뇌종양 환자에서 뇌종양을 분할(segmentation)하고 그 크기와 위치를 결정하는 과정은 치료 계획에 도움이 되기 때문에 영상의학과 전문의에게 상당한 어려움을 야기한다. 인공지능(AI), 특히 딥러닝(DL)의 활용은 의료 분야에서 유용한 도구로 부상하였으며, 영상의학과 전문의의 진단 과정에 도움을 제공한다. 이는 영상의학과 전문의가 종양의 생물학적 특성을 보다 잘 이해하고 뇌종양 환자에게 맞춤형 치료를 제공할 수 있도록 한다. 다중 모달 자기공명영상(MRI) 이미지를 이용한 뇌종양 분할은 상당한 주목을 받아왔다. 본 총설에서는 먼저 다중 모달 및 이용 가능한 자기공명영상 양식의 종류와 특성을 논의한다. 이어서 다중 모달 MRI를 활용한 뇌종양 분할을 위한 최신 DL 기반 모델을 논의한다. 이 절은 아키텍처(구조)에 따라 세 부분으로 나누는데, 첫째는 합성곱 신경망(CNN)의 백본을 사용하는 모델, 둘째는 비전 트랜스포머(vision transformer) 기반 모델, 셋째는 아키텍처에서 합성곱 신경망과 트랜스포머를 모두 사용하는 하이브리드(hybrid) 모델이다. 또한 최근의 출판물, 자주 사용되는 데이터셋, 분할 과제에 대한 평가 지표에 대해 심층적인 통계 분석을 수행한다. 마지막으로 뇌종양 분할과 관련된 개방형 연구 과제를 식별하고, 진단 정확도와 환자의 치료 결과를 향상시키기 위한 유망한 향후 연구 방향을 제안한다. 이는 더 나은 의료 전달과 인구 건강 관리를 위해 보건 의료 기술을 활용한다는 공중보건 목표와 부합한다.

뇌종양 환자에서 뇌종양을 분할(segmentation)하고 그 크기와 위치를 결정하는 과정은 치료 계획에 도움이 되기 때문에 영상의학과 전문의에게 상당한 어려움을 야기한다. 인공지능(AI), 특히 딥러닝(DL)의 활용은 의료 분야에서 유용한 도구로 부상하였으며, 영상의학과 전문의의 진단 과정에 도움을 제공한다. 이는 영상의학과 전문의가 종양의 생물학적 특성을 보다 잘 이해하고 뇌종양 환자에게 맞춤형 치료를 제공할 수 있도록 한다. 다중 모달 자기공명영상(MRI) 이미지를 이용한 뇌종양 분할은 상당한 주목을 받아왔다. 본 총설에서는 먼저 다중 모달 및 이용 가능한 자기공명영상 양식의 종류와 특성을 논의한다. 이어서 다중 모달 MRI를 활용한 뇌종양 분할을 위한 최신 DL 기반 모델을 논의한다. 이 절은 아키텍처(구조)에 따라 세 부분으로 나누는데, 첫째는 합성곱 신경망(CNN)의 백본을 사용하는 모델, 둘째는 비전 트랜스포머(vision transformer) 기반 모델, 셋째는 아키텍처에서 합성곱 신경망과 트랜스포머를 모두 사용하는 하이브리드(hybrid) 모델이다. 또한 최근의 출판물, 자주 사용되는 데이터셋, 분할 과제에 대한 평가 지표에 대해 심층적인 통계 분석을 수행한다. 마지막으로 뇌종양 분할과 관련된 개방형 연구 과제를 식별하고, 진단 정확도와 환자의 치료 결과를 향상시키기 위한 유망한 향후 연구 방향을 제안한다. 이는 더 나은 의료 전달과 인구 건강 관리를 위해 보건 의료 기술을 활용한다는 공중보건 목표와 부합한다.

