프로메디우스 기술 블로그

비지도학습 기반 딥러닝 기술을 활용하여 의료 영상 재건부터 진단보조 솔루션을 개발하는 프로메디우스 Promedius 의 기술 블로그입니다.

[GAN 시리즈][DCLGAN] Dual Contrastive Learning for Unsupervised Image-to-Image Translation - 1편
논문리뷰

[GAN 시리즈][DCLGAN] Dual Contrastive Learning for Unsupervised Image-to-Image Translation - 1편

Abstract Unsupervised image-to-image translation 개념 Unsupervised image-to-image translation tasks는 unpaired train data에서 source domain X와 target domain Y 간의 매핑(mapping)을 찾는걸 목표로 하는 task 입니다. CUT(Contrastive Learning for unpaired image-to-image Translation) Contrastive Learning for unpaired image-to-image Translation은 두개의 도메인 (X, Y) 모두에 대해 하나의 Encoder만 사용하여 입력

docker

도커 컨테이너를 실행한 사용자 식별 방법 연구

개발팀 동료가 사내 서버들의 그래픽 카드 사용 현황을 종합하여 대시보드로 보여주는 프로젝트를 진행하고 있습니다. 대시보드에선 그래픽 카드를 사용하고 있는 프로세스와 해당 프로세스 사용자도 볼 수 있습니다. https://thefirstfamily.net/wp-content/uploads/2019/10/CMG-Editor-October-1-2019.png그런데 도커 컨테이너로 실행된 프로세스는 사용자 식별이 불가했습니다. docker run ... 을 통해 컨테이너를 실행한 후 프로세스

T1, T2, FLAIR-Stacked Brain MRI Generation using StyleGAN2
StyleGAN

T1, T2, FLAIR-Stacked Brain MRI Generation using StyleGAN2

1. T1, T2, FLAIR image 1-1. MRI Parameters MRI(자기공명영상)란 인체 내에 있는 원자핵에 외부로부터 에너지를 주어 그 핵에서 발생하는 신호(signal)를 얻어 영상화 하는 것이다. MRI에서 주로 이용되는 원자핵은 수소원자핵 내의 양성자(proton)이다. 즉, 해당 양성자와 외부 에너지와의 상호작용에 의해 MR 영상에 관련된 대조도를 묘사할 수

[MemAE]Memorizing Normality to Detect Anomaly: Memory-augmented Deep Autoencoder for Unsupervised Anomaly Detection-1
Anomaly Detection

[MemAE]Memorizing Normality to Detect Anomaly: Memory-augmented Deep Autoencoder for Unsupervised Anomaly Detection-1

Abatract 정상 데이터를 이용하여 Autoencoder(AE)을 학습하면 정상보단 비정상 데이터에 대해 더 높은 재구성 오류(reconstruction error)을 얻게 됩니다. 하지만 AE는 일반화(Generalization)가 잘 이루어진다는 특징이 있어서 비정상 데이터가 입력되어도 정상을 재구성 해야하지만 결함이 있는 부분까지 포함하여 재구성 하는 경우가 발생하게 됩니다. 이런 AE기반 이상 탐지(Anomaly

개발팀 인턴의 좌충우돌 Figma i18n 플러그인 제작기
피그마

개발팀 인턴의 좌충우돌 Figma i18n 플러그인 제작기

Figma를 아시나요? Figma Figma는 UI 프로토타이핑 툴인데요. 위처럼 단순히 와이어프레임을 만들 수 있을 뿐 아니라, 이렇게 요소들의 상호작용도 표현할 수 있습니다. 무엇보다 이렇게 여러 사람이 함께 수정도 가능합니다. 게다가 웹 기반 툴이라 웹 브라우저에서 사용할 수 있어 OS에 구애받지 않습니다. 물론 데스크톱 앱도 있고요.  우리 회사도 Figma를 이용하고 있습니다. 😮 저는

[MRI basics] k-space 변화에 따른  이미지 변화 확인하기

[MRI basics] k-space 변화에 따른 이미지 변화 확인하기

1. k-space란? MRI 촬영 시 RF Pulse를 주고 난 다음 위상 부호화(phase-encoding) 경사자계(Gradient, G)의 크기를 각 단계별로 변화시키면 여러 위치 정보를 가지고 있는 신호를 얻을 수 있는데 이러한 data를 raw data라고 부른다. 여기에는 위치 정보와 대조도 정보를 함께 갖고 있으며 k-space는 한 개의 영상을 만들 수 있는

Transformer는 이렇게 말했다, "Attention is all you need."
transformer

Transformer는 이렇게 말했다, "Attention is all you need."

