논문리뷰10 [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. Blakeslee et al., 2012, Optical and Infrared Photometry of Globular Clusters in NGC 1399: Evidence for Color–Metarllicity Nonlinearity # 세줄요약 # We combine new Wide Field Camera 3 IR Channel (WFC3/IR) F160W (H160) imaging data for NGC 1399, the central galaxy in the Fornax cluster, with archival F475W (g475), F606W (V606), F814W (I814), and F850LP (z850) optical data from the Advanced Camera for Surveys (ACS). Consistent with the differing color distributions, the dependence of I814−H160 on g475−I814 for the matched GC sample is.. 2021. 8. 2. Yoon et al., 2006, Explaining the Color Distributions of Globular Cluster Systems in Elliptical Galaxies # 세줄 요약 # The globular clusters(GC) in most large elliptical galaxies have color-bimodal distribution that means the presence of two cluster subpopulations that have different geneses(ex. Milky Way). But Horizontal-Branch(HB) stars can make nonlinear nature of the metallicity-to-color transformation, a coeval group of old clusters with a unimodal metallicity spread can exhibit color bimodality. .. 2020. 7. 24. Wang et al., 2019, Lung Cancer Detection using Co-learning from Chest CT Images and Clinical Demographics # 세줄요약 # 폐암진단에 있어 위양성(False Postive)를 줄이기 위해 저자 그룹은 CT 영상과 함께 진단 통계 자료(Clinical Demographics)를 동시에 학습시켰으며, 사용한 데이터셋은 "Molecular and Cellular Characterization of Screen-Detected Lesions (MCL)"이다. 3D CT 영상 학습에는 3D Attention-Based CNN(Convolutional Neural Network)을 사용하였고, 이미지 특성(image features)과 진단 정보(Clinical Information) 학습에는 Random Foreset Classifier를 사용하였다. 영상 정보와 진단 정보를 함께 학습시킨 결과(AUC = 0.787).. 2020. 3. 10. Choi & Jin, 2018, Predicting Cognitive Decline with Deep Learning of Brain Metabolism and Amyloid Imaging # 세줄요약 # 인간에게 치명적인 인지기능 장애를 가져오는 알츠하이머 질병을 진단하기 위하여 CNN 기반의 진단 알고리즘을 개발하였으며, 먼저 AD(Alzheimer Disease)와 NC(Normal Control)을 분류하는 모델을 먼저 학습시킨 후, MCI(Mild Cognitive Inpairment) 환자들이 치매로 전환(Converter or Nonconverter)되는지를 학습시켰다. 학습 데이터로는 ADNI 오픈 데이터셋의 FDG와 AV-45 PET 영상들을 사용하였으며, 이때 딥러닝은 특성 추출을 자동으로 하기에 Spatial Normalization 같이 뇌영상에서 전통적으로 사용되던 영상처리 기법들은 적용하지 않았다. 학습 결과 AD vs NC 환자 분류와 MCI 환자들 중 AD 환자.. 2020. 2. 24. 김한웅 외., 2017, 폐 결절 검출을 위한 합성곱 신경망의 성능 개선 # 세줄요약 # 폐 영상 CAD(Computer Aided Detection) 시스템에서 결절과 비 결절(3mm 이상 결절, 3mm 이하 결절, 결절이 아닌 병변)로 구성된 ROI 영상을 분류하는 합성곱 신경망을 제안. LIDC 데이터셋을 사용하였으며, Hounsfiled Unit으로 변환하여 Window Setting으로 전처리한 이미지에서 방사선 전문의들의 판독결과를 바탕으로 ROI 영상 61404(Train Set: 52623, Test Set: 8781) 장을 추출. 총 14개의 레이어로 이루어진 합성곱 신경망(Convolution Layer = 8, Fully Connected Layer = 4)에 L1, L2 Nomalization, Data Augmentation 등을 사용하여 과적합을 완화.. 2020. 2. 5. Ardila et al., 2019, End-to-end lung cancer screening with three-dimensional deep learning on low-dose chest computed tomography # 세줄요약 # We propose a deep learning algorithm that uses a patient’s current and prior computed tomography volumes to predict the risk of lung cancer. Our model achieves a state-of-the-art performance (94.4% area under the curve) on 6,716 National Lung Cancer Screening Trial cases, and performs similarly on an independent clinical validation set of 1,139 cases. We conducted two reader studies: Fi.. 2019. 11. 11. Liao et al., 2017, Evaluate the Malignancy of Pulmonary Nodules Using the 3D Deep Leaky Noisy-or Network # 세줄요약 # Automatic diagnosing lung cancer from Computed Tomography (CT) scans involves two steps: detect all suspicious lesions (pulmonary nodules) and evaluate the whole-lung/pulmonary malignancy. The model consists of two modules, the first one is a 3D region proposal network for nodule detection, which outputs all suspicious nodules for a subject, then the second one selects the top five nodu.. 2019. 11. 11. Nasrullah et al., 2019, Automated Lung Nodule Detection and Classification Using Deep Learning Combined with Multiple Strategies # 세줄요약 # 높은 사망률을 가지는 폐암을 조기 진단하기 위하여 폐 CT 영상에서 딥러닝을 이용한 기존의 많은 폐결절(Lung Nodule) 진단 알고리즘이 연구되어 왔으나, 거짓 양성(False Positive)를 구분해내는 것이 어려워 이 논문에서는 환자들의 진단 정보(Clinical Information)를 딥러닝 학습에 함께 사용하였다. 따라서 폐 결절 진단 알고리즘은 여러 단계로 구성되며, 폐 CT 영상을 이용한 영상 딥러닝에서는 CMixNet(Customized mixed link Network)을 기반으로 faster R-CNN을 이용한 결절 포착(Nodule Detection) 단계와 GBM(Gradient Boosting Machine)을 이용한 결절 분류(Nodule Classific.. 2019. 11. 11. Jo et al., 2019, Deep Learning in Alzheimer's Disease: Diagnostic Classification and Prognostic Prediction Using Neuroimaging Data. # 세줄요약 # 최근 뇌영상 처리(Neuroimaging Techniques) 기법들의 빠른 발전과 MRI, PET 등 다양한 종류에서 방대한 양의 뇌영상 데이터들이 나오면서, 딥러닝을 이용하여 알츠하이머 질병의 조기 발견과 자동 분류를 해주는 진단 모델들이 연구 및 개발되고 있다. 이 논문에서는 그러한 알츠하이머 진단 모델들의 기존 연구들을 평가하고 정리하기 위해 총 16개의 논문들을 리뷰하였으며, 그 중 4개는 딥러닝과 함께 전통적인 머신러닝 기법을 사용한 연구들이고, 나머지 12개는 오직 딥러닝 기법만 사용한 연구들이다. 딥러닝 기법은 기존의 전통적인 머신러닝 기법에서 전제되는 특성 추출을 위한 복잡하고 어려운 뇌 영상 처리 기법들을 적용할 필요가 없기에, 현재 다양한 종류의 뇌영상(MRI, PET.. 2019. 10. 15. 이전 1 다음
