{
  "block": 106149737,
  "op": [
    "delegate_vesting_shares",
    {
      "delegatee": "raretiger",
      "delegator": "steem",
      "vesting_shares": "7121.048467 VESTS"
    }
  ],
  "op_in_trx": 0,
  "timestamp": "2026-05-18T05:31:06",
  "trx_id": "151e2be3b9428a20accdac42def991992b86d92a",
  "trx_in_block": 1,
  "virtual_op": 0
}

{
  "block": 106001341,
  "op": [
    "delegate_vesting_shares",
    {
      "delegatee": "raretiger",
      "delegator": "steem",
      "vesting_shares": "4408.838062 VESTS"
    }
  ],
  "op_in_trx": 0,
  "timestamp": "2026-05-13T01:14:48",
  "trx_id": "221395ba0cd119fdbfa86b81e1a1164cb2958b62",
  "trx_in_block": 7,
  "virtual_op": 0
}

{
  "block": 105517245,
  "op": [
    "delegate_vesting_shares",
    {
      "delegatee": "raretiger",
      "delegator": "steem",
      "vesting_shares": "7133.564223 VESTS"
    }
  ],
  "op_in_trx": 0,
  "timestamp": "2026-04-26T04:44:00",
  "trx_id": "f4ee4600908ece3e338d10a94707e5ac1d388af3",
  "trx_in_block": 0,
  "virtual_op": 0
}

{
  "block": 102868781,
  "op": [
    "delegate_vesting_shares",
    {
      "delegatee": "raretiger",
      "delegator": "steem",
      "vesting_shares": "4450.384881 VESTS"
    }
  ],
  "op_in_trx": 0,
  "timestamp": "2026-01-23T21:57:57",
  "trx_id": "f8068700a14d81c2cb7ff6d62fa9513d6529f6ac",
  "trx_in_block": 1,
  "virtual_op": 0
}

{
  "block": 91315008,
  "op": [
    "delegate_vesting_shares",
    {
      "delegatee": "raretiger",
      "delegator": "steem",
      "vesting_shares": "4614.604078 VESTS"
    }
  ],
  "op_in_trx": 0,
  "timestamp": "2024-12-17T17:08:39",
  "trx_id": "5332d3ba67c4de69395b8ee5fa51b802d029930f",
  "trx_in_block": 0,
  "virtual_op": 0
}

{
  "block": 79869169,
  "op": [
    "delegate_vesting_shares",
    {
      "delegatee": "raretiger",
      "delegator": "steem",
      "vesting_shares": "4783.737610 VESTS"
    }
  ],
  "op_in_trx": 0,
  "timestamp": "2023-11-14T08:50:21",
  "trx_id": "727edcd050a1e3f17f8dab510746e7f35fddfaba",
  "trx_in_block": 1,
  "virtual_op": 0
}

{
  "block": 78361777,
  "op": [
    "delegate_vesting_shares",
    {
      "delegatee": "raretiger",
      "delegator": "steem",
      "vesting_shares": "7720.646396 VESTS"
    }
  ],
  "op_in_trx": 0,
  "timestamp": "2023-09-22T09:28:57",
  "trx_id": "6a929ab904249f61f59874f6a0c2a5654478c707",
  "trx_in_block": 4,
  "virtual_op": 0
}

{
  "block": 69119654,
  "op": [
    "delegate_vesting_shares",
    {
      "delegatee": "raretiger",
      "delegator": "steem",
      "vesting_shares": "7942.697834 VESTS"
    }
  ],
  "op_in_trx": 0,
  "timestamp": "2022-11-03T17:03:24",
  "trx_id": "fb05b496c7bd99a79b79083c1c93f43a8d538944",
  "trx_in_block": 0,
  "virtual_op": 0
}

{
  "block": 60822993,
  "op": [
    "delegate_vesting_shares",
    {
      "delegatee": "raretiger",
      "delegator": "steem",
      "vesting_shares": "8162.805435 VESTS"
    }
  ],
  "op_in_trx": 0,
  "timestamp": "2022-01-17T22:19:54",
  "trx_id": "fafb04122b5cc0b65c36e7c0b24639feb3581d34",
  "trx_in_block": 11,
  "virtual_op": 0
}

{
  "block": 54613361,
  "op": [
    "delegate_vesting_shares",
    {
      "delegatee": "raretiger",
      "delegator": "steem",
      "vesting_shares": "8346.999723 VESTS"
    }
  ],
  "op_in_trx": 0,
  "timestamp": "2021-06-14T05:32:48",
  "trx_id": "32e2ca7182199ac2202fa153dd318b8ad4332748",
  "trx_in_block": 7,
  "virtual_op": 0
}

{
  "block": 49360646,
  "op": [
    "delegate_vesting_shares",
    {
      "delegatee": "raretiger",
      "delegator": "steem",
      "vesting_shares": "8534.421697 VESTS"
    }
  ],
  "op_in_trx": 0,
  "timestamp": "2020-12-11T15:45:42",
  "trx_id": "93b69294dce88b70813df01793998f34921d173f",
  "trx_in_block": 4,
  "virtual_op": 0
}

