[논문]패치 특징 코어세트 기반의 흉부 X-Ray 영상에서의 병변 유무 감지

김현빈; 전준철

doi:10.7472/jksii.2022.23.3.35

패치 특징 코어세트 기반의 흉부 X-Ray 영상에서의 병변 유무 감지
Leision Detection in Chest X-ray Images based on Coreset of Patch Feature 원문보기

Journal of Internet Computing and Services = 인터넷정보학회논문지, v.23 no.3, 2022년, pp.35 - 45

김현빈 (Department of Computer Science, Kyonggi University) , 전준철 (Division of Computer Science and Engineering, Kyonggi University)

초록
AI-Helper

현대에도 일부 소외된 지역에서는 의료 인력의 부족으로 인해 위·중증 환자에 대한 치료가 지연되는 경우가 많다. 의료 데이터에 대한 분석을 자동화하여 의료 서비스의 접근성 문제 및 의료 인력 부족을 해소하고자 하는 연구가 계속되고 있다. 컴퓨터 비전 기반의 진료 자동화는 훈련 목적에 대한 데이터 수집 및 라벨링 작업에서 많은 비용이 요구된다. 이러한 점은 희귀질환이나 시각적으로 뚜렷하게 정의하기 어려운 병리적 특징 및 기전을 구분하는 작업에서 두드러진다. 이상 탐지는 비지도 학습 전략을 채택함으로써 데이터 수집 비용을 크게 절감할 수 있는 방법으로 주목된다. 본 논문에서는 기존의 이상 탐지 기법들을 기반으로, 흉부 X-RAY 영상에 대해 이상 탐지를 수행하는 방법을 다음과 같이 제안한다. (1) 최적 해상도로 샘플링된 의료 영상의 색상 범위를 정규화한다. (2) 무병변 영상으로부터 패치 단위로 구분된 중간 수준 특징 집합을 추출하여 그 중 높은 표현력을 가진 일부 특징 벡터들을 선정한다. (3) 최근접 이웃 탐색 알고리즘을 기반으로 미리 선정된 무병변(정상) 특징 벡터들과의 차이를 측정한다. 본 논문에서는 PA 방식으로 촬영된 흉부 X-RAY 영상들에 대한 제안 시스템의 이상 탐지 성능을 세부 조건에 따라 상세히 측정하여 제시한다. PadChest 데이터세트로부터 추출한 서브세트에 대해 0.705 분류 AUROC를 보임으로써 의료 영상에 대한 이상 탐지 적용의 효과를 입증하였다. 제안 시스템은 의료 기관의 임상 진단 워크플로우를 개선하는 데에 유용하게 사용될 수 있으며, 의료 서비스 접근성이 낮은 지역에서의 조기 진단을 효율적으로 지원할 수 있다.

Abstract ▼ AI-Helper

Even in recent years, treatment of first-aid patients is still often delayed due to a shortage of medical resources in marginalized areas. Research on automating the analysis of medical data to solve the problems of inaccessibility for medical services and shortage of medical personnel is ongoing. Computer vision-based medical inspection automation requires a lot of cost in data collection and labeling for training purposes. These problems stand out in the works of classifying lesion that are rare, or pathological features and pathogenesis that are difficult to clearly define visually. Anomaly detection is attracting as a method that can significantly reduce the cost of data collection by adopting an unsupervised learning strategy. In this paper, we propose methods for detecting abnormal images on chest X-RAY images as follows based on existing anomaly detection techniques. (1) Normalize the brightness range of medical images resampled as optimal resolution. (2) Some feature vectors with high representative power are selected in set of patch features extracted as intermediate-level from lesion-free images. (3) Measure the difference from the feature vectors of lesion-free data selected based on the nearest neighbor search algorithm. The proposed system can simultaneously perform anomaly classification and localization for each image. In this paper, the anomaly detection performance of the proposed system for chest X-RAY images of PA projection is measured and presented by detailed conditions. We demonstrate effect of anomaly detection for medical images by showing 0.705 classification AUROC for random subset extracted from the PadChest dataset. The proposed system can be usefully used to improve the clinical diagnosis workflow of medical institutions, and can effectively support early diagnosis in medically poor area.

