분류 전체보기200 Yottixel, SISH, RCCNet PreliminaryCBIR(content-based image retrieval): 이미지 내용기반 검색 방법. 주로 WSI을 패치화후 집계한 특징을 이용 주요 방법론Yottixel (2019, MIA)모자이크 생성입력: 하나의 WSI 패치화: 저해상도 조직 영역만 패치화 진행(5x)RGB 히스토그램계산: 각 패치의 모든 RGB histogram 계산컬러 기반 클러스터링: 2.에서 계산한 RGB 히스토그램을 벡터로 고려하여 클러스터링을 진행. (색상기반 클러스터, k=9)위치 내부클러스터링: 3.에서 계산한 각 클러스터 내부에서도 위치 기반으로 클러스터링을 한번 더 진행 (전체 패치의, 5%)BoB(Burnch of Barcodes) 계산:특징화: 모자이크 패치들을 DenseNet기반으로 특징화. 적.. 2025. 7. 23. Similar image search for histopathology: SMILY Similar Medical Images Like Yours (SMILY)방법론임베딩: CNN을 이용해서, 고정길이 벡터로 만듬아키텍처: Deep ranking network트리플렛(Triplet)기반:라벨도 주어짐(reference image) second image(I+), third image(다른클레스, I-)각 세개의 벡터의 쌍의 거리를 연산: D(I, I+) 평가방법Annotation기반 정량평가: 전문의가 사전에 패치 단위로 부위를 라벨하고, 검색을 한다음에 Top-5 accuray을 확인Prospective study (전향적 실험): 랜덤 검색결과와 SMILY 검색결과를 블라인드로 평가동일한 조직학적 특징인지? 동일한 장기(organ)에서 나온건지? 동일한 gradining인지 요약=>.. 2025. 7. 21. 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. 이전 1 2 3 4 ··· 34 다음
