전체 글198 Scoping review vs Systematic view 차이 Scoping reviewSystematic review연구목적연구 전반을 지도처럼 매핑하여 범위,분포,연구공백파악특정 질문에 대한 가장 신뢰할만한 근거를 종합/권고연구 질문 형태넓고 탐색적"무엇이 존재하는가?"좁고 구체적"A가 B에 효과적인가?"검색 범위 선정 기준포함/제외 기준이 우연연구 설계 제한 적음RCT등 기준을 엄격히 규정비판적 질 평가선택 사항(필수 X)필수데이터 합성빈도/주제별 서술/도식화 (메타분석 거의X)정량(메타분석) 또는 정성 조합으로 효과 추정치제시결과 산출물개념 지도효과 크기근거 수준보고 지침JBI methdologyhttps://jbi.global/scoping-review-network/resourcesPRISMA 2020 27하옴ㄱ프로토콜 등록권장필수에 가까움소요시간주제/.. 2025. 7. 5. Cellpose: a generalist algorithm for cellular segmentation PreliminaryInstance segmentation: total loss = class loss + bbox loss + masking lossmasking loss은 인스터별로 BCE을적 Motivation현미경이미지에서 Cell segmentation을 진행하는게 데이터에 특이적이라 일반화가 어려움.그래서, Data Science Bowl challange을 2019년에 열었고, 이 Cellpose 논문은 이 챌린지의 후속작으로 데이터를 더 많이 모은 Data Science Bowl challange에서는 핵을 주로 찾는 대회였는데, 이 연구에서는 더 다양한 이미지의 세포를 분절하는게 목적 Methods: Instance segmentation model마스킹 변환Cell mask predi.. 2025. 6. 25. Delving into Out-of-Distribution Detection with Vision-Language Representations Motivation대부분의 OOD 문제는 Single modality임. 언어모델과 비쥬얼모델의 결합으로 더 풍부하게 표현 가능함Zero-shot OOD detection 진행 MethodsZero-shot OOD: 목표Known class에 해당하는지(ID) 아닌지(OOD) 여부를 결정.알고있는 샘플(ID)라면, known class에서 클레스를 할 Concept matching입력 텍스트: $t_{i}$Text encoder: $\mathcal{T}$입력 이미지: $\mathcal{x}'$Image encoder: $\mathcal{I}$텍스트와 이미지의 코사인유사도: $ s_{i}\mathcal(x) = \frac{ \mathcal{I}(x') \cdot \mathcal{T}(t_{i})}{.. 2025. 6. 24. Out-of-distribution detection in digital pathology: Do foundation models bring the end to reconstruction-based approaches Out-of-distribution detection in digital pathology: Do foundation models bring the end to reconstruction-based approaches, Computers in Biology and Medicine, 2025 MotivationFoundation models(FM)이 분류문제에서도 도움이 꽤 되는데, OOD detection에서도 도움되지 않을까Difusion으로 Reconstruction based OOM은 계산비용이 크기에, latent difusion model (LDM)과 step을 줘보자 MethodsLDM 모델이미지를 임베딩: $z=\varepsilon(x)$ (인코더 파트)노이즈를 추가: $z_{t}=z_{0.. 2025. 6. 24. Learning Image Representations for Anomaly Detection: Application to Discovery of Histological Alterations in Drug Development Motivation약물 독성 연구에서 전형적인 병리적 이상(anomaly)을 사람이 일일이 찾아야 함.그리고 찾아야하는 병적 분류(class)도 정의되어있지 않으면 찾기도 어려움. Methods1. 정상조직에 대한 표현 학습(representation learning)total loss = center_loss + classification loss: classification loss에 사용되는 분류(종 분류 * 장기분류* 염색분류, 16개)CNN + global average pooling: 8x8xC -> 1x1xC로 압축. 다양한 해상도 가능 + 병리이미지는 패치내에 동등한 중요center loss: feature-map hypersphere 의 크기를 작게 (=정상조직의 임베딩은 공간상에 잘 뭉.. 2025. 6. 23. Creating an atlas of normal tissue for pruning WSI patching through anomaly detection PreliminaryYottixel: 병리이미지 검색(슬라이드 단위) RGB히스토그램 기반 패치 클러스터링 방법. 패치를 뽑는 과정에서 작위적일 수 있다는 단점이 있음. Motivation데이터베이스 구축(index dataset=Atlas)병리의사는 normal histology에 대해서 정확히 알고 있어서, 병리적인 판단할 때 정상부분은 무시하고 비정상 부분에 대해서 집중함.이것을 AI로 구현하려면 normal tissue인 패치를 구분 Methods: One-class classifierdatasetcSCC(cutaneous squamous cell carcinoma): 660 슬라이드Breast tissue: 21WSIs, 432 WSIs(for validation) Normal altas 생성:.. 2025. 6. 23. 이전 1 2 3 4 ··· 33 다음