주제어

표/그림 (14)

그림 (그림 1) 흉부 X-RAY 영상에 대한 이상 탐지 시스템 구조도 (Figure 1) Overall System Architecture Diagram for Anomaly Detection of Chest X-RAY Images
그림 (그림 2) 특징 벡터 변환 프로세스 (Figure 2) Transformation Process of Feature Vectors
그림 (그림 3) 코어-세트 선택 예시 (Figure 3) Example of Coreset Selection
표 (표 1) 흉부 X-RAY 영상에 대한 CLAHE 적용 예 (Table 1) Example of CLAHE application for chest X-RAY image
표 (표 2) 실험 환경 하드웨어 및 소프트웨어 (Table 2) Hardware and software environment in experiments
표 (표 3) 실험 기본 설정 (Table 3) Base Setting of Experiments
표 (표 4) PadChest에서 추출한 흉부 X-RAY 실험 데이터 세트 구성 (Table 4) Composition of chest X-RAY experimental dataset extracted from PadChest
표 (표 5) 진단 내역으로부터 라벨을 추출하기 위해 사용한 병명 키워드 목록 (Table 5) A list of disease name keywords applied to extract labels from diagnosis history
표 (표 6) k-Center-Greedy 거리 함수에 따른 성능 비교 (Table 6) Comparison of Performance according to Distance Function of k-Center-Greedy
그림 (그림 4) 제안하는 이상 탐지 시스템의 ROC 곡선 (Figure 4) ROC Curve of Proposed Anomaly Detection System
표 (표 7) 코어-세트 샘플링 비율에 따른 성능 비교 (Table 7) Comparison of Performance according to Coreset Sampling Ratio
표 (표 8) 입력 이미지 해상도에 따른 성능 비교 (Table 8) Comparison of Performance according to Input Image Resolution
표 (표 9) CLAHE 및 점수 정규화 적용에 따른 성능 비교 (Table 9) Comparison of Performance according to Adaptation of CLAHE & Score Normalization
표 (표 10) 이상맵 예측 결과 예시 (Table 10) Example of Anomaly Map Prediction

AI 본문요약
AI-Helper

문제 정의

본 논문에서는 제조업 불량 검출을 위한 이상 탐지 기법인 PatchCore를 기반으로 흉부 X-RAY 영상에 대해 병변 유무를 검출하는 방법을 제안하였다. 흉부 X-RAY를 비롯한 의료 영상에 대한 진단 자동화는 매우 어려운 작업이며, 비지도 학습 초기 분류 작업을 수행함으로써 향후 연구를 위한 데이터세트 생성에 도움이 될 수 있다.
본 논문에서는 흉부 X-Ray 영상에 대해 이상 탐지 기법을 적용한 각 기법의 성능을 비교한다. MVTec-AD 와 같은 제조업 불량 검출 작업에서 먼저 연구되었던 방법을 기반으로 의료 영상에서 병변 유무를 검출하는 방법과 그 결과를 제시한다.

가설 설정

Defard, Thomas, et al[15]은 신경망의 각 레이어로부터 추출한 특징 정보를 연결하는 방법을 제시하였다. 학습 단계에서는 패치 단위의 특징 벡터끼리 다변량 가우 시안분포(Multivariate Gaussian Normal)를 이룰 것이라 가정하며 측정된 공분산값을 기반으로 정상 데이터의 범위를 학습한다. 테스트 이미지의 특징 벡터로부터 훈련된 정상 특징까지의 Manhalanobis 거리를 계산하여 이상 탐지를 수행한다.

