히비스서커스의 블로그

이 글은 병리 이미지 다루기 시리즈 글입니다. 병리 이미지 다루기 1 (feat. Stain Normalization), 병리 이미지 다루기 2 (feat. Microns Per Pixel), 병리 이미지 다루기 3 (feat. Multi Resolution Model) 총 3회에 걸쳐 제작 예정입니다. 이 시리즈는 모두의 연구소의 코크리 2기 회원으로서 작성한 글임을 밝힙니다. 코크리란 저번 글 병리 이미지 다루기 2 (feat. Microns Per Pixels) 편에서는 병리 데이터를 다룰 때 알아두어야 할 개념인 MPP(Microns Per Pixels)라는 개념과 FoV(Field Of View)라는 개념을 살펴보았습니다. 이번 병리 이미지 다루기 3 (feat. HookNet) 편에서는 이 개..

이 글은 병리 이미지 다루기 시리즈 글입니다. 병리 이미지 다루기 1 (feat. Stain Normalization), 병리 이미지 다루기 2 (feat. Microns Per Pixel), 병리 이미지 다루기 3 (feat. Multi Resolution Model) 총 3회에 걸쳐 제작 예정입니다. 이 시리즈는 모두의 연구소의 코크리 2기 회원으로서 작성한 글임을 밝힙니다. 코크리란 저번 글 병리 이미지 다루기 1 (feat. Stain Normalization) 편에서는 병리 이미지 데이터를 얻는 과정에서 생기는 배치 효과나 스캐너의 차이로 인해 발생하는 색상의 차이를 stain normalization을 통해 극복할 수 있는 방법에 대해 살펴 보았습니다. 조금은 가볍게 다룬 감이 없지 않아 있다..

이 글은 병리 이미지 다루기 시리즈 글입니다. 병리 이미지 다루기 1 (feat. Stain Normalization), 병리 이미지 다루기 2 (feat. Microns Per Pixel), 병리 이미지 다루기 3 (feat. Multi Resolution Model) 총 3회에 걸쳐 제작 예정입니다. 이 시리즈는 모두의 연구소의 코크리 2기 회원으로서 작성한 글임을 밝힙니다. 코크리란 안녕하세요. 저는 병원에서 병리 이미지 데이터로 딥러닝과 머신러닝을 적용하여 여러 과제들을 수행하는 연구하고 있습니다. 연구를 수행하면서 느끼는 점은 딥러닝 지식과 머신러닝 지식도 매우 중요하지만 도메인 지식도 꼭 필요하다는 것입니다. 당연한 이야기 이지만 결국 도메인 지식이 데이터를 이해하는데 도움을 주고 결과의 해석..

※ Mart van Rijthovena, Maschenka Balkenhol , Karina SiliÅa, Jeroen van der Laak, Francesco Ciompi, 2021, HookNet: multi-resolution convolutional neural networks for semantic segmentation in histopathology whole-slide images의 논문을 읽고 제가 직접 이해한대로 정리해본 글입니다. 논문 내용이 길어 제가 중요하다고 생각하는 부분만 정리하였습니다. 잘못된 내용이 있다면 지적해주세요. 개인적인 정리 digital pathology에서 multi-resolution network로 제기되었던 MRN 모델에 이어 이보다 더 좋은 성능을 내었..

Song, Z., Zou, S., Zhou, W. et al. Clinically applicable histopathological diagnosis system for gastric cancer detection using deep learning. Nat Commun 11, 4294 (2020)의 논문을 읽고 제가 직접 정리한 글입니다. 틀린 부분이 있다면 지적해주세요. Abstract 조기 정확한 진단은 성공적인 치료를 이끈다. 병리의사들 수의 부족은 정확한 진단의 증가와 업무량을 줄 수 있는 인공지능 개발 기회를 제공하고 있다. 이 논문에서 2123 pixel-level H&E stained whole slide image 학습하여 Sensitivity 100%, Specificity 80.6%..

※이 내용은 edwith의 Medical Image Analysis강의를 참조하였음을 미리 밝힙니다.※ 의료영상 segmentation에서 주로 쓰이는 기법으로 Graph cut과 Active contour model이 많이 쓰이고 있다. 그 중 graph cut에 대해서 자세히 알아보자. 핵심아이디어 먼저, 주어진 이미지에서 각 픽셀에 대한 컬러값을 observation으로 $z_i$로 표기하며 segmentation의 label값을 $x_i$이라 하자. 이제 $z_i$들과 $x_i$들은 변수로 작용하여 graph model에 적용하여 이들간의 상호 의존관계를 식($P(x_1, x_2, ..., x_n | z_1, z_2, ..., z_n)$)으로 표현할 수 있게 된다. 이 graph model의 식을..