{
  "block": 49212176,
  "op": [
    "delegate_vesting_shares",
    {
      "delegatee": "raretiger",
      "delegator": "steem",
      "vesting_shares": "1912.543513 VESTS"
    }
  ],
  "op_in_trx": 0,
  "timestamp": "2020-12-06T09:21:45",
  "trx_id": "6bec042e8362226ea6e70e3f40c5a3998e7f26a9",
  "trx_in_block": 3,
  "virtual_op": 0
}

{
  "block": 49195733,
  "op": [
    "delegate_vesting_shares",
    {
      "delegatee": "raretiger",
      "delegator": "steem",
      "vesting_shares": "8540.629551 VESTS"
    }
  ],
  "op_in_trx": 0,
  "timestamp": "2020-12-05T19:23:42",
  "trx_id": "1ae44ce411e62ba67eac17cb983a5e8ae44a9509",
  "trx_in_block": 4,
  "virtual_op": 0
}

{
  "block": 48269095,
  "op": [
    "delegate_vesting_shares",
    {
      "delegatee": "raretiger",
      "delegator": "steem",
      "vesting_shares": "1920.017158 VESTS"
    }
  ],
  "op_in_trx": 0,
  "timestamp": "2020-11-03T01:13:45",
  "trx_id": "c29673dd93feb8f7dadee2dbc680bffb2dfdf552",
  "trx_in_block": 3,
  "virtual_op": 0
}

{
  "block": 43222494,
  "op": [
    "delegate_vesting_shares",
    {
      "delegatee": "raretiger",
      "delegator": "steem",
      "vesting_shares": "8743.434910 VESTS"
    }
  ],
  "op_in_trx": 0,
  "timestamp": "2020-05-09T10:24:06",
  "trx_id": "9067d891adb98932686a99eb4a4ee5cf03bf9cc1",
  "trx_in_block": 5,
  "virtual_op": 0
}

{
  "block": 43199416,
  "op": [
    "delegate_vesting_shares",
    {
      "delegatee": "raretiger",
      "delegator": "steem",
      "vesting_shares": "1953.311140 VESTS"
    }
  ],
  "op_in_trx": 0,
  "timestamp": "2020-05-08T14:42:03",
  "trx_id": "0fbd864106e9e4e191cf89d3031901f8e2576d04",
  "trx_in_block": 18,
  "virtual_op": 0
}

{
  "block": 40645734,
  "op": [
    "comment",
    {
      "author": "steemitboard",
      "body": "Congratulations @raretiger! You received a personal award!\n\n<table><tr><td>https://steemitimages.com/70x70/http://steemitboard.com/@raretiger/birthday2.png</td><td>Happy Birthday! - You are on the Steem blockchain for 2 years!</td></tr></table>\n\n<sub>_You can view [your badges on your Steem Board](https://steemitboard.com/@raretiger) and compare to others on the [Steem Ranking](https://steemitboard.com/ranking/index.php?name=raretiger)_</sub>\n\n\n###### [Vote for @Steemitboard as a witness](https://v2.steemconnect.com/sign/account-witness-vote?witness=steemitboard&approve=1) to get one more award and increased upvotes!",
      "json_metadata": "{\"image\":[\"https://steemitboard.com/img/notify.png\"]}",
      "parent_author": "raretiger",
      "parent_permlink": "study-computer-aided-diagnosis-cad-for-lung-cancer-4",
      "permlink": "steemitboard-notify-raretiger-20200208t174123000z",
      "title": ""
    }
  ],
  "op_in_trx": 0,
  "timestamp": "2020-02-08T17:41:24",
  "trx_id": "c85ea19a24891c853a0d1f591d2ae32d5d1bd7ee",
  "trx_in_block": 2,
  "virtual_op": 0
}

{
  "block": 34532057,
  "op": [
    "delegate_vesting_shares",
    {
      "delegatee": "raretiger",
      "delegator": "steem",
      "vesting_shares": "8917.956522 VESTS"
    }
  ],
  "op_in_trx": 0,
  "timestamp": "2019-07-10T06:04:33",
  "trx_id": "c33cc7be186ff350f317ee5dabf7066ddfc2ba32",
  "trx_in_block": 16,
  "virtual_op": 0
}