Transformer? 'Transformer'라는 말을 들었을 때 무엇이 연상되는가? 할리우드의 유명한 변신로봇 영화? 인공지능 번역 알고리즘? 구글에 따르면 여전히 전세계적으로 전자의 영화를 떠올리지만, 적어도 대한민국(과 일본)에서는 후자가 압도하고 있는 것으로 보인다. 그림1. 'Transformer movie'와 'Transformer attention'의 구글 트렌드 비교. 아직까지 전세계적으로는 영화가 압도적이지만 대한민국과 일본에서는 Transformer 알고리즘의 핵심 개념인 attention을

[Self-Supervised Learning] Review: Bootstrap Your Own Latent -A New Approach to Self-Supervised Learning
paper review

[Self-Supervised Learning] Review: Bootstrap Your Own Latent -A New Approach to Self-Supervised Learning

최근 Self-Supervised Learning 에 관한 연구가 활발해지면서 자연스럽게 Bootstrap Your Own Latent 에도 관심을 가지고 접하게 되었다. BYOL 이 발표되기 전 까지는 아마도 MoCo 나 SimCLR 정도가 좋은 성능을 내고 있었지만, supervised learning 과 더 가까운 수준의 top-1 classification accuracy 를 보여 주는 것은 BYOL 이라고 한다. Performance of BYOL

TorchIO를 이용한 3D Segmentation

TorchIO를 이용한 3D Segmentation

안녕하세요, 프로메디우스 ML팀 인턴사원 유환승입니다. 이번 포스팅에서는 Pytorch를 기반으로 한 TorchIO를 통해 간단하게 3D segmentation을 진행하는 튜토리얼을 진행해보려 합니다. 위의 Table은 3D U-Net : Learning Dense Volumentric Segmentation from Sparse Annotation에서 소개된 성능입니다. 2D segmentation에 비해서 상대적으로 3D를 통한 Segmentation 성능이 더 좋음을 확인할 수 있었습니다.저는 3D segmentation을 사용하기 쉽게

효율적인 Anomaly Detection 방법[f-AnoGAN vs MemAE]
이상 탐지

효율적인 Anomaly Detection 방법[f-AnoGAN vs MemAE]

Unsupervised Learning 방법으로 GAN을 이용한 Anomaly Detection 방법 중 Encoder을 이용한 f-AnoGAN 방법이 있습니다. 이 방법은 효율적으로 정상화 다른 결함 부분을 검출 하지만 미세한 결함은 제대로 검출하기 힘들다는 한계가 있습니다. 본 글에서는 f-AnoGAN의 특징과 그 단점에 대해 간략히 소개하고 그 해결책에 대한 내용을 간단하게 정리해보기 위한 글 입니다. 비교할 논문을

[Paper Review] A disentangled generative model for disease decomposition in chest X-rays via normal image synthesis_2편
논문리뷰

[Paper Review] A disentangled generative model for disease decomposition in chest X-rays via normal image synthesis_2편

Anomaly Detection에 어느정도 관련된 논문이며 DGM으로 abnormal CXR이 입력으로 들어오면 정상 이미지와 비정상 영역을 분리해서 질병,질환이 있는 부분을 검출하고 시각화 할 수 있는 방법을 보여주는 논문입니다. 1편에 이어지는 내용입니다. 따라서 1편을 먼저 읽고 오시는것을 추천드립니다. 1편 보러가기 Experiments Dataset 본 논문에서 사용한 데이터는 RSNA Kaggle pneumonia detection challenge에서 사용된

[Paper Review] A disentangled generative model for disease decomposition in chest X-rays via normal image synthesis_1편
논문리뷰

