본문 바로가기

논문 리뷰46

[FCN] Long et al., 2015, Fully Convolutional Networks for Semantic Segmentation # 세줄 요약 # 저자들이 소개한 FCN은 엔드 투 엔드(end-to-end), 픽셀에서 픽셀로(pixels-to-pixels) 학습되어, 즉 입력으로도 '영상'이 들어가고, 출력에서도 분할된 '영상'이 나오는 시멘틱 분할(semantic segmentation)에서 가장 높은 성능을 보인 합성곱 신경망이다. FCN의 핵심은 네트워크 이름에도 들어가 있듯이 'Fully convolutional Network'(완전 연결된 합성곱 신경망) 구조가 핵심 아이디어이며, 이를 구현하기 위해서 기존의 분류에 사용된 합성곱신경망 모델인 AlexNet, VGG, GoogLeNet 등을 기본모델(baseline model)로 사용하고, 이들 모델의 학습된 웨이트(weight)를 미세조정(fine-tuning)하여 분할.. 2022. 11. 24.
[Review] Yamanaka et al., 2014, Introduction to super-resolution microscopy (* 작성 중...;~2022.11.23) # 세줄 요약 # 저자들은 최근에 개발된 현미경 영상의 공간 해상도를 향상시킨 초해상도 현미경법의 원리를 소개하고 있다. 이러한 초해상도 기술들은 빛과 형광탐침(fluorescent probes)들의 상호작용을 이용하여 회절 장벽(diffraction barrier)을 깸으로서 공간해상도의 한계를 극복할 수 있었다. 이러한 각각의 초해상도 현미경법 영상처리 기술의 특징들을 기존의 전통적인 영상처리 기술들과 비교해볼 것이다. # 상세 리뷰 # 1. Introduction 광학 현미경은 우리가 미생물, 세포, 조직과 장기 등을 살아있는 상태에서 영상을 찍어 조사가 가능하도록 하였기에, 생물학과 의학 분야에서 매우 중요한 도구로 사용되고 있다. 특히 형광 탐침(flu.. 2022. 11. 6.
[Review] Minaee et al., 2021, Image Segmentation Using Deep Learning: A Survey (* 작성 중; ~2022.11.04) # 세줄 요약 # 이미지 분할(Image segmentation)은 컴퓨터 비전(computer vision)과 영상처리(image processing)에서 가장 중요한 업무 중의 하나로 장면 이해, 의료 영상 분석, 로봇 인식, 비디오 감시, 증강 현실, 이미지 압축 등의 다양한 분야에서 여러 분할 알고리즘들이 선행 연구 문헌에서 발견된다. 저자들은 최근 문헌들을 뒤져서 픽셀 단위에서 작동하는 semantic and instance segmentation 합성곱 신경망, 인코더-디코더 구조, 다양한 스케일에서 피라미드 구조 접근법, 순환 신경망, 시각적 집중 모델(visual attention models), 적대적 생성 신경망(generative models i.. 2022. 10. 21.
[Review] Belthangady & Royer, 2019, Applications, promises, and pitfalls of deep learning for fluorescence image reconstruction. # 세줄 요약 # 딥러닝은 형광현미경법(fluorescence miroscopy)에서 영상 재구현(image reconstruction)을 하는데 중요한 툴이 되고 있다. 저자들은 영상 재구현과 초고해상도 이미징(super-resolution imaging)에서 가장 최신 기술의 적용 사례들을 리뷰하고, 가장 최근의 딥러닝 연구들이 영상 재구현 연구에 어떻게 적용되고 있는지 논의하고자 한다. 저자들은 학습데이터 수집, 영상에서 보이지 않는 구조의 재현 가능성, 재구현된 이미지의 위험성 등의 딥러닝을 사용할 때의 핵심 이슈들에 대해서도 논의하고 있다. # 상세 리뷰 # 1. 서론 형광현미경법(Fluorescence microscopy)은 생물학자들에게 있어 생물을 분자단위에서 생체구조와 작동 방식을 연구할.. 2022. 10. 9.
Chamier et al., 2019, Artificial intelligence for microscopy: what you should know # Three-line Summary # Artificial Intelligence based on Deep Learning (DL) is opening new horizons in biomedical research and promises to revolutionize the microscopy field. We introduce recent developments in DL applied to microscopy in a manner accessible to non-experts. We discuss how DL shows an outstanding potential to push the limits of microscopy, enhancing resolution, signal, and informa.. 2022. 9. 2.