{
  "block": 30174062,
  "op": [
    "comment",
    {
      "author": "steemitboard",
      "body": "Congratulations @raretiger! You received a personal award!\n\n<table><tr><td>https://steemitimages.com/70x70/http://steemitboard.com/@raretiger/birthday1.png</td><td>Happy Birthday! - You are on the Steem blockchain for 1 year!</td></tr></table>\n\n<sub>_[Click here to view your Board](https://steemitboard.com/@raretiger)_</sub>\n\n\n> Support [SteemitBoard's project](https://steemit.com/@steemitboard)! **[Vote for its witness](https://v2.steemconnect.com/sign/account-witness-vote?witness=steemitboard&approve=1)** and **get one more award**!",
      "json_metadata": "{\"image\":[\"https://steemitboard.com/img/notify.png\"]}",
      "parent_author": "raretiger",
      "parent_permlink": "study-computer-aided-diagnosis-cad-for-lung-cancer-4",
      "permlink": "steemitboard-notify-raretiger-20190208t175847000z",
      "title": ""
    }
  ],
  "op_in_trx": 0,
  "timestamp": "2019-02-08T17:58:48",
  "trx_id": "17bea922b36dcec2cb00bab9286738cb2ea1f6c0",
  "trx_in_block": 4,
  "virtual_op": 0
}

{
  "block": 24364290,
  "op": [
    "delegate_vesting_shares",
    {
      "delegatee": "raretiger",
      "delegator": "steem",
      "vesting_shares": "9116.806962 VESTS"
    }
  ],
  "op_in_trx": 0,
  "timestamp": "2018-07-21T07:48:54",
  "trx_id": "14b7a7f5082a0ba59c2c4b34fea95419035bfe5a",
  "trx_in_block": 45,
  "virtual_op": 0
}

{
  "block": 22573545,
  "op": [
    "delegate_vesting_shares",
    {
      "delegatee": "raretiger",
      "delegator": "steem",
      "vesting_shares": "29495.442394 VESTS"
    }
  ],
  "op_in_trx": 0,
  "timestamp": "2018-05-19T18:03:00",
  "trx_id": "c410d073b29aa820b4ea04ce61e3209e2bec9a37",
  "trx_in_block": 3,
  "virtual_op": 0
}

{
  "block": 21843097,
  "op": [
    "author_reward",
    {
      "author": "raretiger",
      "permlink": "study-computer-aided-diagnosis-cad-for-lung-cancer-3",
      "sbd_payout": "0.103 SBD",
      "steem_payout": "0.000 STEEM",
      "vesting_payout": "71.302934 VESTS"
    }
  ],
  "op_in_trx": 0,
  "timestamp": "2018-04-24T09:07:24",
  "trx_id": "0000000000000000000000000000000000000000",
  "trx_in_block": 4294967295,
  "virtual_op": 13
}

{
  "block": 21753331,
  "op": [
    "comment",
    {
      "author": "raretiger",
      "body": "혹시 모르는 내용은 언제든 댓글로 질문 해주시면 감사하겠습니다. \n틀린 내용이나 문제가 있는 부분에 대한 지적은 언제나 환영합니다.",
      "json_metadata": "{\"tags\":[\"study\"],\"app\":\"steemit/0.1\"}",
      "parent_author": "raretiger",
      "parent_permlink": "study-computer-aided-diagnosis-cad-for-lung-cancer-3",
      "permlink": "re-raretiger-study-computer-aided-diagnosis-cad-for-lung-cancer-3-20180421t055145785z",
      "title": ""
    }
  ],
  "op_in_trx": 0,
  "timestamp": "2018-04-21T05:51:48",
  "trx_id": "732a46ea590ad8e3fbc12390042e0a52e31fda73",
  "trx_in_block": 9,
  "virtual_op": 0
}

{
  "block": 21752181,
  "op": [
    "vote",
    {
      "author": "raretiger",
      "permlink": "study-computer-aided-diagnosis-cad-for-lung-cancer-4",
      "voter": "raretiger",
      "weight": 10000
    }
  ],
  "op_in_trx": 0,
  "timestamp": "2018-04-21T04:54:18",
  "trx_id": "e63fed272d3ff63cb8ce0017a9d56452daf7193c",
  "trx_in_block": 35,
  "virtual_op": 0
}

