본문 바로가기 주메뉴 바로가기
22대 대한민국 국회 국회정보길라잡이 국회의원검색
회원가입 로그인
HOME

정보검색

소장정보 검색

국회도서관 홈으로 정보검색 소장정보 검색

결과 내 검색

동의어 포함

고급검색

인명/단체명

저자정보 상세정보
인명/단체명을 입력하세요.

키워드

  • 대표어

  • 외국어

-

목차보기

Title Page 1

Contents 4

국문초록 10

ABSTRACT 12

Ⅰ. Introduction 14

1. Introduction 14

2. Background 18

3. Motivation 21

4. Objective 24

1. To automate feature extraction and WSI classification using attention-based deep learning frameworks 24

2. To harness foundation model embeddings for robust and domain-specific representation learning 24

3. To incorporate blockchain for secure, transparent, and compliant data governance 25

4. To develop a scalable, modular, and interactive web platform for digital pathology 25

5. To support asynchronous processing and high-throughput inferencing 26

6. To promote reproducibility and collaborative research in computational pathology 26

7. To evaluate the system's diagnostic performance, interpretability, and security 26

5. Thesis Organization 27

Ⅱ. Related Work 29

Ⅲ. Methods and Materials 35

1. Datasets 35

1.1. Camelyon16 Dataset 36

1.2. Camelyon17 Dataset 37

2. System Architecture 38

2.1. Frontend 39

2.2. Backend 41

2.3. AI Integration 41

3. Implementation Details 48

4. Evaluation 49

Ⅳ. Results 50

1. Experimental Setup 51

2. Performance on Camelyon16 Dataset 52

3. Performance on Camelyon17 Dataset 53

4. Comparative Analysis with Other Weakly Supervised Methods 55

5. Ablation Studies 56

6. Interpretability through Attention Heatmaps 57

7. User Studies and Clinical Validation 58

8. Discussion of Results 58

Ⅴ. Performance Evaluation 59

1.1. AI Model Evaluation 59

1.1.1. Quantitative Metrics 59

1.1.2. Qualitative Assessment 60

1.2. Blockchain Performance Evaluation 60

1.2.1. Processing Time Analysis 60

1.2.2. Transaction Throughput 61

1.2.3. Security and Reliability 61

1.3. Web Application Evaluation 62

1.3.1. Upload and Processing Efficiency 62

1.3.2. User Experience 62

1.4. Comparative Framework Evaluation 62

Ⅵ. Conclusion & Future Work 63

1.1. Conclusion 63

1.2. Future Work 63

Ⅶ. References 64

List of Tables 7

Table 1. Dataset Details 38

Table 2. Summary of Key components 49

Table 3. Evaluation Results 50

Table 4. Performance Metrices on Camelyon16 Dataset 53

Table 5. Performance Metrices on Camelyon17 Dataset 54

Table 6. Comparison with Weakly Supervised Methods on Camelyon16 55

Table 7. Detailed Performance Metrices of UNI+MIL 60

List of Figures 6

Figure 1. Architecture Diagram of Complete System 39

Figure 2. Overview of (A) data processing. (B) feature extraction powered... 42

Figure 3. Whole Slide Image Samples 44

Figure 4. Heatmap of Dataset sample images 58

Figure 5. Ledger Block processing time 61

Figure 6. Transaction Throughput 61

초록보기

 오늘날의 의료 환경에서 병리학적 이미지의 정확한 분석은 질병 진단 및 치료 계획에 있어 중요한 단계입니다. 딥러닝의 발전과 대규모 기초 모델의 등장은 자동화된 고정밀 이미지 분석을 위한 새로운 길을 열었으며, 블록체인 기술은 데이터 보안 및 투명성을 위한 강력한 메커니즘을 제공합니다. 본 연구는 이러한 최첨단 기술을 통합하여 병리학적 이미지 처리의 확장성, 해석 가능성 및 신뢰성 문제를 해결하는 새로운 웹 기반 플랫폼을 소개합니다.

제안된 시스템은 방대한 이미지 데이터 세트로 사전 학습된 합성곱 신경망(CNN)과 고급 트랜스포머 기반 모델을 활용하여 병리학 슬라이드에서 미묘한 특징을 추출합니다. 기존의 딥러닝 접근 방식과 기초 모델을 통합함으로써 본 플랫폼은 탁월한 진단 정확도와 신뢰성을 달성합니다. 또한, 블록체인 기반 원장을 활용하여 데이터 출처 및 처리 단계를 기록하여 변경 불가능한 감사 추적을 보장함으로써 재현성과 규정 준수를 향상시킵니다. 이러한 통합은 여러 이해관계자 간의 민감한 의료 데이터의 안전한 공유를 용이하게 하며, 이는 협력 연구 및 임상 환경에서 점점 더 중요해지고 있습니다.

공개된 데이터 세트와 자체 개발한 데이터 세트를 사용하여 포괄적인 실험 평가를 수행했으며, 본 방법론을 기존 시스템과 비교 평가했습니다. 정밀도, 재현율, 전반적인 진단 정확도와 같은 지표는 실시간 애플리케이션에 적합한 효율적인 처리 시간을 유지하면서도 상당한 개선을 보였습니다. 또한, 블록체인 구성 요소는 데이터 변조에 대한 복원력을 입증하고 전체 진단 프로세스에 대한 책임성을 강화했습니다. 이러한 결과는 딥러닝, 기반 모델, 블록체인을 결합하여 병리학적 이미지 분석에 혁신을 일으키고, 더욱 신뢰할 수 있고 확장 가능하며 투명한 임상 의사결정 도구를 위한 길을 열 수 있는 잠재력을 강조합니다.

추천서가 (다양한 추천 자료를 만나보세요)

권호기사보기

권호기사 목록 테이블로 기사명, 저자명, 페이지, 원문, 기사목차 순으로 되어있습니다.
기사명 저자명 페이지 원문 기사목차

권호

기사명 원문보기 기사목차
닫기