뇌종양은 가장 치명적이고 파괴적이며 공격적인 질환 중 하나로 여겨지며, 환자의 기대수명을 유의하게 감소시킨다. 이러한 이유로 본 연구는 뇌종양 진단의 발전을 추구하면서, 자기공명영상(MRI) 뇌 스캔 분석을 위해 특화된 Enhanced Spatial Attention(ESA) 층을 통합하여 YOLOv5m 모델에 대한 중요한 성능 향상을 제시한다. 기존의 뇌종양 탐지 방법은 MRI에 대한 전문가의 해석에 크게 의존하는데, 이 과정은 높은 변이성과 인간 오류의 위험과 같은 어려움이 따른다. 본 연구의 혁신적인 접근은 ESA 층을 활용하여 두드러진 특징에 즉각적으로 집중함으로써, 일반적인 뇌종양—수막종, 뇌하수체, 그리고 신경교종—간의 구별 능력을 유의하게 향상시킨다. 향상된 정밀도로 공간 특징을 처리함으로써 모델은 위양성(false positive)을 최소화하고 탐지의 신뢰도를 극대화한다. 233명의 환자로부터 획득한 3064장의 T1 가중 조영 증강 MRI 이미지로 구성된 포괄적 데이터셋으로 검증한 결과, 수정된 YOLOv5m 아키텍처는 표준 모델에 비해 우수한 성능 지표를 보였으며, 자동화되고 정밀한 뇌종양 진단을 위한 임상 적용에서의 견고한 도구로서의 잠재력을 시사한다.

합성곱 신경망(convolutional neural networks, CNNs)은 얼굴 인식과 같은 많은 컴퓨터 비전 응용에서 널리 사용되는, 중요하고 강력한 인공지능 접근법으로 점차 인식되고 있다. CNN의 중요성은 복잡한 패턴을 인식하는 데 필수적인 계층적 특징을 학습·획득할 수 있는 능력에 있다. 그럼에도 불구하고 CNN의 복잡한 네트워크 설계는 상당한 계산 요구량을 초래한다. 이러한 문제를 해결하기 위해서는, CNN을 가속하기 위한 field-programmable gate arrays(FPGAs) 기반 시스템을 구축하는 것이 필수적이다. FPGA는 빠른 개발 역량, 에너지 효율성, 지연 시간 감소, 그리고 고도화된 재구성 가능성을 제공한다. 본 연구에서는 딥러닝을 활용한 얼굴 인식 솔루션을 제안하고, 이를 FPGA 플랫폼에 배치한다. 이 시스템은 특정 장소에 출입/접근하는 데 필요한 권한을 개인이 보유하고 있는지 여부를 감지한다. FPGA는 어떠한 인터넷 연결도 없이, 최대한의 보안 수준에서 이 시스템을 처리하는 역할을 담당한다. AlexNet, ResNet, VGG-16을 포함한 다양한 얼굴 인식 네트워크가 구현된다. 제안된 방법의 결과는, 계산 자원 요구량이 더 낮고 처리 속도 및 정확도가 우수하여 GoogLeNet 네트워크가 가장 적합함을 입증한다. 또한 본 시스템은 정확도, 지연 시간, 비용, 전력 소모의 관점에서 서로 다른 프로그래밍 접근의 성능을 평가하기 위해 세 가지 하드웨어 키트에 배치되었다. Raspberry Pi-3B 키트에서의 소프트웨어 프로그래밍은 약 70–75%의 인식 정확도를 보였으며, 처리를 위해 안정적인 인터넷 연결에 의존하였다. 인터넷 연결에 대한 이러한 의존성은 대역폭 소비를 증가시키고, ZYBO-Z7 보드의 하드웨어 프로그래밍과는 달리 요구되는 보안 기준을 충족하지 못한다. 그럼에도 불구하고 PYNQ-Z2 보드에서의 하드웨어/소프트웨어 공동 설계는 85%~87%의 정확도 수준을 달성하였다. 이 시스템은 인터넷 연결과 무관하게 독립적으로 동작하여 독립형 시스템이 되며, 비용도 절감된다.