{
  "block": 21752181,
  "op": [
    "comment",
    {
      "author": "raretiger",
      "body": "오늘 작성할 내용은 지금까지의 내용을 전부 포함해서 정리한 내용을 다루고자 한다. \n\n지금까지 다룬 내용들은 폐암이라는 특정 질병에 대해 다루면서 얘기를 하지만, 좀더 넓은 범위에서 다시 정리해서 얘기 해보고자 한다. \n\n내가 지금 하고자 하는 CAD system 의 전체적인 단계와 그 단계별로 현재까지 나온 방법들에 대해 정리해보고자 한다. \n\nCAD system 의 가장 큰 process 를 다시 보여주면 아래와 같다. \n\n![CAD.png](https://steemitimages.com/DQmQSuo4zAJrSEVpQ1dpGCKbB7pFD3Cz6RijYUcMwECWG5j/CAD.png)\n\nCAD system 을 크게 나누면 detection 과 diagnosis 로 나눌 수 있다. \n\n우리가 시스템에서 원하는 최종 목적은 결국 병변을 검출하고(detection) 그 병변이 실제로 얼마나 심각한 병인지를(diagnosis) 알기 위함이다. \n\n따라서, 전체 process 를 나열하면 위의 그림과 같다고 할 수 있을 것이다. \n\n이중, preprocess 는 이전 포스트에서 코드와 함께 확인 할 수 있다. \n\n사실 CT 영상은 preprocess 가 간편한 편이다. MRI 영상의 경우 복잡한 뇌영상을 사용하기 위해 복잡한 preprocess 를 거쳐야 한다.\n\nMRI 에 대해서는 다른 글을 통해 좀더 정리하도록 하겠다. \n\n우선 CT 영상에 집중을 하자면, preprocess 가 끝나면 우리는 candidate nodule patches 를 얻을 수 있게 된다. \n\n이 patch 가 포함하고 있는 영역과 label 및 loss function 에 따라 학습되는 모델의 의미가 정해지게 된다.\n\nLUNA16 dataset 의 경우 제공하는 데이터와 label 은 GT 결절의 중심 위치와\n\n그 중심을 기준으로 x, y, z 축의 크기를 지정한 영역의 patch를 획득 가능하다.\n\n따라서, 우리의 모델은 candidate nodule 과 그 일정 주변 영역에 대한 label을 확보 가능하다. \n\n즉, Patch 의 크기는 모델이 결절을 분류하기 위해 얼마만큼의 정보를 필요로 하게 되는지를 정하는 중요한 요소이다. \n\n[Dou et al., IEEETMI, 2017] 이 논문은 LUNA16 데이터셋을 다루는 모든 학생들이 반드시 읽어야 하는 논문이라고 생각한다. \n\n왜냐면, LUNA16 데이터셋의 모든 nodule 을 직접 counting 하면서 그 크기에 대해 정리한 논문이기 때문이다. \n\n이 부분이 시사하는 바는 2가지이다. \n\n1. 결국 nodule 의 patch 크기를 specific 하게 정하기 위해서는 결국 모든 결절을 확인해 봐야 한다는 점이고, \n1. 사실 이 두번째가 더 큰 내용이라고 생각하는데, LUNA 데이터셋이 너무 많이 연구된 데이터 셋이라는 점이다. \n\n두번째 이유는 논문을 쓸때 고려해야 하는 부분이라고 생각되는데, 그렇지 않고 실험적으로 사용하기에는 \n\n쉽게 접근할 수 있다는 점에서 데이터 셋의 의의가 있다고 하겠다. \n\n이처럼 결절의 주변 영역을 포함한 patch 를 사용해 non-nodule 을 분류 하고 나면, \n\n이제 nodule 과 그 EMR 데이터를 통해 malignant and benign 을 분류 해야한다. \n\n다음 부터 작성하는 [study] CAD 시리즈 글에서는 그동안 읽은 논문들을 정리하면서 CNN 의 등장이 어떠한 영향을 미쳤는지, \n\n확인해보고 최신 ML 알고리즘이 적용된 CAD 시스템을 확인해보고자 한다. \n\n한가지 미리 언급하자면, 이글에서는 CNN 의 기본 개념이나 그 수식 같은 내용은 전혀 다루지 않을 것이다. \n\n결론부터 말하자면, 결국 CNN 은 feature extractor 의 역할을 대신하는 것으로 사용되고있다. \n\nCNN 의 hierarchical 한 성질과 그 convolution kernel 의 sliding window 방식으로 영상의 특징을 추출한다는 점이,\n\n기존의 feature extraction algorithm 과는 다른 specific 한 정보만을 추출하지 않고 \n\n다양한 morphological feature 를 추출할 수 있다는 점이 최근 CNN 을 사용하는 장점이 된다.\n\n오늘은 여기까지, 다음에는 Related works paper 들과 함께 간략히 내용을 정리해 보도록 하겠다.",
      "json_metadata": "{\"tags\":[\"study\",\"luna16\",\"nodule-detection\",\"cad-system\"],\"image\":[\"https://steemitimages.com/DQmQSuo4zAJrSEVpQ1dpGCKbB7pFD3Cz6RijYUcMwECWG5j/CAD.png\"],\"app\":\"steemit/0.1\",\"format\":\"markdown\"}",
      "parent_author": "",
      "parent_permlink": "study",
      "permlink": "study-computer-aided-diagnosis-cad-for-lung-cancer-4",
      "title": "[Study] Computer Aided Diagnosis (CAD) for Lung Cancer #4"
    }
  ],
  "op_in_trx": 0,
  "timestamp": "2018-04-21T04:54:18",
  "trx_id": "e63fed272d3ff63cb8ce0017a9d56452daf7193c",
  "trx_in_block": 35,
  "virtual_op": 0
}