Remote sensing technology has been modernized by artificial intelligence, which has made it possible for deep learning algorithms to extract useful information from images. However, overfitting and lack of uncertainty quantification, high-resolution images, information loss in traditional feature extraction, and background information retrieval for detected objects limit the use of deep learning models in various remote sensing applications. This paper proposes a Bayes by backpropagation (BBB)-based system for scene-driven identification and information retrieval in order to overcome the above-mentioned problems. We present the Bayes R-CNN, a two-stage object detection technique to reduce overfitting while also quantifying uncertainty for each object recognized within a given image. To extract features more successfully, we replace the traditional feature extraction model with our novel Multi-Resolution Extraction Network (MRENet) model. We propose the multi-level feature fusion module (MLFFM) in the inner lateral connection and a Bayesian Distributed Lightweight Attention Module (BDLAM) to reduce information loss in the feature pyramid network (FPN). In addition, our system incorporates a Bayesian image super-resolution model which enhances the quality of the image to improve the prediction accuracy of the Bayes R-CNN. Notably, MRENet is used to classify the background of the detected objects to provide detailed interpretation of the object. Our proposed system is comprehensively trained and assessed utilizing the state-of-the-art DIOR and HRSC2016 datasets. The results demonstrate our system’s ability to detect and retrieve information from remote sensing scene images.

변분 양자 알고리즘(Variational quantum algorithms, VQAs)은 근기 양자 장치에서의 잠재적 계산 이점 때문에 최근 몇 년간 괄목할 만한 관심을 받아왔다. VQAs는 기존의 고전적 접근만으로는 해결하기 어려운 고차원 문제를 풀기 위해, 고전 컴퓨팅과 양자 컴퓨팅 자원을 통합하는 하이브리드 접근법을 활용한다. 변분 회로의 학습 과정에서 각 epoch마다 정확한 확률분포를 구성하는 것이 항상 필요하지는 않으므로, shot(측정 횟수) 감소를 통해 계산 비용을 줄일 수 있는 기회가 생긴다. 그러나 이러한 잠재력을 활용하는 기존의 shot-할당 방법들은 종종 적응적 피드백이 부족하거나 특정 고전 최적화 기법에 종속되어, 일반적인 VQAs 및 더 광범위한 최적화 기법에 대한 적용성이 제한된다. 본 연구의 관찰에 따르면, 양자 회로 출력 분포의 정보 엔트로피는 목표 Hellinger 거리(Hellinger distance)를 달성하는 데 필요한 shot 수와 대략적인 지수적 관계를 보인다. 이에 본 연구에서는 이전 학습 epoch에서 얻은 엔트로피 분포를 사용하여 VQA의 각 반복(iteration)마다 shot 수를 효율적으로 조정하는 분포-적응 동적 shot(Distribution-adaptive dynamic shot, DDS) 프레임워크를 제안한다. 그 결과, DDS 프레임워크는 고정-shot 학습과 비교하여 평균 shot 수를 약 50% 감소시키면서도 추론 정확도를 유지하며, 최근 제안된 계층형(tiered) shot 할당 방법에 비해 약 60% 더 높은 정확도를 달성함을 보여준다. 또한 실제 IBM 양자 시스템의 오류율을 반영하는 노이즈 시뮬레이션에서도 DDS는 고정-shot 방식에 비해 총 shot 수를 약 30% 감소시키면서 정확도의 저하가 최소화되었고, 계층형 shot 할당 방법에 비해 약 70% 높은 계산 정확도를 제공한다.

The Internet of Things (IoT) technology has revolutionized various industries by allowing data collection, analysis, and decision-making in real time through interconnected devices. However, challenges arise in implementing Federated Learning (FL) in heterogeneous industrial IoT environments, such as maintaining model accuracy with non-Independent and Identically Distributed (non-IID) datasets and straggler IoT devices, ensuring computation and communication efficiency, and addressing weight aggregation issues. In this study, we propose an Uncertainty-Aware Federated Reinforcement Learning (UA-FedRL) method that dynamically selects epochs of individual clients to effectively manage heterogeneous industrial IoT devices and improve accuracy, computation, and communication efficiency. Additionally, we introduce the Predictive Weighted Average Aggregation (PWA) method to tackle weight aggregation issues in heterogeneous industrial IoT scenarios by adjusting the weights of individual models based on their quality. The UA-FedRL addresses the inherent complexities and challenges of implementing FL in heterogeneous industrial IoT environments. Extensive simulations in complex IoT environments demonstrate the superior performance of UA-FedRL on both MNIST and CIFAR-10 datasets compared to other existing approaches in terms of accuracy, communication efficiency, and computation efficiency. The UA-FedRL algorithm attain an accuracy of 96.83% on the MNIST dataset and 62.75% on the CIFAR-10 dataset, despite the presence of 90% straggler IoT devices, attesting to its robust performance and adaptability in different datasets.

