https://scholar.dgist.ac.kr/handle/20.500.11750/1925 Sat, 03 Oct 2026 22:58:18 GMT 2026-10-03T22:58:18Z 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/20.500.11750/60920 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/20.500.11750/60911 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/20.500.11750/60329 https://scholar.dgist.ac.kr/handle/20.500.11750/59878 Title: 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. https://scholar.dgist.ac.kr/handle/20.500.11750/59878