[Paper Review] A disentangled generative model for disease decomposition in chest X-rays via normal image synthesis_1편

Anomaly Detection에 어느정도 관련된 논문이며 DGM으로 abnormal CXR이 입력으로 들어오면 정상 이미지와 비정상 영역을 분리해서 질병,질환이 있는 부분을 검출하고 시각화 할 수 있는 방법을 보여주는 논문입니다. 2020년도 Medical Image Analysis에 publish된 논문이며 Impact Factor는 11.280입니다. Paper 원문: A disentangled generative model for disease decomposition in chest X-rays via

HTTP 응답 지연을 이용한 서버간 작업 동기화 실험

프로젝트를 진행하던 도중 새로운 요구사항이 들어왔습니다. 작업 처리량을 늘리기 위해 병렬로 구성된 서버에서 동작하도록 해주세요병렬로 구성된 서버에서의 동작이란 복수개의 프로세스를 의미하고 이제까지의 개발 경험에 따라 동기화 문제가 없을지 생각해 보게 됩니다. 아니나 다를까 동기화를 하지 않으면 심각하진 않지만 성능상의 문제가 있을 수 있음을 발견합니다. 일반적이라면 복수개의 프로세스에 대한 동기화를 위해

[GAN 시리즈][StyleGAN] A Style-Based Generator Architecture for Generative Adversarial Networks -2편
논문 리뷰

[GAN 시리즈][StyleGAN] A Style-Based Generator Architecture for Generative Adversarial Networks -2편

StyleGAN은 PGGAN 구조에서 Style transfer 개념을 적용하여 generator architetcture를 재구성 한 논문입니다. 그로 인하여 PGGAN에서 불가능 했던 style을 scale-specific control이 가능하게 되었습니다. Paper 원문: StyleGAN: A Style-Based Generator Architecture for Generative Adversarial Networks StyleGAN official code(Tensorflow): https://github.com/NVlabs/stylegan 본 포스팅은 StyleGAN 2편으로 StyleGAN 1편을 읽고 오시면

[GAN 시리즈][StyleGAN] A Style-Based Generator Architecture for Generative Adversarial Networks -1편
논문리뷰

[GAN 시리즈][StyleGAN] A Style-Based Generator Architecture for Generative Adversarial Networks -1편

StyleGAN은 PGGAN 구조에서 Style transfer 개념을 적용하여 generator architetcture를 재구성 한 논문입니다. 그로 인하여 PGGAN에서 불가능 했던 style을 scale-specific control이 가능하게 되었습니다. Paper 원문: StyleGAN: A Style-Based Generator Architecture for Generative Adversarial Networks StyleGAN official code(Tensorflow): https://github.com/NVlabs/stylegan 1. Abstract [제안한 네트워크] Style transfer 문헌에서 차용한

[F-AnoGAN] Fast Unsupervised Anomaly Detection with GAN
논문리뷰

[F-AnoGAN] Fast Unsupervised Anomaly Detection with GAN

GAN을 사용한 최초 Anomaly Detection 방법인 AnoGAN의 후속 모델로 Encoder 모델을 사용하여 더 빠르게 \( G(x)\)와 \( x\)를 matching 시켜 Anomaly Detection 하는 방법입니다. Paper 원문: f-AnoGAN: Fast unsupervised anomaly detection with generative adversarial networks f-AnoGAN tutorial code(Pytorch): https://github.com/mulkong/f-AnoGAN_with_Pytorch 1. Abstract [문제점]

[AnoGAN]Unsupervised Anomaly Detection with GAN
GAN

[AnoGAN]Unsupervised Anomaly Detection with GAN

기존 Anomaly Detection은 Supervised Learning으로 접근했지만 AnoGAN은 GAN을 이용한 Unsupervised Learning 방법으로 접근하여 Anomaly Detection하는 논문입니다. Paper 원문: [Unsupervised Anomaly Detection with Generative Adversarial Networks to Guide Marker Discovery] IntroductionGAN이란?GAN 학습 과정은 Discriminator가 Real/Fake를 잘 맞추도록 학습한 후 Generator가 생성한 Fake image가 Discriminator를 속여 Real이라고 말하게끔 하도록 하는

s