[U-Net] Ronneberger et al., 2015, U-Net: Convolutional Networks for Biomedical Image Segmentation. # Three-line Summary # We present a network and training strategy that relies on the strong use of data augmentation to use the available annotated samples more efficiently. The architecture consists of a contracting path to capture context and a symmetric expanding path that enables precise localization. Using the network trained on transmitted light microscopy images, we won the ISBI cell trac.. 2022. 8. 11.
[ANNA-PALM] Ouyang et al., 2018, Deep learning massively accelerates super-resolution localization microscopy # 세줄 요약 # 초고해상도 현미경법(Super-resolution microscopy method)의 영상 획득 속도는 단일 분자의 위치 결정(single-molecule localization)에 영향을 받게 되는데, 예를 들어 PALM과 STORM의 경우, 한번에 약 수십개 정도의 적은 수의 분자들만이 관측되는 단일 분자 영상 수천장을 합성하여 만들게 된다. 저자들은 최근에 컴퓨터 비전 분야에 각광받는 인공 신경망(Artificial Neural Network; ANN)을 사용하여, 훨씬 적은 수의 단일 분자 영상들과 widefield 영상를 가지고 초고해상도 형광현미경 영상(fluorescence image)을 재구현(reconstruction)하는 ANNA-PALM 모델을 소개하였다. 이 ANN.. 2022. 6. 22.
심상희, 2018, 단일분자 위치측정을 이용한 초해상도 형광 현미경법 # 세줄 요약 # 형광 현미경은 형광물질의 방출빛 만을 선택적으로 검출함으로써 높은 감도로 특정 분자만을 선택적으로 가시화할 수 있어 현대 생물학의 필수도구가 되었으나, 단일 분자의 경우 가시광의 회절 무늬보다 훨씬 작기 때문에 단일 분자의 이미지는 광학적 회절현상으로 결정되어 수백 나노미터의 회절 무늬를 가지는 한계가 있었다. 그러나 이미지가 겹치치 않을 정도의 소수의 분자들만 일시적으로 형광을 켜고 끌 수 있다면 이들의 위치를 정확하게 알 수 있으므로, 빛에 의하여 끄고 켤 수 있는 유기 염료나 형광 단백질을 사용하여 분자들을 끄고 켜면서 정확하게 그 위치를 측정하고 전체 구조를 초고해상도 이미지로 재현하는 형광 현미경법을 STORM(stochastic reconstruction microscopy).. 2022. 6. 15.
[Inception V3] Szegedy et al., 2016, Rethinking the Inception Architecture for Computer Vision # 세줄 요약 # Since 2014 very deep convolutional networks started to become mainstream, yielding substantial gains in various benchmarks. We are exploring ways to scale up networks in ways that aim at utilizing the added computation as efficiently as possible by suitably factorized convolutions and aggressive regularization. We benchmark our methods on the ILSVRC 2012 classification challenge valida.. 2022. 4. 11.
[MobileNet] Howard et al., 2017, MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications # 세줄 요약 # MobileNets are based on a streamlined architecture that uses depthwise separable convolutions to build light weight deep neural networks. We introduce two simple global hyper-parameters that efficiently trade off between latency and accuracy. We present extensive experiments on resource and accuracy tradeoffs and show strong performance compared to other popular models on ImageNet clas.. 2022. 3. 21.

티스토리툴바