[논문]흉부 X-선 영상에서 심장비대증 분류를 위한 합성곱 신경망 모델 제안

김민정; 김정훈

doi:10.7742/jksr.2021.15.5.613

흉부 X-선 영상에서 심장비대증 분류를 위한 합성곱 신경망 모델 제안
Proposal of a Convolutional Neural Network Model for the Classification of Cardiomegaly in Chest X-ray Images 원문보기

한국방사선학회 논문지 = Journal of the Korean Society of Radiology, v.15 no.5, 2021년, pp.613 - 620

김민정 (경북대학교대학원 의용생체공학과) , 김정훈 (경북대학교병원 생명 의학 연구원)

초록
AI-Helper

본 논문에서는 흉부 X선 영상에서 정상 심장과 비정상 심장(심장비대)을 분류할 수 있는 합성곱 신경망 모델을 제안하고자 한다. 학습 및 테스트 데이터로는 경북대학교병원에 내원하여 정상과 심장비대를 진단받은 환자들의 흉부 X-선 이미지를 획득하여 사용하였다. 제안된 합성곱 신경망 모델을 이용하였을 때의 정상 심장 및 비정상 심장(심장비대) 분류 정확도는 99.88%였다. 정상 심장 영상을 테스트 데이터로 사용하였을 때의 정확도, 정밀도, 재현율 및 F1 Score는 95%, 100%, 90%, 96%였다. 비정상 심장(심장비대) 영상을 테스트 데이터로 사용하였을 때의 정확도, 정밀도, 재현율 및 F1 Score는 95%, 92%, 100% 및 96%였다. 이러한 학습 및 테스트 분류 결과로 제안된 합성곱 신경망 모델은 흉부 X-선 영상의 특징 추출 및 분류에서 매우 우수한 성능을 보여주고 있다고 판단된다. 본 논문에서 제안하는 합성곱 신경망 모델은 흉부 X-선 영상의 질환 분류에 있어 유용한 결과를 보여줄 것으로 판단되며, 다른 의료 영상에서도 동일한 결과를 나타내는지 알아보기 위하여 추가적인 연구가 이루어져야 할 것이다.

Abstract ▼ AI-Helper

The purpose of this study is to propose a convolutional neural network model that can classify normal and abnormal(cardiomegaly) in chest X-ray images. The training data and test data used in this paper were used by acquiring chest X-ray images of patients diagnosed with normal and abnormal(cardiomegaly). Using the proposed deep learning model, we classified normal and abnormal(cardiomegaly) images and verified the classification performance. When using the proposed model, the classification accuracy of normal and abnormal(cardiomegaly) was 99.88%. Validation of classification performance using normal images as test data showed 95%, 100%, 90%, and 96% in accuracy, precision, recall, and F1 score. Validation of classification performance using abnormal(cardiomegaly) images as test data showed 95%, 92%, 100%, and 96% in accuracy, precision, recall, and F1 score. Our classification results show that the proposed convolutional neural network model shows very good performance in feature extraction and classification of chest X-ray images. The convolutional neural network model proposed in this paper is expected to show useful results for disease classification of chest X-ray images, and further study of CNN models are needed focusing on the features of medical images.

주제어

표/그림 (8)

그림 Fig. 1. Chest X-ray Images.
표 Table 1. Classification of Data
그림 Fig. 2. A Flowchart of the Layer Constituting the Cnn Model for Normal and Abnormal(Cardiomegaly) Classification.
표 Table 2. 30 Times and 60 Times Augmented Data
표 Table 3. Accuracy(%) according to Augmented Data
그림 Fig. 3. Compare Model Accuracy between Learning Rates.
그림 Fig. 4. Classification Result of the Proposed Model.
표 Table 4. Result of Classification using Test Data