{
  "block": 21642772,
  "op": [
    "vote",
    {
      "author": "raretiger",
      "permlink": "study-computer-aided-diagnosis-cad-for-lung-cancer-3",
      "voter": "pinoy",
      "weight": 1000
    }
  ],
  "op_in_trx": 0,
  "timestamp": "2018-04-17T09:43:27",
  "trx_id": "8afd85417499e0d75ac06a8004c86e34b7711157",
  "trx_in_block": 32,
  "virtual_op": 0
}

{
  "block": 21642653,
  "op": [
    "vote",
    {
      "author": "raretiger",
      "permlink": "study-computer-aided-diagnosis-cad-for-lung-cancer-3",
      "voter": "hr1",
      "weight": 2
    }
  ],
  "op_in_trx": 0,
  "timestamp": "2018-04-17T09:37:30",
  "trx_id": "a30fe04f46d0349c25b78eafce2a590d15cfb458",
  "trx_in_block": 33,
  "virtual_op": 0
}

{
  "block": 21642051,
  "op": [
    "vote",
    {
      "author": "raretiger",
      "permlink": "study-computer-aided-diagnosis-cad-for-lung-cancer-3",
      "voter": "raretiger",
      "weight": 10000
    }
  ],
  "op_in_trx": 0,
  "timestamp": "2018-04-17T09:07:24",
  "trx_id": "b5e8fc3bea3592ec4dd16b2289c973d799afd450",
  "trx_in_block": 30,
  "virtual_op": 0
}