제안 방법

본 논문에서는 흉부 X-Ray 영상에 대해 이상 탐지 기법을 적용한 각 기법의 성능을 비교한다. MVTec-AD 와 같은 제조업 불량 검출 작업에서 먼저 연구되었던 방법을 기반으로 의료 영상에서 병변 유무를 검출하는 방법과 그 결과를 제시한다. 제안하는 방법은 Patch Core[8]를 기반으로 하며, 다음과 같은 방법으로 이상 탐지를 수행한다.
본 논문에서는 데이터 주도적인 학습 방법을 제안하며, 이는 데이터 특징 표현의 분포에 따라 이상 점수의 분포가 상이할 수 있음을 나타낸다. 특정 범위로 정규화되지 않은 이상 점수 값은 예측 값에 대해 활성화를 적용하고자 할 때 문제가 발생할 수 있다.
따라서 더 큰 해상도의 영상이 입력될 경우 특징 영상의 해상도를 임의로 낮추어 사용하는 것이 효과적이다. 본 연구에서는 (c*, 224, 224)를 초과하는 해상도의 영상이 입력되었을 경우, 적응적 평균 풀링(adaptive average pooling)을 수행하여 상기된 바와 같이 특징 영상의 해상도를 적정 수준으로 재조정한 후 앞서의 평균 풀링을 재차 수행한다.
본 연구에서는 PatchCore를 기반으로 흉부 X-RAY 영상에 대해 이상 탐지를 수행하는 시스템을 구현하였으며, 표 2의 하드웨어 및 소프트웨어 환경에서 실험하였다.
[13], [8] 에서 가장 높은 이상 탐지 성능을 보인 모델은 Image-Net 데이터세트로 훈련된 Wide-ResNet-50[22] 모델로, 해당 시스템들을 구현 및 분석한 결과 분류 작업을 목적으로 훈련되었음을 확인할 수 있었다. 본 연구에서는 서로 다른 데이터세트, 훈련 목적 및 네트워크 구조로 훈련된 모델을 활용하였으며, 각 모델의 이상 탐지 성능을 비교하여 제시한다.
제안하는 방법은 실험에 활용한 Pad-Chest 데이터 세트의 무작위 샘플 집합에 대해 분류 AUROC 0.705를 달성하였다.

대상 데이터

PadChest 데이터세트는 6만여 명의 환자로부터 수집한 16만장 이상의 흉부 X-ray 영상을 포함한다. X-ray 영상은 촬영 방식에 따라 PA(Posterior-Anterior) 또는 AP(Anterior Posterior) 및 lateral view 등으로 나뉘며, 촬영 방식에 따라 영상으로부터 확인할 수 있는 병리가 다르다.
CNN 모델의 특징정보는 중간 수준 계층까지는 유의미한 지역 특징 정보를 보존하고 있으나 출력 계층에 가까운 고수준 특징 정보는 지역적인 특징 정보를 잃는 경우가 많고, 사전 훈련을 위해 설정한 작업에 지나치게 편향되어 있다. 따라서 본 연구에서는 사전 훈련된 CNN 기반의 특징 추출 네트워크의 중간 계층 수준에서 추출한 특징 영상을 활용한다.
002의 Sampling Ratio를 부여했을 때는 메모리 부족으로 실험 진행이 불가능했다. 본 연구에서 사용하는 특징 추출 네트워크는 Wide-ResNet-50[22]으로, (224, 224) 해상도의 ImageNet 데이터 세트 영상으로 사전 훈련되었다. 따라서 기본 조건으로 (224, 224) 해상도를 부여하였으며, ($3.
표 1에서 CLAHE가 적용된 영상의 선명도가 향상됨을 확인할 수 있다. 본 연구에서는 원본 데이터세트의 (1024, 1024) 해상도 영상에 대해 타일 크기 64의 CLAHE 를 적용하여 실험하였다.
PadChest 데이터세트는 16-bit PNG 압축 영상으로 배포된다. 이 프로젝트에서는 넓은 범위의 밝기 값과 충분한 규모를 가진 PadChest 데이터세트를 훈련 및 테스트에 사용한다.

데이터처리

본 연구에서는 우선 k-Center-Greedy 연산에서 최적 거리를 얻기 위한 다양한 거리함수에 대해 실험하였으며, 그 결과는 표 6과 같다. 고정된 실험 조건에서 특정 거리함수를 사용했을 때 높은 성능을 보일수록 특징 벡터의 성격에 맞는 거리함수로 판단할 수 있다.
진단 레이블은 리스트 형태로 기재되어 있으며, 종양과 같이 특정 장기에 국한되지 않는 병변의 경우 진단명에 장기 및 병변 명을 모두 기재해 놓았다. 이 데이터 세트로 이상 탐지를 수행하기 위해서는 병변이 없는 정상 X-ray 영상과 병변 병리를 확인할 수 있는 비정상 X-ray 영상으로 구분해야 하므로, 표와 같은 질병 키워드를 활용하여 데이터세트 레이블을 분석하였다. 표 4, 5에서 실험에 사용한 데이터세트를 구성하는 영상의 수와 병명 키워드를 확인할 수 있다.

