본문 바로가기

Deep Learning30

(작성 중...)[JIS] Deep Learning for Image Classification [JIS] Journal Introduction Summary: Deep Learning for Image Classification [Since 2017] 1. [EfficientNet] Tan, Mingxing, and Quoc Le. "Efficientnet: Rethinking model scaling for convolutional neural networks." International conference on machine learning. PMLR, 2019. 2. [NasNet] Zoph, Barret, et al. "Learning transferable architectures for scalable image recognition." Proceedings of the IEEE con.. 2023. 12. 26.
(작성 중...)[JIS] Deep Learning for Image Segmentation [JIS] Journal Introduction Summary: Deep Learning for Image Segmentation [Since 2020] 1. Zhou, Man, et al. "Deep fourier up-sampling." arXiv preprint arXiv:2210.05171 (2022). 2. (Swin-UNet) Cao, Hu, et al. "Swin-unet: Unet-like pure transformer for medical image segmentation." European conference on computer vision. Cham: Springer Nature Switzerland, 2022. 2. (Swin UNETR) Hatamizadeh, Ali, et al.. 2023. 11. 25.
[JR3] Deep Learning for Lung CT Slice Thickness Reduction Journal Review in 3 lines: Deep Learning for Lung CT Slice Thickness Reduction [Since 2020] 1. Hamabuchi, Nayu, et al. "Effectiveness of deep learning reconstruction on standard to ultra-low-dose high-definition chest CT images." Japanese journal of radiology 41.12 (2023): 1373-1388. 2. Wu, Shuqiong, et al. "Computed Tomography slice interpolation in the longitudinal direction based on deep lear.. 2023. 11. 24.
Handa et al., 2022, Novel Artificial Intelligence-based Technology for Chest Computed Tomography Analysis of Idiopathic Pulmonary Fibrosis # 세줄 요약 # 연구 목적: 흉부 CT 영상에서 폐 조직(parenchymal)과 기도(airway)에서의 병변을 검출하는 인공지능 분석 소프트웨어를 개발하고, IPF(idiopathic pulmonary fibrosis; 특발성 폐 섬유증)를 가진 환자들의 예후를 예측 하는 것. 저자들은 고해상도 CT (high-resolution CT; HRCT) 304개를 가지고 자동으로 10가지 유형의 폐 조직 패턴(+기도)을 정량화하는 AIQCT(artificial intelligence-based quantitative CT image analysis software)를 개발하였고, 이후 개발된 AIQCT를 IPF를 가진 환자 120명의 HRCT 영상에 적용하여 병변의 볼륨과 생존률과의 관계를 분석하였다. .. 2023. 6. 9.
Park et al., 2021, Computer-aided Detection of Subsolid Nodules at Chest CT: Improved Performance with Deep Learning-based CT Section Thickness Reduction # 세줄 요약 # 목적: CT section Thickness에 따라 CAD(Computer Aided Diagnosis)의 SSN(subsolid nodules) 검출 성능을 비교해보고, 딥러닝 기반의 super-resolution 기술을 적용하여 CT section Thickness를 변화시켰을 때 검출 성능이 향상되는지를 확인하는 것이 연구 목표이다. 방법: Lung CT 영상은 thick setction에 따라 각각 1, 3, 5mm 영상들을 모두 가진 환자들의 데이터를 모았으며(SSN은 6~30mm 이내의 결절들만 ground-truth로 레이블링), 각 thick setction에 따라 CAD로 검출을 시키고 추가로 3, 5mm thickness 영상들은 1mm thickness로 super-.. 2023. 5. 2.
[upU-net] Benfenati, 2022, upU-Net Approaches for Background Emission Removal in Fluorescence Microscopy # 세줄 요약 # 자동형광(auto-fluorescence)은 형광현미경(fluorescence microscopy) 영상에서 목표한 대상 물체를 관측하는데 장애물이 되는 아티팩트(artifact)를 만들어내기에, 저자들은 "upU-net"이라 명명한 U-net의 수정 모델을 가지고 딥러닝을 통해 이렇게 배경에서 방출된 아티팩트를 fluorescence confocal microscopy images에서 제거하는 연구를 수행하였다. upU-net을 학습하고 테스트하기 위하여 psf(point spread function)와 Perlin noise를 사용하여 실제 형광 현미경 영상과 거의 유사한 영상들을 만들어 실험을 하였고, 그 결과 배경이 제거되는 것은 물론이고 신경망이 영상을 재구축하면서 Guassi.. 2023. 2. 28.
[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] 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.
[Review] Liu, Jin, et al., 2021, A survey on applications of deep learning in microscopy image analysis. # Three-line Summary # Microscopy images typically vary in signal-to-noise ratios and include a wealth of information that requires multiple parameters and time-consuming iterative algorithms for processing, but deep learning technologies develop quickly, and they have been applied in bioimage processing more and more frequently. This review article introduces the applications of deep learning a.. 2022. 9. 27.

티스토리툴바