@ 잊지말자, 오늘도 감사한 하루

출처 : edwith 컴퓨터비전, 머신러닝, 딥러닝을 이용한 의료영상분석 박상현 교수님 강의를 베이스로, 인터넷의 다양한 웹사이트를 보고 얻은 정보들을 추가로 넣어 정리한 노트입니다. 1. 무엇인가? training의 이미지들에서 각 테두리 점들의 분포를 학습해서, 어느 정도의 범위 내에서 해당 점들이 움직일 수 있는가를 학습한다. Active contour model을 사용할때, boundary로 점이 가려고 할때, local minimum으로 가려고 해서, 주변의 잘못된 boundary로 가려고 할 수 있다. -> Active Shape model은 해당 이동을 막아준다. 2. 어떻게 만드는가? 학습 방법은.. 설명 추후 추가 예정

출처 edwith 컴퓨터비전, 머신러닝, 딥러닝을 이용한 의료영상분석 박상현 교수님 강의를 베이스로, 인터넷의 다양한 웹사이트를 보고 얻은 정보들을 추가로 넣어 정리한 노트입니다. 1. 사용목적 - Dimensionality Reduction 을 진행했을때, - 예를 들어 2D데이터에서 한 축을 제거해서 1D로 만들때, 데이터가 한 축으로 "투영"되게 된다. - 이 때, 투영된 데이터들의 분산을 최대화 시켜주는 "축"을 찾아주는 것이 목적 - 위의 사진 처럼 z1으로 투영시켜서 1D로 만들어 주는 것보다 - 우측 위의 사진의 점선처럼, 투영된 데이터의 분산을 최대화 시켜주는 축 (1D 선 위에서 데이터들끼리의 간격이 최대화 되는 축)을 찾아주는 것이 목적이다. - 데이터가 가장 많이 흩뿌려져있는 축을 찾..

1. 사용 목적 - 기존의 label된 영상을 이용하여, test에서의 segmentation의 효율을 높이기 위함 - Atlas = segmentation이 진행된 label map 2. 방법 2.1 Atlas based label fusion - 원본이미지, 원본이미지에 대한 Atlas, 그리고 Segmentation이 진행될 test 이미지가 있다면 원본이미지를 test 이미지로 registration을 해준다. (Registration 진행 기법 -> T1(원본이미지) = 원본이미지' 으로 만들고, 만들어진 원본이미지'를 test 이미지와 비교하여 transformation matrix를 구하고, T1(Atlas) = Atlas' 로 만들어서 segmentation을 진행하게 된다) : 일단 이해..

- 확률 분포를 해석하기 위한 그래프 도식 방법 - 그래프 노드 : 랜덤 변수를 하나의 노드로 표현 링크 : (혹은 edge) 랜덤 변수 사이의 확률적인 관계를 표현 Bayesian network - 방향성 그래프 모델 : 링크가 양방향이 아닌 한쪽 방향으로 흐른다는 것 - 확률 변수 사이의 관계를 표현하는데 용이 Markov random field - 비방향성 그래프 모델 : 링크가 양 방향으로 흐르며, 화살표 표기를 사용하지 않음 - 랜덤 변수 사이의 제약을 표현하는데 용이 후추.. 추가 수정..아마도..

1. Decision tree - 분류 규칙을 통해 데이터를 특정 플로우를 지나게 하면서 분류, 회귀하는 지도 학습 모델이다. - 한번의 분기에 변수 두개로 구분 - 분리 기준은? -> 불순도 (지니, 엔트로피 지수) -> 현재노드의 불순도에 비해 자식노드의 불순도가 감소되도록 설정 (여러 클래스가 섞여 있을수록 불순도가 높음) 지니 지수 : 지니 지수의 최대값 : 0.5 계산의 예) 한 박스에 빨간공 5개와 파란공 10개가 들어있다면, = 1 - (10/15)^2 - (5/15)^2 = 약 0.45 엔트로피 지수 : 계산의 예) 한 박스에 빨간공 5개와 파란공 10개가 들어있다면, = - 10/15 logbase2(10/15) -5/15 logbase2(5/15) = -10/15 * (-0.585) -..