Repository Collection: nullhttps://scholar.dgist.ac.kr/handle/20.500.11750/19252026-05-14T22:01:41Z2026-05-14T22:01:41Z의료 이미지 분류 방법 및 장치박상현Philip Chikontwehttps://scholar.dgist.ac.kr/handle/20.500.11750/603292026-04-30T17:10:26ZTitle: 의료 이미지 분류 방법 및 장치
Author(s): 박상현; Philip Chikontwe
Abstract: 의료 이미지 분류 방법 및 장치가 개시된다. 본 개시의 일 실시 예에 따른 의료 이미지 분류 방법은, 분류의 대상이 되는 의료 이미지를 획득하는 단계와, 획득한 의료 이미지의 전체 슬라이드 이미지 세트의 모든 슬라이드를 기 학습된 분류 모델에 입력하여, 의료 이미지의 모든 슬라이드의 인스턴스 특징(feature)을 추출하는 단계와, 기 학습된 다중 인스턴스 학습 모델을 기반으로, 의료 이미지의 모든 슬라이드의 인스턴스 특징의 최대 중요 인스턴스 임베딩을 수행하여 데이터 분포를 재보정하는 단계와, 재보정한 결과에 기초하여 해당 의료 이미지의 레이블을 출력하는 단계를 포함할 수 있다.ARTIFICIAL INTELLIGENCE DEVICE AND OPERATION METHOD THEREOF정지욱김수필전혜정치콘테 필립박상현김재홍안시온https://scholar.dgist.ac.kr/handle/20.500.11750/598782026-01-28T02:40:12ZTitle: ARTIFICIAL INTELLIGENCE DEVICE AND OPERATION METHOD THEREOF
Author(s): 정지욱; 김수필; 전혜정; 치콘테 필립; 박상현; 김재홍; 안시온
Abstract: An artificial intelligence device according to an embodiment of the present disclosure may comprise a memory and a processor for: training a binary classifier which infers whether a patch is a positive patch or a negative patch by using positive patches indicating normality and negative patches indicating abnormality on the basis of a normal sample indicating a non-defective product and an unlabeled sample; when the reliability of a patch output in response to a patch of a new unlabeled sample input to the trained binary classifier is greater than or equal to threshold reliability, determining the input patch as a positive patch; and storing the determined positive patch in the memory.데이터에 민감한 레이어를 fine-tuning(미세조정)하는 샘플 레벨 언러닝박상현김지현https://scholar.dgist.ac.kr/handle/20.500.11750/592582025-11-30T17:10:21ZTitle: 데이터에 민감한 레이어를 fine-tuning(미세조정)하는 샘플 레벨 언러닝
Author(s): 박상현; 김지현메타 학습 기반 이미지 정합 모델 생성 방법 및 장치김수필이경민박희정박상현https://scholar.dgist.ac.kr/handle/20.500.11750/587962025-07-31T17:10:22ZTitle: 메타 학습 기반 이미지 정합 모델 생성 방법 및 장치
Author(s): 김수필; 이경민; 박희정; 박상현
Abstract: 메타 학습 기반 이미지 정합 모델 생성 방법 및 장치가 개시된다. 일 실시 예에 따른 메타 학습 기반 이미지 정합 모델 방법은, 도메인이 서로 다른 복수의 소스 데이터로 초기 정합 모델을 사전 학습하는 단계와, 소스 데이터에서 태스크 레벨의 태스크 소스 데이터를 추출하는 단계와, 태스크 소스 데이터로 사전 학습한 정합 모델을 그래디언트 기반 메타 학습 알고리즘으로 메타 학습하는 단계를 포함할 수 있다.