이론/모형

본 연구에서는 매우 많은 훈련 데이터를 사용하기 때문에 가능한 효율적인 알고리즘인 k-Center-Greedy를 채택하여 적용하였다. 코어-세트 서브샘플링은 미리 지정한 서브 샘플링 비율 λ에 따라 서브샘플의 크기를 제한한다.
이 점은 히스토그램 평활화의 결과에 매우 큰 영향을 미치며 모델의 데이터 학습에 혼란을 야기할 수 있다. 이에, 적응적 히스토그램 평활화 방법 중 하나인 CLAHE(Contrast Limited Adaptive Histogram Equalization)가 적용될 수 있다[25]. 표 1에서 CLAHE가 적용된 영상의 선명도가 향상됨을 확인할 수 있다.
MVTec-AD 와 같은 제조업 불량 검출 작업에서 먼저 연구되었던 방법을 기반으로 의료 영상에서 병변 유무를 검출하는 방법과 그 결과를 제시한다. 제안하는 방법은 Patch Core[8]를 기반으로 하며, 다음과 같은 방법으로 이상 탐지를 수행한다.
2)의 이상 점수 정규화 연산 수행 여부에 따른 실험 결과를 보인다. 평가에 사용한 지표는 AUROC(Area Under ROC curve) 로, 그래프 상에서 ROC(Receiver Operating Characteristics) 곡선의 하방 면적을 의미한다. 그림 4는 본 연구에서 제시하는 이상 탐지 시스템의 ROC 곡선 그래프를 보인다.

성능/효과

고정된 실험 조건에서 특정 거리함수를 사용했을 때 높은 성능을 보일수록 특징 벡터의 성격에 맞는 거리함수로 판단할 수 있다. 구현된 시스템에서는 유클리드 거리 함수를 사용할 때 가장 높은 이상 탐지 성능을 보였다.
본 연구에서 사용하는 특징 추출 네트워크는 Wide-ResNet-50[22]으로, (224, 224) 해상도의 ImageNet 데이터 세트 영상으로 사전 훈련되었다. 따라서 기본 조건으로 (224, 224) 해상도를 부여하였으며, ($3.1.1)의 적응적 평균 풀링을 적용하면 다른 해상도 영상을 입력하여도 효율적인 연산을 수행할 수 있다. 실험 결과에서는 (448, 448) 해상도로 영상을 입력했을 때 가장 높은 성능을 보이는 것으로 표 8에서 확인할 수 있다.
또한 임상 진단 워크플로우의 개선을 통해 실제 의료 현장에 적용될 가능성이 있다. 본 연구 결과는 PadChest 데이터 세트의 PA 방식으로 촬영된 서브세트에 대해 0.705 분류 AUROC를 보이며, 이는 지도학습 기반의 분류 성능에 비해 낮은 편이다. 그러나 정상 데이터의 범주를 정의하여 이에 벗어나는 비정상 데이터를 포착하는 시스템의 특성상 과적합(Overfitting) 문제가 발생하지 않으며, 시각적으로 확인 가능한 병리에 대해 일반적인 성능을 보일 것으로 기대할 수 있다.
표 7은 전체 특징 벡터 집합에서 코어-세트를 선정하는 비율을 변경하며 실험한 결과를 보인다. 실험 결과 가능한 높은 비율로 책정할수록 정상 데이터 분포의 경계를 세밀하게 정의할 수 있기 때문에 성능이 향상됨을 확인할 수 있다. 그러나 실험에 사용한 데이터세트의 규모와 실험 환경의 제약으로 인해 0.

