traumatol. 2008;18:565-9.

상세보기
M. Attia, M. Hossny, S. Nahavandi, and H. Asadi, Surgical tool segmentation using a hybrid deep CNN-RNN auto encoderdecoder. 2017 IEEE International Conference on Systems, Man, and Cybernetics (SMC), Banff, AB. 2017; 3373-78.
Schneider CA, Rasband WS, and Eliceiri KW. NIH Image to ImageJ: 25 years of image analysis. Nature methods. 2012;9(7):671-5.

상세보기
K. He, X. Zhang, S. Ren, J. Sun. Deep residual learning for image recognition. Proceedings of the IEEE conference on computer vision and pattern recognition. 2016; 770-8.
Park SJ, Kim YG, Park DK, Chung JW, Kim KG. Evaluation of Transfer Learning in Gastroscopy Image Classification using Convolutional Neural Network. Journal of biomedical Engineering Research. 2018;39(5):213-9.

원문보기 상세보기
O. Ronneberger, P. Fischer, T. Brox. U-Net: Convolutional Networks for Biomedical Image Segmentation. International Conference on Medical image computing and computer-assisted intervention. 2015; 234-41.
D. Giavarina. Understanding Bland Altman analysis. Biochemia medica. 2015;25(2):141-51.

상세보기

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증