AI 본문요약
AI-Helper

문제 정의

제안하는 알고리즘은 16개의 레이어를 가지는 합성곱 신경망으로 정상 심장과 심장비대가 의심되는 비정상 심장으로 분류한다. 또한, 제안된 합성곱 신경망 모델을 이용하여 정상 심장과 비정상 심장(심장비대)을 분류하고, 분류된 영상이 실제로 정답과 얼마나 가까운지 검증하고자 하였다.
본 논문에서는 데이터의 증대 여부와 증대된 배수에 따라 정확도에 미치는 영향을 확인하고자 하였다. 데이터 증대를 진행하지 않은 데이터를 이용하여 정상 심장과 비정상 심장(심장비대)을 분류하였을 때의 학습 및 테스트 정확도는 92.
본 논문에서는 의료 영상 분야에서 최근 많이 활용되고 있는 합성곱 신경망(Convolution Neural Network)을 기반으로 딥러닝 모델을 제안하여 흉부 X-선 영상 진단에 도움을 주고자 하였다. 이를 위해 정상 심장과 비정상 심장(심장비대)을 분류하는 모델을 본 연구에서 제시하였다.
본 논문에서는 흉부 X-선 영상에서 정상 심장과 비정상 심장(심장비대)을 분류할 수 있는 합성곱 신경망 모델을 제안하고자 한다. 제안하는 알고리즘은 16개의 레이어를 가지는 합성곱 신경망으로 정상 심장과 심장비대가 의심되는 비정상 심장으로 분류한다.
본 논문에서는 흉부 X-선 영상의 정상 심장과 비정상 심장(심장비대)을 분류할 수 있는 합성곱 신경망 모델을 제안하였다. 제안한 모델은 우수한 성능을 보여주었으며 흉부 X-선 영상의 질환 분류에 있어 유용한 결과를 보여줄 것으로 판단된다.

제안 방법

1과 같이 정상(Normal) 이미지와 비정상 심장(Abnormal)으로 구분하였다. 각 데이터의 Annotation은 AVIEW(Coreline Europe GmbH, Eschborn, Germany)을 활용하여 전문의가 흉부 X-선 영상에서 심장 크기에 맞추어 직사각형 모양의 외곽선을 그리는 방식으로 진행되었다.
본 논문에서는 제안하는 합성곱 신경망 모델을 이용하여 흉부 X-선 영상의 정상 심장과 비정상 심장(심장비대) 분류에 대한 정확도를 확인하고 분류 성능을 평가하고자 하였다. 학습을 진행하기 위해 데이터 증대에 따른 정확도 비교에서 가장 높은 정확도를 보여주었던 60배로 증대한 데이터 세트를 사용하였고, 학습률에 따른 정확도 비교에서 가장 높은 정확도를 보여주었던 0.
본 논문에서는 학습률(Learning rate)은 6가지로 설정하여 학습률에 따른 정확도를 비교하고자 하였다. 이때, 학습에 사용된 데이터는 데이터 증대에 따른 정확도 비교에서 가장 높은 정확도를 보여주었던 60배로 증대한 데이터 세트를 사용하였다.
본 연구에서는 데이터 증대 기법을 사용하여 이미지를 시계 및 반시계 방향으로 0°~90° 이내의 범위로 회전시키고, 너비와 높이 및 이미지 전체를 60%~140%로 확대 및 축소하는 과정을 랜덤하게 적용하여 이미지 수를 증가시켰다.
본 논문에서는 의료 영상 분야에서 최근 많이 활용되고 있는 합성곱 신경망(Convolution Neural Network)을 기반으로 딥러닝 모델을 제안하여 흉부 X-선 영상 진단에 도움을 주고자 하였다. 이를 위해 정상 심장과 비정상 심장(심장비대)을 분류하는 모델을 본 연구에서 제시하였다.
정상 심장 데이터와 비정상 심장(심장비대) 데이터를 사용하였을 때의 제안한 합성곱 신경망 모델의 분류 성능을 정확도, 정밀도, 재현율, F1 Score 순서로 살펴본다. 정상 심장의 경우 95%, 100%, 90%, 96%이고, 심장비대의 경우 95%, 92%, 100%, 96%이다.
본 논문에서는 흉부 X-선 영상에서 정상 심장과 비정상 심장(심장비대)을 분류할 수 있는 합성곱 신경망 모델을 제안하고자 한다. 제안하는 알고리즘은 16개의 레이어를 가지는 합성곱 신경망으로 정상 심장과 심장비대가 의심되는 비정상 심장으로 분류한다. 또한, 제안된 합성곱 신경망 모델을 이용하여 정상 심장과 비정상 심장(심장비대)을 분류하고, 분류된 영상이 실제로 정답과 얼마나 가까운지 검증하고자 하였다.