후속연구

705 분류 AUROC를 보이며, 이는 지도학습 기반의 분류 성능에 비해 낮은 편이다. 그러나 정상 데이터의 범주를 정의하여 이에 벗어나는 비정상 데이터를 포착하는 시스템의 특성상 과적합(Overfitting) 문제가 발생하지 않으며, 시각적으로 확인 가능한 병리에 대해 일반적인 성능을 보일 것으로 기대할 수 있다. 향후 연구에서는 FPN을 적용한 모델 구조를 채택하여 객체 탐지 작업으로 훈련된 사전훈련 네트워크를 활용하여 실험할 예정이다.
흉부 X-RAY를 비롯한 의료 영상에 대한 진단 자동화는 매우 어려운 작업이며, 비지도 학습 초기 분류 작업을 수행함으로써 향후 연구를 위한 데이터세트 생성에 도움이 될 수 있다. 또한 임상 진단 워크플로우의 개선을 통해 실제 의료 현장에 적용될 가능성이 있다. 본 연구 결과는 PadChest 데이터 세트의 PA 방식으로 촬영된 서브세트에 대해 0.
또한, 흉부 Xray 영상으로부터 대략적인 흉부 영역을 잘라내는 Center Crop 방식이 아닌 Detect & Crop 방식으로 변경하여 실험할 것으로 계획하고 있으며, 이는 단순 영상 처리 기법으로 수행할 예정이다.
그러나 정상 데이터의 범주를 정의하여 이에 벗어나는 비정상 데이터를 포착하는 시스템의 특성상 과적합(Overfitting) 문제가 발생하지 않으며, 시각적으로 확인 가능한 병리에 대해 일반적인 성능을 보일 것으로 기대할 수 있다. 향후 연구에서는 FPN을 적용한 모델 구조를 채택하여 객체 탐지 작업으로 훈련된 사전훈련 네트워크를 활용하여 실험할 예정이다. FPN 구조상의 skip connection weight까지 활용하여 특징 벡터를 역방향 병합하는 방법을 고려하고 있다.
본 논문에서는 제조업 불량 검출을 위한 이상 탐지 기법인 PatchCore를 기반으로 흉부 X-RAY 영상에 대해 병변 유무를 검출하는 방법을 제안하였다. 흉부 X-RAY를 비롯한 의료 영상에 대한 진단 자동화는 매우 어려운 작업이며, 비지도 학습 초기 분류 작업을 수행함으로써 향후 연구를 위한 데이터세트 생성에 도움이 될 수 있다. 또한 임상 진단 워크플로우의 개선을 통해 실제 의료 현장에 적용될 가능성이 있다.

참고문헌 (25)

Stojanovic, L., Dinic, M., Stojanovic, N., & Stojadinovic, A., "Big-data-driven anomaly detection in industry (4.0): An approach and a case study.", 2016 IEEE international conference on big data (big data), pp. 1647-1652, 2016. http://dx.doi.org/10.1109/BigData.2016.7840777
Ahmed M., Mahmood A. N., Hu J., "A survey of network anomaly detection techniques.", Journal of Network and Computer Applications, No.60, pp.19-31, 2016. http://dx.doi.org/10.1016/j.jnca.2015.11.016

상세보기
Fernando T., Gammulle H., Denman S., Sridharan S., Fookes C., "Deep Learning for Medical Anomaly Detection-A Survey.", ACM Computing Surveys (CSUR), Vol.54, No.7, pp.1-37, 2021. https://doi.org/10.48550/arXiv.2012.02364
Bergmann P., Fauser M., Sattlegger D., Steger C., "MVTec AD--A comprehensive real-world dataset for unsupervised anomaly detection.", Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition., pp.9595-9600, 2019. http://dx.doi.org/10.1109/cvpr.2019.00982
Yu J., Zheng Y., Wang X., Li W., Wu Y., Zhao R., Wu L., "FastFlow: Unsupervised Anomaly Detection and Localization via 2D Normalizing Flows.", arXiv preprint arXiv:2111.07677, 2021. http://dx.doi.org/10.1109/wacv51458.2022.00188
Gudovskiy D., Ishizaka S., Kozuka K, "CFLOW-AD: Real-Time Unsupervised Anomaly Detection with Localization via Conditional Normalizing Flows.", arXiv preprint arXiv:2107.12571., 2021. http://dx.doi.org/10.1109/wacv51458.2022.00188
Nabulsi, Zaid, et al., "Deep learning for distinguishing normal versus abnormal chest radiographs and generalization to two unseen diseases tuberculosis and COVID-19.", Scientific Reports, Vol.11, No.1, pp.1-15, 2021. http://dx.doi.org/10.1038/s41598-021-93967-2

