반응형

Major Study./Bioinformatics 78

SlicerJupyter 설치 및 실행하기 Tutorial

Command line 서버에서 SlicerJupyter를 설치하려다 낭패를 봤다.(알고보니 GUI 없이는 거의 불가능한 수준의 난이도였음) 이 패키지가 필요한 것이, 어차피 이미지 전처리만을 위한거라서그냥 후딱 랩탑에서 전처리만 돌려놓고 서버로 옮기려고,labtop에서 설치해봤다. 이게 알면 엄청 쉬운데, 이게 사람이 삽질을 계속 하게만든다...Install & Run Instruction이 진짜 허접하게 되어있다.(그냥 한줄로 실행하면 됨~ 수준) 혹시라도 이걸 활용하시는 한국인이 계신다면..저 처럼 몇시간을 낭비하지 않으셨으면 해서 간단하게 리뷰를 남겨봅니다.  https://github.com/Slicer/SlicerJupyter GitHub - Slicer/SlicerJupyter: Extens..

AstraZeneca: 신약개발에 Medical imaging의 역할

Stanford Medicine, Lucas Center에 Astrazeneca inc,의 James MacKay 박사 발표를 들으며 정리한 내용. Title: The role of radiological imaging in clinical drug development Abstract: In this talk, I will describe the broad role of radiological imaging in clinical drug development – the unmet needs in drug development that imaging can potentially address, the potential use cases of imaging across the drug development..

Radiology reports의 Causal relationship

Informatics in Radiology: Radiology Gamuts Ontology: Differential Diagnosis for the Semantic Web Charles E. Kahn, Jr., 교수님께서 스탠포드에 방문하셔서 좋은 강의를 해주셨다. 아래는 발표를 들으면서 정리한 내용이다. Radiology reports의 text data와, Bayesian network를 활용해서, Pair-wise statistics보다 더 좋은 Ontology간의 causal relationship을 추론하는 연구이다. JOURNAL OF THE AMERICAN MEDICAL INFORMATICS ASSOCIATION (JAMIA)에 실린 논문 이 저널은 IF가 막 높진 않지만, 사실상 medi..

DINO Contrastive Learning in Medical Imaging

DINO Algorithm DINO Algorithm을 간단하게 얘기하면, 이미지에서 큰 부분 (Global view)와 작은부분 (Local view)으로 이미지를 떼어내어 준비한다. 그리고 Global view는 teacher에게 보여주고, Global + Local view를 student에게 보여줌으로써, 작은부분만 보고도 넓은 부분의 feature와 동일한 정보를 추출하도록 하는 것이다. 이렇게 계속 학습하다 보면, 이미지의 일부분만 보고도 전체이미지의 특징을 잡게 되므로 이미지의 주요한 부분에 집중하게 되고, 좋은 feature를 추출하게 된다. 바로 Label 없이 학습하는 self-supervised learning이다. Stanford의 Artificial Intelligence in M..

Histopathology를 다루기 위한 MIL

Bulk-sequencing 혹은 Spatial transcriptomics 데이터의 Phenotype을 보기 위해, Histopathology (혹은 Whole-slide Imaging) 데이터와 결합하여 보는 경우가 많아졌다. 나는 이 연구를 시작하게 된 계기는, 하버드 Peter park 랩에서 Normal tissue에 대한 CNV 연구가 활발한데, 정상인에서 발견되는 초기암으로 생각되는 CNV의 phenotype을 WSI에서 과연 볼 수 있을까? 에 대한 주제로 코웍을 하게 된 것인데, 만약 Histopathology에서 CNV를 어느정도 탐지할 수 있는 능력이 있다면, 때 초기암의 phenotype으로 여겨지기도 하는 hyperplasia같은 영역을 중요한 patch로 꼽지 않을까? 하는 질문..

Single Cell Analysis Best Practice 정리해보기

BIML, single cell 강의 들으면서 정리해본 내용입니다. 1. Data Format Annotated data: Single cell data를 효율적으로 구성한 데이터 format obsp: (n_obs, n_vars)인 sparse matrix dictionary 일반적으로 n_obs는 Cell의 수이고, n_vars는 Gene의 수 obsm: (n_obs, n_comps)인 sparse matrix dictionary 여기서 n_comps는 구성 요소의 수. -> 차원 감소 또는 클러스터링 알고리즘의 결과를 저장하는 데 사용 (PCA 또는 t-SNE 시각화 등의 2차원 정보 등을 저장) varm: (n_vars, n_vars)인 sparse matrix dictionary 여기서 n_va..

GTEx에서 Pathology image 분석하기

Normal H&E Slide image를 분석할 일이 생겨서, 분석을 해본 겸, 정리 포스트를 남겨놓으려고 한다. 1. GTEx phenotype 데이터 활용하기 개인적으로 TCGA, ICGC, GTEx 등 유전체 데이터를 활용할 때, UCSC Xena를 자주 활용한다. 서로 다른 데이터베이스의 batch effect 등을 정리한 데이터까지 제공해서.. 무척 편하다. https://xenabrowser.net/datapages/?cohort=GTEX&removeHub=https%3A%2F%2Fxena.treehouse.gi.ucsc.edu%3A443 phenotype - GTEX phenotype (n=9,783) UCSC Toil RNA-seq Recompute GTEx 데이터에서 원하는 tissue..

LUAD의 Lymph meta를 Radiomics, Deep Learning으로 비교

https://link.springer.com/article/10.1007/s00330-022-09153-z Ma, Xiaoling, et al. "Development and validation of a deep learning signature for predicting lymph node metastasis in lung adenocarcinoma: comparison with radiomics signature and clinical-semantic model." European Radiology (2022): 1-14. Lung adenocarcinoma (LUAD) 에서, Lymph node metastasis를 예측하는 논문인데,Deep learning과 Radiomics 두가지 모델을 구성..

Multi-class와 Multi-label classificiation, 분포가 다른 Output들

딥러닝 연구를 하다보니, 다양한 task를 수행하게 된다. 그 중, 딥러닝을 자주 씀에도 불구하고 내게 조금 헷갈렸던 task가 있는데, 바로 Multi-class와 Multi-label 이다. 쉽고 기본적인 내용같지만, Label의 형태에 따라서 매우 복잡한 문제가 될 수도 있다. 이 글에서는 Multi-label을 예측하는 문제에서, Output이 어떤 것은 Regression을 해야하고, 어떤 것은 classification을 수행해야 할 때를 위해 내가 정리하는 글이다. 1. Bianry classification - Sigmoid 일단 binary classification은, Logistic regression과 동일한 task로 간단한 sigmoid로 쉽게 해결할 수 있다. Sigmoid는 ..

반응형