대상 데이터

연구에 사용된 데이터는 경북대학교병원 IRB(Institutional Review Board, 의학 연구 윤리 심의위원회)의 심의 절차에 따라 승인을 받아 수집을 진행하였다(IRB 번호: KNUH 2020-07-018-002). 2010년 1월부터 2020년 12월까지 경북대학교병원에 내원한 만 20세 이상에서 95세 미만의 환자들의 흉부 X-선 이미지를 획득하였다. 수집한 이미지 데이터는 정상 심장 526장, 비정상 심장(심장비대) 500장으로 구성되었다.
본 연구에서 사용된 데이터는 흉부 방사선 전문의가 각각 진단하여 Fig. 1과 같이 정상(Normal) 이미지와 비정상 심장(Abnormal)으로 구분하였다.
본 연구에서 제안하는 합성곱 신경망 모델은 8개의 Convolution 레이어와 6개의 Fully connected 레이어, 입력 영상을 서브 샘플링(Subsampling) 하여 크기를 축소시키는 2개의 Max pooling 레이어로 구성되어 있다. 모든 Convolution 레이어의 필터 크기는 파라미터의 수와 학습 소요 시간을 줄이기 위해 2 x 2로 고정하였다.
수집한 이미지 데이터는 정상 심장 526장, 비정상 심장(심장비대) 500장으로 구성되었다. 분류를 위한 데이터의 구성은 Table 1과 같이 전체 데이터의 80%를 학습 데이터에 사용하였으며, 나머지 20%를 최종 모델을 검증하는 테스트 데이터 세트로 구성하였다.
2010년 1월부터 2020년 12월까지 경북대학교병원에 내원한 만 20세 이상에서 95세 미만의 환자들의 흉부 X-선 이미지를 획득하였다. 수집한 이미지 데이터는 정상 심장 526장, 비정상 심장(심장비대) 500장으로 구성되었다. 분류를 위한 데이터의 구성은 Table 1과 같이 전체 데이터의 80%를 학습 데이터에 사용하였으며, 나머지 20%를 최종 모델을 검증하는 테스트 데이터 세트로 구성하였다.
연구에 사용된 데이터는 경북대학교병원 IRB(Institutional Review Board, 의학 연구 윤리 심의위원회)의 심의 절차에 따라 승인을 받아 수집을 진행하였다(IRB 번호: KNUH 2020-07-018-002). 2010년 1월부터 2020년 12월까지 경북대학교병원에 내원한 만 20세 이상에서 95세 미만의 환자들의 흉부 X-선 이미지를 획득하였다.
본 논문에서는 학습률(Learning rate)은 6가지로 설정하여 학습률에 따른 정확도를 비교하고자 하였다. 이때, 학습에 사용된 데이터는 데이터 증대에 따른 정확도 비교에서 가장 높은 정확도를 보여주었던 60배로 증대한 데이터 세트를 사용하였다. 학습률에 따른 학습 정확도를 0.
위와 같은 방법을 이용하여 테스트 데이터 세트는 제외하고 학습 데이터 세트에 대해서만 증대를 진행하였다. 정상 심장과 비정상 심장(심장비대)에서 30배 증대시킨 학습 데이터 세트의 개수는 각각 14, 227장, 26,251장이며 60배 증대시킨 학습 데이터 세트의 개수는 각각 28,727장, 31,771장이다. 증대시킨 데이터를 사용하여 학습 데이터의 개수에 따른 학습 및 테스트 정확도를 비교하고자 하였다.

