https://scholar.dgist.ac.kr/handle/20.500.11750/1922 2026-10-18T13:30:15Z https://scholar.dgist.ac.kr/handle/20.500.11750/60920 Title: 상향식 인스턴스 세분화 방법 및 장치 Author(s): Luna Acevedo Miguel Andres; 박상현 Abstract: Disclosed are a bottom-up instance segmentation method and apparatus. The bottom-up instance segmentation method includes acquiring an image, identifying a boundary of each instance and a shared pixel between instances by encoding the image into a seed map and a plurality of sigma maps based on a previously trained bottom-up segmentation model, and outputting a segmented image for an object in the image based on the boundary of each instance and the shared pixel between instances. https://scholar.dgist.ac.kr/handle/20.500.11750/60911 Title: 딥러닝 알고리즘을 이용한 종양 침윤 림프구 검출 시스템 및 그 방법 Author(s): 노병주; 고현정; 박상현; 남시우 Abstract: 본 발명은 딥러닝 알고리즘을 이용한 종양 침윤 림프구 검출 시스템 및 그 방법에 관한 것이다. 본 발명에 따르면, 딥러닝 알고리즘을 이용한 종양 침윤 림프구 검출 시스템은 측정 대상이 되는 패치 이미지를 입력받는 입력부, 그리고 입력된 측정 대상이 되는 패치 이미지를 학습이 완료된 패치 분류 모델에 입력하여 패치 이미지를 분류하고, 패치 이미지에서 영역화된 이미지를 학습이 완료된 세포 분류 모델에 입력하여 종양 침윤 림프구 해당 여부를 분류하며, 패치 분류 모델과 세포 분류 모델의 결과를 종합하여 측정 대상이 되는 패치 이미지에 존재하는 종양 침윤 림프구를 검출하는 검출부를 포함한다. https://scholar.dgist.ac.kr/handle/20.500.11750/60329 Title: 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. https://scholar.dgist.ac.kr/handle/20.500.11750/60053 Title: Glio-LLaMA-Vision: A Robust Vision-Language Model for Molecular Status Prediction and Radiology Report Generation in Adult-type Diffuse Gliomas Author(s): Park, Yae Won; Kang, Myeongkyun; Chang, Jong Hee; Park, Sang Hyun; Ahn, Sung Soo Abstract: BACKGROUND: To establish a robust vision-language model (“Glio-LLaMA-Vision”) for molecular status prediction and radiology report generation (RRG) in adult-type diffuse gliomas. METHODS: Multiparametric MRI data (T1, T2, FLAIR, and postcontrast T1-weighted images) and paired radiology reports (in English) from 1,001 patients with adult-type diffuse gliomas (144 oligodendrogliomas, 157 IDH-mutant astrocytomas, and 700 IDH-wildtype glioblastomas) diagnosed according to the 2021 WHO classification were included in the institutional training set. A vision-language model, Glio-LLaMA-Vision, was developed from LLaMA 3.1 pre-trained on 2.79 million biomedical image-text pairs from PubMed Central and further optimized via fine-tuning from the institutional training set. The performance was validated in 100 patients and 80 patients with paired MRI-radiology reports from an institutional validation set and another tertiary institution, and in 170 and 477 patients with MRI from TCGA and UCSF, respectively. RESULTS: In terms of IDH mutation status prediction, Glio-LLaMA-Vision showed an overall performance of area under the curve, accuracy, sensitivity, and specificity of 0.89 (95% confidence interval 0.81-0.95), 86.0%, 84.0%, and 88.0%, respectively. In terms of radiology report generation, the BLEU-1, ROUGE-L, and METEOR scores were 0.49, 0.42, and 0.24, respectively, while the majority (91.3%) of generated reports were considered clinically acceptable. CONCLUSION: Glio-LLaMA-Vision shows promising performance in molecular status prediction, and RRG in adult-type diffuse gliomas, and shows potential of clinical assistance. 2025-11-18T15:00:00Z