{
  "block": 21642051,
  "op": [
    "comment",
    {
      "author": "raretiger",
      "body": "최근 개인 신상이 변할 만한 일들이 생겨서 정말 ... 푹 쉬어버렸습니다. \n\n2년동안 연구한 내용들이 아쉬워서 나름 정리를 해보려던 것이었는데, 정리가 늦어지고 말았습니다. \n\n일단 쉬면서 정리한 내용들로 빠르게 마무리를 짓고 다른 내용으로 넘어가 보도록 하겠습니다. \n\n지난번 글에서 글로만 정리하고 있었는데, 그림도 첨가 하면서 작성하도록 하겠습니다. \n\n영상의 출처는 대부분 제가 추출했습니다. 그 코드는 LUNA16의 ipython 코드를 기초로 제가 수정한 코드를 사용합니다. \n\n따로 출처가 있는 경우는 그 출처를 밝히도록 하겠습니다.\n\n------\n\n![CTImage.png](https://steemitimages.com/DQmRusYpL6QttFQTnUtC8vfMFrrpkDoZGg9bcdBQj7VMqki/CTImage.png)\n[Sample CT slide in LUNA16 challenge dataset]\n\n너무 작아서 보기가 힘든데, 작은 노란색 + 표시가 있는 부분이 결절의 위치이다. \n\n폐결절을 따로 확대해서 확인해 보면 아래와 같다. \n\n![ND.png](https://steemitimages.com/DQmSoHgniQwWEjE1GY1Pr6Kbi1WBXRFhzntbkxRAJVvK5Nq/ND.png)\n\n오늘은 이 결절을 추출하는 단계까지 작성하겠다. \n\n전 글에서 다른 연구들을 소개하려 했는데, 바로 넘어가는 것보다 그 부분을 이해하기 위한 \n\n기본 내용들도 중요하다 생각이 들어서 그부분을 먼저 정리 하고 넘어가겠다.\n\n------\n\n### Preprocessing of pulmonary nodule extraction\n\n폐결절 추출의 전처리 단계는 크게는 3단계로 이루어져있다. \n\n1. Hounsfield Unit (HU) Normalization\n1. Lung area segmentation\n1. Nodule detection\n\n여기서 기존의 영상처리를 사용하는 시스템에서는 Lung area segmentation 에 대한 이슈가 있었는데, 최근의 Deep learning 을 통한 방법에서는 언급되지 않는다. \n\n이 부분에 대해서는 나중에 Lung area 에서 그림과 함께 얘기 하도록 하겠다.\n\n##### 1. Hounsfield Unit Normalization\n\nCT 영상은 방사선 (x-ray)가 인체를 투과하며 그 고유 물질에 따라 감쇠되는 정도가 다름을 이용하는 방식이다. \n\n즉, 그 물질에 따라 다른 범위의 값을 갖는다. 이는 위키피디아에 매우 감사하게도 잘 정리되어있다. \n\n[Wiki: Hounsfield Unit]<https://en.wikipedia.org/wiki/Hounsfield_scale>\n\nLUNA16 의 tutorial 에서 사용하는 HU 값의 범위는 [-1000, 400]을 사용한다. \n\n위키피디아의 Value in parts of the body 섹션의 표를 확인해 보면 \n\n이 범위의 HU값은 soft tissue를 포함해 많은 부분을 포함하는 값이라는 것을 확인 할 수 있다. \n\n이처럼, 일정 범위의 HU 값을 [0, 1] 로 정규화(Normalization)하는 것은 특정 부분 만을 실험에 사용하기 위함이다.\n\n먼저 영상을 불러 오기 위해 나는 Simple ITK를 사용해서 영상을 불러왔다. \n\n```\nimport numpy as np\nimport SimpleITK as sitk\n\ndef load_itk_image(filename):\n    itkimage = sitk.ReadImage(filename)\n    numpyImage = sitk.GetArrayFromImage(itkimage) # z, y, x axis load\n    numpyOrigin = np.array(list(reversed(itkimage.GetOrigin())))\n    numpySpacing = np.array(list(reversed(itkimage.GetSpacing())))\n    \n    return numpyImage, numpyOrigin, numpySpacing \n\n```\n\n이때, 불러온 영상의 100번째 슬라이드를 출력한게 아래 그림이다.\n![Orig_CT.png](https://steemitimages.com/DQmQaAjqMaqmUFdnYYjf9qUEQxhXw5nGkUgJcBTCMvygQ3G/Orig_CT.png)\n\n주의 할 점은 CT scan을 불러 올 때의 Array 순서에 따라 slide 의 방향이 바뀐다는 점이다.\n\n내가 load 한 이미지를 확인했을 때는 array 가 [z, y, x] axis의 순서로 load 되었다. \n\nOrigin 과 Spacing 은 CT scan 의 해상도를 계산하기 위해 주어지는 정보이다. \n\n우리에게 주어지는 폐결절의 정보인 지름(diameter)정보는 mm 단위로 주어지는데, \n\n이 mm 단위를 pixel 단위로 변경하기 위해 사용되는 정보이다.\n\n```\ndef normalizePlanes(npzarray):\n    maxHU = 400.\n    minHU = -1000.\n    npzarray = (npzarray - minHU) / (maxHU - minHU)\n    npzarray[ npzarray > 1 ] = 1.\n    npzarray[ npzarray < 0 ] = 0.\n    return npzarray\n\ndef chg_VoxelCoord(lists, str, origin, spacing):\n    cand_list = []\n    labels = []\n    # if len(lists) > 2000:\n    for list in lists:\n        if list[0] in str:\n            worldCoord =np.asarray([float(list[3]),float(list[2]),float(list[1])])\n            voxelCoord = worldToVoxelCoord(worldCoord, origin, spacing)\n            if list[4] is '1':\n                augs, aug_labels = aug_candidate(voxelCoord)\n                cand_list.append(voxelCoord)\n                labels.append(int(list[4]))\n                for aug in augs:\n                    cand_list.append(aug)\n                al_vec = np.ones((int(aug_labels),1))\n                for aug_lbl in al_vec:\n                    labels.append(int(aug_lbl))\n            else:\n                cand_list.append(voxelCoord)\n                labels.append(int(list[4]))\n    return cand_list, labels\n```\n\nnumpy array 형식으로 load 한 데이터를 정규화 한 것이 npzarray 이다. \n\n현실의 mm 단위를 pixel 단위로 변경하는 함수가 chg_VoxelCoord 이다. \n\n이 함수를 통해 LUNA16에서 주어진 결절의 중심 좌표를 pixel 단위 좌표로 변경한다.\n\n이제 normalized 이미지와 pixel 단위로 변환된 결절의 중심 위치를 얻었으니, patch 를 추출하기만 하면 되는 것이다. \n\n------\n##### 2. Lung area segmentation \n\n우선, 앞서 보여준 CT 영상에서 Lung area 를 추출하기 위한 방법으로 많이 사용되는 것이  앞서 언급한 HU 값을 이용하는 것이다. \n\nHU 값의 Lung 범위의 중간점을 thresholding 하면 간단하게 Lung segmentation 영상을 확인 할 수 있다. \n\n아래는 그 함수와 실행 결과 영상이다. \n\n```\ndef make_lungmask(img, display=False):\n    \"\"\"\n    # Standardize the pixel value by subtracting the mean and dividing by the standard deviation\n    # Identify the proper threshold by creating 2 KMeans clusters comparing centered on soft tissue/bone vs lung/air.\n    # Using Erosion and Dilation which has the net effect of removing tiny features like pulmonary vessels or noise\n    # Identify each distinct region as separate image labels (think the magic wand in Photoshop)\n    # Using bounding boxes for each image label to identify which ones represent lung and which ones represent \"every thing else\"\n    # Create the masks for lung fields.\n    # Apply mask onto the original image to erase voxels outside of the lung fields.