데이터처리

본 논문에서 제안한 합성곱 신경망 모델의 분류 성능을 검증하기 위하여 테스트 데이터 세트를 사용하여 정확도, 정밀도, 재현율, F1 Score를 구하고 평가하였다. 테스트 데이터에 대한 성능 평가 지표들은 Eq.

이론/모형

본 연구에서는 딥러닝 모델링을 구현하기 위해 Python(version 3.8.8) 언어 기반의 통합 개발 환경인 주피터 노트북(Jupyter Notebook)을 사용하였다. 딥러닝 학습을 위한 시스템은 Intel (R) Core (TM) i7-8700k(Intel, Santa Clara, CA, USA), NVIDIA GeForce GTX 1080 Ti(NVIDIA, Santa Clara, CA, USA), Tensorflow 2.

성능/효과

그 결과 학습 정확도의 경우 99.84%, 검증 정확도의 경우 94%로 높은 수준의 정확도를 보여주었다. 또한, 학습 손실 값의 경우 0.
본 연구에서 데이터 증대 여부와 학습률의 변화에 따라 제안된 모델을 활용하여 결과를 획득하였다. 데이터 증대 여부에 따라서는 학습 데이터를 증대하는 배수가 높아질수록 학습 및 테스트 정확도가 증가하는 추이를 보여주었다. 학습률의 변화에 따라서는 학습률이 감소할수록 정확도가 향상되고 안정적으로 학습이 진행되었다.
본 논문에서는 데이터의 증대 여부와 증대된 배수에 따라 정확도에 미치는 영향을 확인하고자 하였다. 데이터 증대를 진행하지 않은 데이터를 이용하여 정상 심장과 비정상 심장(심장비대)을 분류하였을 때의 학습 및 테스트 정확도는 92.44%, 92.0%를 보여주었다. 30배 데이터 증대를 진행한 데이터를 이용하였을 때의 학습 및 테스트 정확도는 99.
34%를 보여주었다. 데이터 측면에서 보았을 때, 본 연구가 싱가포르 연구팀보다 데이터 증대를 통해 많은 데이터를 사용하여 상대적으로 충분한 학습이 진행되었다고 판단된다. 또한, 방법론적 측면에서는 본 연구에서 제안하는 합성곱 신경망 모델이 의료 영상인 흉부 X-선 영상 특징을 잘 반영할 수 있도록 개발되었기 때문에 위 연구보다 더 높은 분류 성능 결과를 얻을 수 있었다고 생각된다.
데이터 측면에서 보았을 때, 본 연구가 싱가포르 연구팀보다 데이터 증대를 통해 많은 데이터를 사용하여 상대적으로 충분한 학습이 진행되었다고 판단된다. 또한, 방법론적 측면에서는 본 연구에서 제안하는 합성곱 신경망 모델이 의료 영상인 흉부 X-선 영상 특징을 잘 반영할 수 있도록 개발되었기 때문에 위 연구보다 더 높은 분류 성능 결과를 얻을 수 있었다고 생각된다. 이러한 결과는 제안하는 합성곱 신경망 모델이 흉부 X-선 영상에서 정상 심장과 심장 비대가 의심되는 비정상 심장 분류에서 매우 우수한 성능을 보여주고 있다고 판단된다.
본 논문에서 제안한 합성곱 신경망 모델의 정상 심장과 비정상 심장(심장비대) 분류에 대한 학습정확도의 경우 99.84%, 검증 정확도의 경우 94%의 결과를 보여주었다. 학습 손실 값의 경우 0.
또한, 방법론적 측면에서는 본 연구에서 제안하는 합성곱 신경망 모델이 의료 영상인 흉부 X-선 영상 특징을 잘 반영할 수 있도록 개발되었기 때문에 위 연구보다 더 높은 분류 성능 결과를 얻을 수 있었다고 생각된다. 이러한 결과는 제안하는 합성곱 신경망 모델이 흉부 X-선 영상에서 정상 심장과 심장 비대가 의심되는 비정상 심장 분류에서 매우 우수한 성능을 보여주고 있다고 판단된다.
2628로 0에 수렴하는 낮은 손실 값을 보여주었다. 이러한 분류 결과는 제안하는 합성곱 신경망 모델이 정상 심장 흉부 X-선 영상과 비정상 심장(심장비대) 흉부 X-선 영상에 대한 분류에서 매우 우수한 성능을 보여주고 있다고 판단된다.
테스트 데이터를 이용한 성능 평가에서는 정확도, 정밀도, 재현율, F1 Score 순서로 살펴보았을 때, 정상 심장은 95%, 100%, 90%, 96%이고, 비정상 심장(심장비대)은 95%, 92%, 100%, 96%로 모두 높은 분류 성능을 보여주었다.
0001 순서로 살펴본다. 학습 정확도는 차례로 52.52%, 52.52%, 52.52%, 52.52%, 99.71%, 99.88%이다. 학습률이 0.