상세보기
Roth, Karsten, et al., "Towards Total Recall in Industrial Anomaly Detection.", arXiv preprint arXiv:2106.08265, 2021. https://doi.org/10.48550/arXiv.2106.08265
Huang, Chaoqing, et al., "Inverse-transform autoencoder for anomaly detection.", 2019. https://onikle.com/articles/9526
Carrara, Fabio, et al., "Combining gans and autoencoders for efficient anomaly detection.", 2020 25th International Conference on Pattern Recognition (ICPR). IEEE, 2021. http://dx.doi.org/10.1109/icpr48806.2021.9412253
Akcay, Samet, Amir Atapour-Abarghouei, and Toby P. Breckon., "Ganomaly: Semi-supervised anomaly detection via adversarial training.", Asian conference on computer vision. Springer, Cham, pp.622-637, 2018. https://doi.org/10.1007/978-3-030-20893-6_39
Nakao, Takahiro, et al., "Unsupervised Deep Anomaly Detection in Chest Radiographs.", Journal of Digital Imaging, pp.1-10, 2021. http://dx.doi.org/10.1007/s10278-020-00413-2

상세보기
Yi, Jihun, and Sungroh Yoon, "Patch svdd: Patch-level svdd for anomaly detection and segmentation.", Proceedings of the Asian Conference on Computer Vision., 2020. http://dx.doi.org/10.1007/978-3-030-69544-6_23
Hyun-Bin Kim, Jun-Chul Chun, "Anomaly localization system using industrial anomaly prediction results based on unsupervised methods", Proceedings of the 43th KSII Spring Conference, Vol. 22, Issue 2, 2021.
Defard, Thomas, et al., "PaDiM: a patch distribution modeling framework for anomaly detection and localization.", arXiv preprint arXiv:2011.08785, 2020. http://dx.doi.org/10.1007/978-3-030-68799-1_35
Cohen, Niv, and Yedid Hoshen., "Sub-image anomaly detection with deep pyramid correspondences.", arXiv preprint arXiv:2005.02357, 2020. https://doi.org/10.48550/arXiv.2005.02357
Kingma, Diederik P., Max Welling, "Auto-encoding variational Bayes.", arXiv preprint arXiv: 1312.6114, 2013. https://doi.org/10.48550/arXiv.1312.6114
Radford, Alec, Luke Metz, and Soumith Chintala, "Unsupervised representation learning with deep convolutional generative adversarial networks." arXiv preprint arXiv: 1511.06434, 2015. https://doi.org/10.48550/arXiv.1511.06434
Krizhevsky, Alex, Ilya Sutskever, and Geoffrey E. Hinton., "Imagenet classification with deep convolutional neural networks.", Advances in neural information processing systems, Vol.25, pp.1097-1105, 2012. http://dx.doi.org/10.1145/3065386

상세보기
Wang, Xiaosong, et al., "Chestx-ray8: Hospital-scale chest x-ray database and benchmarks on weakly-supervised classification and localization of common thorax diseases.", Proceedings of the IEEE conference on computer vision and pattern recognition., 2017. http://dx.doi.org/10.1109/cvpr.2017.369
Bustos, Aurelia, et al., "Padchest: A large chest x-ray image dataset with multi-label annotated reports.", Medical image analysis, 2020. http://dx.doi.org/10.1016/j.media.2020.101797

상세보기
Zagoruyko, Sergey, and Nikos Komodakis., "Wide residual networks.", arXiv preprint arXiv:1605.07146, 2016. http://dx.doi.org/10.5244/c.30.87
Gissin, Daniel, and Shai Shalev-Shwartz., "Discriminative active learning.", arXiv preprint arXiv:1907.06347, 2019. http://dx.doi.org/10.1007/978-981-10-2056-8_1
Sener, Ozan, and Silvio Savarese., "Active learning for convolutional neural networks: A core-set approach.", arXiv preprint arXiv:1708.00489, 2017. https://doi.org/10.48550/arXiv.1708.00489
Koonsanit, Kitti, et al., "Image enhancement on digital x-ray images using n-clahe.", 2017 10th Biomedical Engineering International Conference (BMEiCON). IEEE, 2017. http://dx.doi.org/10.1109/BMEiCON.2017.8229130

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