\n    \"\"\"\n    row_size = img.shape[0]\n    col_size = img.shape[1]\n\n    mean = np.mean(img)\n    std = np.std(img)\n    img = img - mean\n    img = img / std\n    # Find the average pixel value near the lungs\n    # to renormalize washed out images\n    middle = img[int(col_size / 5):int(col_size / 5 * 4), int(row_size / 5):int(row_size / 5 * 4)]\n    mean = np.mean(middle)\n    max = np.max(img)\n    min = np.min(img)\n    # To improve threshold finding, I'm moving the\n    # underflow and overflow on the pixel spectrum\n    img[img == max] = mean\n    img[img == min] = mean\n\n    # Using Kmeans to separate foreground (soft tissue / bone) and background (lung/air)\n    kmeans = KMeans(n_clusters=2).fit(np.reshape(middle, [np.prod(middle.shape), 1]))\n    centers = sorted(kmeans.cluster_centers_.flatten())\n    threshold = np.mean(centers)\n    thresh_img = np.where(img < threshold, 1.0, 0.0)  # threshold the image\n\n    # First erode away the finer elements, then dilate to include some of the pixels surrounding the lung.\n    # We don't want to accidentally clip the lung.\n\n    eroded = morphology.erosion(thresh_img, np.ones([3, 3]))\n    dilation = morphology.dilation(eroded, np.ones([8, 8]))\n\n    labels = measure.label(dilation)  # Different labels are displayed in different colors\n    label_vals = np.unique(labels)\n    regions = measure.regionprops(labels)\n    good_labels = []\n    for prop in regions:\n        B = prop.bbox\n        if B[2] - B[0] < row_size / 10 * 9 and B[3] - B[1] < col_size / 10 * 9 and B[0] > row_size / 5 and B[\n            2] < col_size / 5 * 4:\n            good_labels.append(prop.label)\n    mask = np.ndarray([row_size, col_size], dtype=np.int8)\n    mask[:] = 0\n\n    #\n    #  After just the lungs are left, we do another large dilation\n    #  in order to fill in and out the lung mask\n    #\n    for N in good_labels:\n        mask = mask + np.where(labels == N, 1, 0)\n    mask = morphology.dilation(mask, np.ones([10, 10]))  # one last dilation\n\n    if display:\n        fig, ax = plt.subplots(3, 2, figsize=[12, 12])\n        ax[0, 0].set_title(\"Original\")\n        ax[0, 0].imshow(img, cmap='gray')\n        ax[0, 0].axis('off')\n        ax[0, 1].set_title(\"Threshold\")\n        ax[0, 1].imshow(thresh_img, cmap='gray')\n        ax[0, 1].axis('off')\n        ax[1, 0].set_title(\"After Erosion and Dilation\")\n        ax[1, 0].imshow(dilation, cmap='gray')\n        ax[1, 0].axis('off')\n        ax[1, 1].set_title(\"Color Labels\")\n        ax[1, 1].imshow(labels)\n        ax[1, 1].axis('off')\n        ax[2, 0].set_title(\"Final Mask\")\n        ax[2, 0].imshow(mask, cmap='gray')\n        ax[2, 0].axis('off')\n        ax[2, 1].set_title(\"Apply Mask on Original\")\n        ax[2, 1].imshow(mask * img, cmap='gray')\n        ax[2, 1].axis('off')\n\n        plt.show()\n        plt.savefig('t.png')\n    return mask * img\n```\n\n![Thresholding.png](https://steemitimages.com/DQmcFd47NES4Ctic8tbebYBX1GcqEuRNEsa9Uvzqj9rXRPh/Thresholding.png)\n\nthresholding 의 결과 영상에서 빨간 원 안의 부분이 바로 맨처음에 언급한 issue 부분이다. \n\nHU 을 기준으로 thresholding 을 하게 되면 기관지, 심장, 혈관등에 의해 일정 영역을 채울 수 없게 된다. \n\n심장등이 위치한 아에 다른 영역이면 관련이 없지만, 종종 결절이 폐 가장자리에 발생하게 되면 body 영역과 유사한 HU 값 때문에 문제가 생기게 된다. \n\n이런 문제를 해결하기위해 다양한 방법이 도입되었는데, 가장 대표적인 방법이 Lung area 를 조금 넓히는 방법이다.\n\n또는 아래 처럼 LoG 필터를 사용하는 방법도 있는데, 이 부분은 MATLAB 으로 했는데 코드가 정리가 안되있어서 공개하진 않는다.\n\n![lung_area2.png](https://steemitimages.com/DQmPWbJBKJVXqc9tBh1Gve1GUvb1LuTdwryGqSWrkXRikoA/lung_area2.png) [Rolling Ball] \n\n![LoGThresh.png](https://steemitimages.com/DQmTNBuS5ihNLcndCjcBaFGRHbqxaH31BqfGXqieNanY1SM/LoGThresh.png) [LoG filter]\n\n이런 부분은 영상처리에서 이슈가 되었지만, 딥러닝을 위한 patch 를 추출 할 때는 크게 신경쓰지 않아도 된다. \n\n오히려 딥러닝에서는 HU normalization 의 의미가 좀더 중요해 진다. \n\n------\n\n##### HU normalization issue\n\n아래 그림은 각기 다른 HU 값으로 정규화한 동일 영역의 patch 이다.\n\n![HU_norm.png](https://steemitimages.com/DQmXtJrKNyn2Jprwq1rvAV3FgzeZKAjcLJQq4mvT1S3pW5M/HU_norm.png)\n\n보이는 것과 같이 각 patch 들이 제공하는 정보가 각기 다름을 알 수 있다. \n\n물론, 사용된 [-1000, 400] HU 값에는 위의 정보가 포함되어있다는 가정하에 실험이 진행되지만, \n\nnormalize 하는 HU 값의 변화에 따라 각 patch 가 가지는 정보의 의미가 변화한다는 것은 확인 할 수 있다. \n\n------\n\n본래 Convolutional Neural Network 의 실험을 위해서는 training set 과 validation set, test set 으로 구분하기 위한 \n\nCross-validation 과정과 결절과 비결절의 불균형을 맞추기 위한 Augmentation 과정이 필요하지만, \n\n이부분은 다른 글에서 더 잘 설명해주기 때문에 추가하지는 않았다. \n\n오늘은 여기까지 ...",
      "json_metadata": "{\"tags\":[\"study\",\"luna16\",\"nodule-detection\",\"preprocessing\"],\"image\":[\"https://steemitimages.com/DQmRusYpL6QttFQTnUtC8vfMFrrpkDoZGg9bcdBQj7VMqki/CTImage.png\",\"https://steemitimages.com/DQmSoHgniQwWEjE1GY1Pr6Kbi1WBXRFhzntbkxRAJVvK5Nq/ND.png\",\"https://steemitimages.com/DQmQaAjqMaqmUFdnYYjf9qUEQxhXw5nGkUgJcBTCMvygQ3G/Orig_CT.png\",\"https://steemitimages.com/DQmcFd47NES4Ctic8tbebYBX1GcqEuRNEsa9Uvzqj9rXRPh/Thresholding.png\",\"https://steemitimages.com/DQmPWbJBKJVXqc9tBh1Gve1GUvb1LuTdwryGqSWrkXRikoA/lung_area2.png\",\"https://steemitimages.com/DQmTNBuS5ihNLcndCjcBaFGRHbqxaH31BqfGXqieNanY1SM/LoGThresh.png\",\"https://steemitimages.com/DQmXtJrKNyn2Jprwq1rvAV3FgzeZKAjcLJQq4mvT1S3pW5M/HU_norm.png\"],\"links\":[\"https://en.wikipedia.org/wiki/Hounsfield_scale\"],\"app\":\"steemit/0.1\",\"format\":\"markdown\"}",
      "parent_author": "",
      "parent_permlink": "study",
      "permlink": "study-computer-aided-diagnosis-cad-for-lung-cancer-3",
      "title": "[Study] Computer Aided Diagnosis (CAD) for Lung Cancer #3"
    }
  ],
  "op_in_trx": 0,
  "timestamp": "2018-04-17T09:07:24",
  "trx_id": "b5e8fc3bea3592ec4dd16b2289c973d799afd450",
  "trx_in_block": 30,
  "virtual_op": 0
}

