연주의 공부 기록

1. Medical Image Format1. 일반 이미지 데이터셋과 의료 영상의 차이일반 이미지 예시ILSVRC (ImageNet): 약 100만 개의 이미지 포함Cityscapes: 30개 클래스, 500개 라벨의료 영상의 특성제조사마다 포맷이 표준화되어 있지 않음동일한 장기라도 영상의 의미나 구조가 다름압축이 매우 중요 (고용량, 고해상도 영상 많음)정적인 영상(X-ray)과 동적인 영상(초음파 등) 모두 포함됨→ 단순 이미지 처리와 달리, 영상의 구조적 맥락을 고려해야 함2. 의료 영상 저장 및 전송 시스템PACS (Picture Archiving and Communication System)영상 획득 (CT, MRI, X-ray) → 저장 → 병원 내 전달DICOM (Digital Imaging..

1. IntroductionMedical image classificationImage SegmentationClassification의 확장 형태Pixel level로 image classification을 수행물체(혹은 병변)의 경계를 분할하는 방식2. Medical image SegmentationPrevious Segmentation (고전적 방식)Image의 feature 활용다양한 위치의 다중 필터를 통해 feature 추출Edge detection(에지 검출)을 통해 영상 분할Pixel 간 gradient 활용고전적인 Graph 이론 활용Interactive segmentation (label을 통한 GraphCut 등)GrabCut 등 iterated graph cuts 기법으로 전경/배경..

1. Image Classification정의:주어진 이미지를 특정 카테고리로 분류하는 작업.컴퓨터 비전에서 객체 탐지, 영역 분할 등의 확장된 작업으로 이어질 수 있음.Challenges:이미지의 다양한 변형과 외부 요인:시점 변화(Viewpoint variation): 다양한 각도에서 촬영된 이미지.크기 변화(Scale variation): 객체 크기의 변동.변형(Deformation): 이미지 왜곡, 회전.외부 요인: 조명(Illumination conditions), 가림(occlusion), 배경의 다양성(Background clutter).Image classification model:Convolutional Neural Network (CNN):이미지 데이터를 3차원 텐서(RGB 채널)로 ..

1. 의료 영상 전처리의 필요성의료 영상 데이터는 장비마다 획득 방식이 다름.CT, MRI, 병리학 이미지는 각기 다른 목적과 품질을 가짐.장비에서 얻어진 영상은 물리적 신호를 이미지화하는 과정 필요.영상은 대부분 주파수 도메인(Frequency domain) 기반으로 얻어지며, 공간 도메인(Spatial domain)으로 변환하여 사용.Inverse Fourier Transformation (IFT)를 통해 변환.2. 신호 처리와 전처리(1) Sampling신호의 가장 높은 진동수(Fmax)의 2배 이상으로 샘플링해야 함 (Nyquist Frequency)샘플링 오류 시 화질 저하:픽셀 간 거리(pixel distance) 증가 → 이미지가 부드럽게(Smooth) 표현.Sampling 이후 Quanti..

1. 의료 영상 파일 형식의 필요성PACS (Picture Archiving and Communication Systems):디지털 영상 저장 및 통신 시스템.영상 저장, 전달, 전처리, 시각화 지원.Digital Image Acquisition:CT, X-ray, MRI 등 다양한 장비에서 디지털 영상 획득.특성:제조사마다 표준화 부족.환자 정보(나이, 영상 획득 정보) 포함 및 보안 중요.데이터 용량이 크므로 압축 필요.Pathology: 10,000 x 10,000 해상도.MRI: 512 x 512 x 256 크기.2. 주요 의료 영상 파일 형식(1) DICOM (Digital Imaging and Communications in Medicine)특징:Digital Medicine 표준 제공.16-..

1. Generative Model1. 정의Generative Model은 데이터를 생성하기 위해 학습하는 모델로, 기존 데이터를 학습하여 새로운 데이터 샘플을 생성하는 데 사용된다.이 모델은 데이터의 확률 분포를 이해하고 이를 기반으로 원본 데이터와 유사한 데이터를 생성한다.2. 주요 목표데이터 분포 학습:Generative Model은 입력 데이터의 분포를 학습하고, 해당 분포에서 새로운 샘플을 생성한다.학습된 분포를 통해 원본 데이터와 유사한 패턴을 가진 새로운 데이터 생성 가능.표현 학습 (Representation Learning):데이터의 잠재적인 구조와 특성을 파악하여 유용한 표현을 학습한다.예: 차원 축소, 이상치 탐지.3. 주요 접근 방식Explicit Density Model명시적으로 ..

Convolutional Neural Network, CNN컨볼루션 신경망(CNN)은 이미지와 같은 데이터에서 패턴을 학습하기 위해 설계된 딥러닝 알고리즘이다. CNN은 합성곱 연산을 통해 특징을 추출하며, 풀링 연산으로 공간적 차원을 축소하여 효율적인 학습을 가능하게 한다. CNN은 주로 다음과 같은 주요 구성 요소로 이루어져 있다.1. 합성곱 층(Convolution Layer)합성곱 층은 입력 데이터와 필터(커널)를 이용하여 특징 맵을 생성하는 단계이다.1. 합성곱(Convolution)$$Y[i, j] = \sum_{m} \sum_{n} X[i+m, j+n] \cdot W[m, n]$$여기서 \(X\) 는 입력 데이터, \(W\)는 필터(커널), $Y[i, j]$는 출력 특징 맵의 값이다.Ex)2..

1. 딥러닝(Deep Learning)의 기초딥러닝은 인간의 신경망을 모방하여 설계된 알고리즘으로, 주로 신경망(Neural Network)을 통해 데이터를 처리하고 학습한다. 퍼셉트론(Perceptron): 신경망의 가장 기본 단위.선형 데이터를 처리할 수 있지만, 비선형 문제(XOR 등)는 해결하지 못한다.다층 퍼셉트론(MLP, Multi-layer Perceptron):여러 은닉층(Hidden Layer)을 쌓아 비선형 데이터를 처리 가능.활성화 함수(Activation Function)를 통해 비선형성을 부여한다.은닉층(Hidden Layer):새로운 특징을 추출하는 함수.활성화 함수(Activation Function):출력 범위와 기울기 소멸 문제를 해결하기 위해 설계됨.Sigmoid는 출력값..

1. 머신러닝의 기본 개념머신러닝(Machine Learning)은 컴퓨터가 데이터에서 패턴을 학습하고 이를 기반으로 새로운 데이터에 대한 예측이나 결정을 내리는 기술이다. 머신러닝은 다음과 같은 세 가지 요소로 구성된다:작업(T): 모델이 수행해야 하는 작업. Ex) Classification, Anomaly Detection, Object Detection, Object Segmentation성능(P): 작업의 결과를 평가하는 기준. Ex) 암을 정확히 분류한 비율(정확도).경험(E): 모델이 학습하는 데 사용하는 데이터. Ex) 과거의 X-ray 이미지와 해당 라벨(정답).결국, 머신러닝은 경험(E)을 통해 작업(T)에서 성능(P)을 점진적으로 개선하는 것을 목표로 한다. 2. 머신러닝과 데이터샘플..