후속연구

본 논문에서는 흉부 X-선 영상의 정상 심장과 비정상 심장(심장비대)을 분류할 수 있는 합성곱 신경망 모델을 제안하였다. 제안한 모델은 우수한 성능을 보여주었으며 흉부 X-선 영상의 질환 분류에 있어 유용한 결과를 보여줄 것으로 판단된다. 흉부 X-선 영상에 딥러닝을 적용하려는 여러 연구에 파라미터에 따른 정보 제공에 도움이 될 것으로 생각된다.
흉부 X-선 영상에 딥러닝을 적용하려는 여러 연구에 파라미터에 따른 정보 제공에 도움이 될 것으로 생각된다. 향후 본 논문의 결과가 다른 의료 영상에서도 일반적으로 확인되는 특징인지 알아보기 위하여 더 다양하고 많은 데이터를 가진 추가 연구가 이루어져야 할 것이며, 결과를 바탕으로 흉부 X-선 영상과 같이 특수한 영상에 알맞은 모델의 개발이 지속적으로 이루어져야 할 것이다.
제안한 모델은 우수한 성능을 보여주었으며 흉부 X-선 영상의 질환 분류에 있어 유용한 결과를 보여줄 것으로 판단된다. 흉부 X-선 영상에 딥러닝을 적용하려는 여러 연구에 파라미터에 따른 정보 제공에 도움이 될 것으로 생각된다. 향후 본 논문의 결과가 다른 의료 영상에서도 일반적으로 확인되는 특징인지 알아보기 위하여 더 다양하고 많은 데이터를 가진 추가 연구가 이루어져야 할 것이며, 결과를 바탕으로 흉부 X-선 영상과 같이 특수한 영상에 알맞은 모델의 개발이 지속적으로 이루어져야 할 것이다.

참고문헌 (22)

C. S. Danzer, "The cardiothoracic ratio: an index of cardiac enlargement", The American Journal of the Medical Sciences, Vol. 157, No. 4, pp. 1827-1924, 1919.

상세보기
S. H. Paek, J. M. Lee, S. J. Han, Y. W. Bahk, "Evaluation of cardiac measurements in healthy Korean adults", Journal of the Korean radiological society, Vol. 14, No. 1, pp. 57-62, 1978.

원문보기 상세보기
Y. S. Kim, H. J. Park, S. H. Park, H. J. Chun,, B. G. Choi, "A CT criteria of cardiomegaly", Journal of the Korean Radiological Society, Vol. 57, No. 3, pp. 235-238, 2007.

상세보기
S. H. Yang, J. S. Lee, C. S. Kim, "The Accuracy of Echocardiography and ECG in the Left Ventricular Hypertrophy", The Journal of the Korea Contents Association, Vol. 16, No. 2, pp. 666-672, 2016. http://dx.doi.org/10.5392/JKCA.2016.16.02.666

원문보기 상세보기
E. D. Frohlich, "Left ventricular hypertrophy as a risk factor", Cardiology clinics, Vol. 4, No. 1, pp. 137-144, 1986.