Human emotion plays a significant role in mental well-being, and recognizing these emotions in daily life is essential. With the advancement of artificial intelligence, affective computing has paved the way for effective applications in enhancing emotional states in everyday life. In practical daily-life scenarios, data sources that can be collected through simple and low-cost wearables contribute to recognizing emotions in daily routines. Heart rate and speech data can be easily collected from affordable smartwatches without any other human intervention. Heart rate data, directly correlated with physiological response, and speech data, with its rich expressiveness, together yield a robust indicator of the human’s emotional condition. We conduct multimodal emotion recognition (MER), integrating heart rate-based emotion recognition (HER) and speech-based emotion recognition (SER) through a score-based fusion method. Our proposed MER achieves an overall accuracy of 84.22%, surpassing single-modality models with accuracies of 57.65% for HER and 80.38% for SER. The findings highlight the practicality of utilizing emotion-related data sources collected conveniently with smartwatches, thereby enhancing emotion tracking accessibility in daily life scenarios. Furthermore, integrating these modalities proves more effective in capturing emotions than using a single modality. Moreover, our system’s lightweight architecture facilitates easy expansion to incorporate additional modalities, ensuring durable precision even when not all modalities are sensed, making it versatile and pragmatic.

전 세계적으로 망막 질환의 급격히 증가하는 추세는 심각한 주의가 필요하다. 녹내장은 영구적인 시력 손상을 초래할 수 있는 중요한 안과 질환이다. 일반적으로 안과 전문의는 수작업 평가를 통해 녹내장을 진단하는데, 이는 오류에 취약하고 주관적이며 시간 소모적인 접근 방식이다. 따라서 기존의 진단 방법을 강화하고 보조하기 위한 자동화 방법의 개발이 필수적이다. 안저 영상(fundus imaging)에서 시신경 유두(optic cup; OC)와 시신경 유두(optic disc; OD)의 분할(segmentation)은 녹내장 선별(screening) 보조를 위해 연구자들 사이에서 널리 받아들여져 있다. 다수의 연구에서 녹내장 진단을 위한 인공지능(AI) 기반 의사결정 지원 시스템을 제안해 왔다. 그러나 기존의 AI 기반 방법들은 정확성과 효율성 측면에서 심각한 한계를 보인다. 배경의 차이, 픽셀 강도 값, 그리고 객체 크기의 변동은 분할을 어렵게 만든다. 특히 OC의 크기는 대개 매우 작고 경계가 불명확하여 그 분할이 더욱 어렵다. 이러한 문제를 효과적으로 해결하기 위해, 정확한 OD와 OC 분할을 제공하는 새로운 특징 자극 기반 밀집 분할 네트워크(feature excitation-based dense segmentation network; FEDS-Net)가 개발되었다. FEDS-Net은 OC와 OD 분할 성능을 향상시키기 위해 특징 자극(feature excitation) 및 정보 집합(information aggregation; IA) 메커니즘을 활용한다. 또한 FEDS-Net은 각각 네트워크의 다양한 효율적 학습을 위해 빠른 특징 다운샘플링(rapid feature downsampling)과 효율적인 컨볼루션 깊이(efficient convolutional depth)를 사용한다. 제안된 프레임워크는 세 가지 공개 데이터베이스인 REFUGE, Drishti-GS, Rim-One-r3에서 포괄적으로 평가되었다. FEDS-Net은 최신(state-of-the-art) 방법들에 비해 분할 성능에서 우수함을 달성하였다. 필요한 학습 가능 파라미터 수가 소수(2.73 million)라는 점 또한, 제안 방법의 뛰어난 계산 효율성을 확인해 준다.