본문 바로가기

딥러닝44

[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.
[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.
Wang et al., 2019, Pathology Image Analysis Using Segmentation Deep Learning Algorithms. # 세줄 요약 # With the rapid development of image scanning techniques and visualization software, whole slide imaging (WSI) is becoming a routine diagnostic method. Deep learning-based pathology image segmentation has become an important tool in WSI analysis because that algorithms such as fully convolutional networks stand out for their accuracy, computational efficiency, and generalizability. In t.. 2021. 12. 20.
Hwang et al, 2019, Development and Validation of a Deep Learning-Based Automated Detection Algorithm for Major Thoracic Diseases on Chest Radiographs. # 세줄 요약 # To develop a deep learning-based algorithm that can classify normal and abnormal results from chest radiographs with major thoracic diseases (pulmonary malignant neoplasm, active tuberculosis, pneumonia, pneumothorax). This diagnostic study developed a deep learning-based algorithm using single-center data (chest radiographs: 54,221 normal findings; 35,613 abnormal findings) and extern.. 2021. 10. 20.
Depthwise Separable convolution이 기존의 convolution 보다 연산량이 적은 이유 # 세줄 요약 # Depthwise separable convolution 은 각 채널별로 나누어 각각의 feature map에 대해 1-channel convolution을 연산하는 depthwise 단계와 채널별로 구해진 feature map을 1x1 kernal convolution으로 하나의 channel로 합성시키는 separable 단계로 이루어져 있다. 일반적인 convolution의 연산량은 다음의 식으로 계산한다: (kernel size)^2 * (input channel number) * (input_size)^2 * (output channel number) * (output size)^2 Depthwise separable convolution의 경우 depthwise 단계에서 in.. 2021. 8. 25.
Kanavati et al., 2021, A deep learning model for the classification of indeterminate lung carcinoma in biopsy whole slide images # 세줄 요약 # The differentiation between major histological types of lung cancer, such as adenocarcinoma (ADC), squamous cell carcinoma (SCC), and small-cell lung cancer (SCLS) is of crucial importance for determining optimum cancer treatment. Hematoxylin and Eosin (H&E)-stained slides of small transbronchial lung biopsy (TBLB) are one of the primary sources for making a diagnosis, but if this diag.. 2021. 7. 18.
[GoogLeNet] Szegedy et al., 2015, Going Deeper with Convolutions # 세줄요약 # 'Inception'이라고 불리는 새로운 모듈로 구성한 Deep CNN(Convolutional Neural Network), 일명 'GoogLeNet' 을 처음으로 소개한 논문으로, GoogleNet은 ILSVRC14(ImageNet Large-Scale Visual Recoginition Challenge 2014)에서 Classification과 Detection 모두에서 최고의 성능을 보였다. Inception 모듈은 multi-scale processing과 Hebbian principle에서 영감을 얻어 이전 층의 특성지도(feature map)를 다양한 크기의 필터(1x1, 3x3, 5x5, pooling)로 병렬처리한 이후 다시 하나의 출력으로 합치는 구조를 가지고 있다. .. 2020. 12. 16.
케라스 창시자에게 배우는 딥러닝 - 7. 딥러닝을 위한 고급 도구 # 세줄 요약 # 다중 입력, 다중 출력, 복잡한 네트워크 topology를 갖는 모델의 경우 케라스에서는 함수형API를 사용하며, Input layer와 output layer들을 정의한 후 마지막에 'Model([input_1, input_2], [output_1, output_2, output3])'과 같은 함수의 형태로 묶어줘야 한다. 케라스 콜백(callback)은 모델의 fit() 메서드가 호출될 떄 전달되는 객체로서 모델 체크포인트 저장, 조기 종료(early stopping), 하이퍼 파라미터 동적 조정(ex. Learning rate), 텐서보드 시각화 등이 있다. 딥러닝 모델의 성능을 최대한으로 끌어올리는 방법에는 Batch Normalization, Separable Convoluti.. 2020. 12. 8.
케라스 창시자에게 배우는 딥러닝 - 6. 텍스트와 시퀀스를 위한 딥러닝 # 세줄요약 # 텍스트를 다루려면 텍스트를 단어, 문자, n-그램 단위로 나눠주는 토큰화(tokenization)라는 작업을 해주어야 하며, 이러한 토큰화에는 단순히 0, 1을 이용하여 행렬 배치해주는 '원핫 인코딩(one-hot encoding)'과 학습을 통해 단어 벡터(word vector)로 만들어주는 '단어 임베딩(word embedding)' 두가지 방법이 존재한다. 시퀀스 또는 시계열 데이터인 자연어 처리를 위해서는 네트워크가 전체 시퀀스의 흐름을 분석할 필요가 있고, 따라서 시퀀스의 원소를 순회하며 처리한 상태를 저장하고, 이전의 처리한 정보를 재사용하는 순환신경망(RNN: Recurrent Neural Network)이 주로 사용된다. 순환신경망(RNN)에서 주로 쓰이는 층(layer)로.. 2020. 12. 3.
케라스 창시자에게 배우는 딥러닝 - 5. 컴퓨터 비전을 위한 딥러닝 # 세줄 요약 # 합성곱 신경망(Convolutional Neural Network)은 합성곱층(Convolutional layer)와 풀링층(Pooling layer)로 이루어진 신경망을 의미하며, 시각적인 문제(Computer Vision)를 다루는데 가장 강력한 툴이다. 적은 이미지 데이터셋을 가지고 있을때 효과적인 방법은 사전 훈련된 네트워크(pretrained network)를 이용하여 특성 추출(feature extraction) 또는 미세 조정(fine tunning) 방법을 사용하는 것이다. 일반적인 딥러닝 모델이 블랙박스(학습 과정을 사람이 이해하기 어려움)인 것에 반해 시각적인 패턴을 학습하는 합성곱 신경망은 중간층의 출력(feature map), 필터(filter)와 클래스 활성화에 .. 2020. 11. 16.

티스토리툴바