상세보기
H. Amin, W. J. Siddiqui, "Cardiomegaly", StatPearls [internet], 2020.
S. S. Alghamdi, I. Abdelaziz, M. Albadri, S. Alyanbaawi, R. Aljondi, A. Tajaldeen, "Study of cardiomegaly using chest x-ray", Journal of Radiation Research and Applied Sciences, Vol. 13, No. 1, pp. 460-467, 2020. http://dx.doi.org/10.1080/16878507.2020.1756187

상세보기
Y. LeCun, Y. Bengio, G. Hinton, "Deep learning, Nature", Vol. 521, No. 7553, 436-444, 2015.

상세보기
A. Krizhevsky, I. Sutskever, G. E. Hinton, "Imagenet classification with deep convolutional neural networks", Advances in neural information processing systems, 25, 1097-1105, 2012.
K. Simonyan, A. Zisserman, "Very deep convolutional networks for large-scale image recognition", arXiv preprint arXiv:1409.1556, 2014.
K. He, X. Zhang, S. Ren, J. Sun, "Deep residual learning for image recognition", In Proceedings of the IEEE conference on computer vision and pattern recognition, pp. 770-778, 2016.
M. H. Yap, M. Goyal, F. Osman, E. Ahmad, R. Marti, E. Denton, A. Juette, R. Zwiggelaar, "End-to-end breast ultrasound lesions recognition with a deep learning approach", In Medical Imaging 2018: Biomedical Applications in Molecular, Structural, and Functional Imaging, International Society for Optics and Photonics, Vol. 10578, pp. 1057819, 2018. https://doi.org/10.1117/12.2293498
S. Han, H. K. Kang, J. Y. Jeong, M. H. Park, W. Kim, W. C. Bang, Y. K. Seong, "A deep learning framework for supporting the classification of breast lesions in ultrasound images", Physics in Medicine & Biology, Vol. 62, No. 19, pp. 7714, 2017. http://dx.doi.org/10.1088/1361-6560/aa82ec

상세보기
B. Sahiner, A. Pezeshk, L. M. Hadjiiski, X. Wang, K. Drukker, K. H. Cha, R. M. Summers, M. L Giger, "Deep learning in medical imaging and radiation therapy", Medical physics, Vol. 46, No. 1, pp. e1-e36, 2019. http://dx.doi.org/10.1002/mp.13264

상세보기
S. Lim, M. Lee, "A Computer Aided Diagnosis Algorithm for Classification of Malignant Melanoma Based on Deep Learning", Journal of the Korea Society of Digital Industry and Information Management, Vol. 14, No. 4, pp. 69-77, 2018.

원문보기 상세보기
L. Yao, E. Poblenz, D. Dagunts, B. Covington, D. Bernard, K. Lyman, "Learning to diagnose from scratch by exploiting dependencies among labels", arXiv preprint arXiv:1710.10501, 2017.
X. Wang, Y. Peng, L. Lu, Z. Lu, M. Bagheri, R. M. Summers, "Chestx-ray8: Hospital-scale chest x-ray database and benchmarks on weakly-supervised classification and localization of common thorax diseases", In Proceedings of the IEEE conference on computer vision and pattern recognition, pp. 2097-2106, 2017.
M. T. Islam, M. A. Aowal, A. T. Minhaz, K. Ashraf, "Abnormality detection and localization in chest x-rays using deep convolutional neural networks", arXiv preprint arXiv:1705.09850, 2017.
Q. Que, Z. Tang, R. Wang, Z. Zeng, J. Wang, M. Chua, T. S. Gee, X. Yang, B. Veeravalli, "CardioXNet: automated detection for cardiomegaly based on deep learning", In 2018 40th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), pp. 612-615, 2018.
O. Ronneberger, P. Fischer, T. Brox, "U-net: Convolutional networks for biomedical image segmentation", In International Conference on Medical image computing and computer-assisted intervention, pp. 234-241, 2015, Springer, Cham.
D. P. Kingma, J. Ba, "Adam: A method for stochastic optimization", arXiv preprint arXiv:1412.6980, 2014.
N. Japkowicz, M. Shah, "Evaluating learning algorithms: a classification perspective", Cambridge University Press, 2011.

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