병리학 교육 동영상에서 추출한 국소적 내러티브를 통한 시각적 지침 튜닝
병리학 교육 동영상에서 추출한 국소적 내러티브를 활용하여 병리학 이미지에 대한 시각적 지침 기반 질문 답변 모델을 학습하고 평가한다.
병리학 계산을 위한 특징 재임베딩: 기반 모델 수준의 성능 달성
특징 재임베딩을 통해 기존 다중 인스턴스 학습 모델의 성능을 향상시키고, 기반 모델 수준의 성능을 달성할 수 있다.
눈 움직임 일관성을 활용한 인공지능 기반 세포분열 탐지 모델 학습 지원
눈 움직임 데이터의 관찰자 간 일관성을 활용하여 병리학 이미지에서 세포분열을 탐지하는 인공지능 모델의 성능을 향상시킬 수 있다.
정확하고 솔직한 제목: 다중 인스턴스 학습을 사용하여 전체 슬라이드 이미지에서 관심 영역 찾기
다중 인스턴스 학습 기반 접근법을 통해 전체 슬라이드 이미지에서 종양 및 TP53 유전자 변이와 관련된 특징적인 조직 형태를 식별할 수 있다.
H&E 이미지를 다중 면역조직화학 이미지로 변환하는 이중 분기 Pix2pix 생성기
HEMIT 데이터셋을 활용하여 H&E 이미지를 다중 표적 mIHC 이미지로 변환하는 새로운 이중 분기 Pix2pix 생성기 모델을 제안하였으며, 이는 기존 방법들보다 우수한 성능을 보였다.
병리학 전체 슬라이드 이미지 표현 및 분류를 위한 통합 그래프-트랜스포머 프레임워크
제안된 통합 그래프-트랜스포머 프레임워크는 지역 인스턴스 수준의 공간 관계와 전체 슬라이드 이미지의 장거리 상관관계를 동시에 포착하여 병리학 전체 슬라이드 이미지 분류 성능을 향상시킨다.
병리학 전문가를 위한 시각 기반 모델 적응: PathoTune
PathoTune은 다중 모달 프롬프트 튜닝을 통해 일반적인 시각 기반 모델을 병리학 특화 작업에 효과적으로 적응시킬 수 있다.
병리 전체 슬라이드 이미지 분류를 위한 프롬프트 기반 적응형 모델 변환
본 연구는 프롬프트 기반 적응형 모델 변환(PAMT) 기법을 제안하여 전체 슬라이드 이미지 분류 성능을 향상시킨다. PAMT는 대표적 패치 추출, 프로토타입 비주얼 프롬프트, 적응형 모델 변환 기술을 통해 사전 학습된 모델을 병리 데이터에 효과적으로 적응시킨다.
병리 전체 슬라이드 이미지 분류를 위한 프롬프트 기반 적응형 모델 변환
프롬프트 기반 적응형 모델 변환(PAMT) 기법은 사전 학습된 모델을 병리 이미지 데이터에 맞게 효과적으로 변환하여 전체 슬라이드 이미지 분류 성능을 향상시킨다.
병리 전체 슬라이드 이미지 분류를 위한 프롬프트 기반 적응형 모델 변환
본 연구는 프롬프트 기반 적응형 모델 변환(PAMT) 기법을 제안하여 전체 슬라이드 이미지 분류 성능을 향상시킨다. PAMT는 대표적인 패치 샘플링, 프로토타입 비주얼 프롬프트, 그리고 적응형 모델 변환 기술을 통해 병리 이미지의 특성을 효과적으로 반영하고 사전 학습된 모델을 병리 도메인에 맞게 변환한다.
