혈액 점도는 주로 정상(steady) 유동에서 적혈구(RBC) 응집에 의해 전단률과 역비례한다. 그러나 이러한 역관계는 맥동(pulsatile) 유동 하에서 RBC 동역학의 시공간적 변이를 설명하기에는 부족하다. 본 연구는 맥동 유동 하에서 RBC 동역학과 혈액 점도를 결합하는 새로운 계산 모델에 근거하여 혈역학과 혈류학(hemorheology)의 관계를 규명하고자 하였다. 전혈 실험과 초음파 영상, 수치 시뮬레이션을 통합함으로써 국소 헤마토크릿의 시공간적 변이가 맥동 유동 하에서 혈액 점도의 국소적 변이를 유도함이 나타났다. 결과는 높은 헤마토크릿의 국소적 포물선형 분포가 RBC 응집과 맥동 유동 특성의 영향을 받아, 이는 다시 혈액 점도에 영향을 미친다는 것을 시사한다. 계산 분석은 맥동 유동의 가속 단계에서 헤마토크릿이 상승한 영역에서 국소 혈액 점도가 증가함을 뒷받침하였다. 국소 헤마토크릿과 RBC 동역학은 맥동 유동 하에서 혈액 점도에 영향을 미치는 데 핵심적인 역할을 하며, 혈류학적 요인과 혈역학적 요인을 함께 반영하는 것의 중요성을 강조한다. 이는 큰 동맥의 유동을 이해하고, 심혈관 질환의 진단 및 치료 접근을 잠재적으로 향상시키는 데 중요하다.

인도-태평양 큰부리돌고래(Indo-Pacific bottlenose dolphin, IPBD)(Tursiops aduncus )는 해양 생태계의 핵심 종이다. 사진동정(photo-identification, photo-ID)은 등지느러미의 고유한 특징에 근거하여 개체를 식별함으로써 돌고래 개체군을 연구하는 데 사용되는 기본적인 방법이다. 최근 학습 기반 photo-ID 알고리즘의 발전에도 불구하고, 이러한 모델을 위한 훈련 데이터의 부족은 알고리즘 정확도를 향상시키는 데 병목이 되고 있다. 본 연구에서는 합성 영상 생성과 딥러닝을 활용하여 사진 기반 IPBD 식별의 성능을 개선하고자 하였다. 우리는 30마리의 돌고래에 대해 7500장의 합성 등지느러미 이미지를 생성하였고, ResNet50을 이용한 맞춤형 삼중항(triplet) 신경망을 훈련하여 개체를 구별하였다. 해당 모델은 상위 10개 후보군 내에서 84.8%의 정확도, 상위 5개 후보군 내에서 72.2%의 정확도를 달성하여, 이러한 기술들이 IPBD 모니터링 및 보전 노력의 향상에 기여할 가능성을 보여주었다. • 합성 이미지 기반 전이학습은 데이터 희소성 문제를 극복한다. • 새로운 삼중항 신경망은 돌고래 photo ID에서의 세부 수준 특징 학습을 향상시킨다. • 유연한 모델은 재훈련 없이 새로운 개체를 처리할 수 있어 장기적 확장성을 가능하게 한다.