{
  "block": 20022629,
  "op": [
    "vote",
    {
      "author": "raretiger",
      "permlink": "study-computer-aided-diagnosis-cad-for-lung-cancer-2",
      "voter": "seanapsis",
      "weight": 10000
    }
  ],
  "op_in_trx": 0,
  "timestamp": "2018-02-20T02:09:30",
  "trx_id": "d38d7aefcfd3f9f02871843967cfd4b8af3cbd32",
  "trx_in_block": 71,
  "virtual_op": 0
}

{
  "block": 20009978,
  "op": [
    "vote",
    {
      "author": "raretiger",
      "permlink": "study-computer-aided-diagnosis-cad-for-lung-cancer-2",
      "voter": "raretiger",
      "weight": 10000
    }
  ],
  "op_in_trx": 0,
  "timestamp": "2018-02-19T15:35:51",
  "trx_id": "1537dadc70ce51761a4bf6776e394589c315bff3",
  "trx_in_block": 50,
  "virtual_op": 0
}

{
  "block": 20009978,
  "op": [
    "comment",
    {
      "author": "raretiger",
      "body": "# 진단보조 시스템 개발 ... \n\n### Pulmonary Nodule\n\n먼저 진단을 위한 가장 앞선 단계는 병변을 검출하는 것이다. 따라서, 폐암의 조기병변인  폐결절의 검출 시스템을 개발 하기로 하였다. 폐결절의 정의는 의료영상에서 최소 직경 3mm, 최대 직경 3cm의 둥근 형태로 검출되는 물체를 뜻한다. 폐결절의 정의가 이렇게 모호한 이유는 그만큼 폐결절이 다양한 형태를 가지고 있기 때문이다. ~~폐결절의 정의 6가지~~\n\n폐결절이 다양한 형태를 가지게 되는 가장 큰 원인은 크게 2가지를 들 수 있다. 가장 큰 원인은  CT 촬영기법에 있다. CT 영상은 X-ray가 우리의 몸을 투사한 영상을 확인한다. 즉, 3차원을 2차원으로 줄이다 보니 잡음이 많이 생기게 되는 것이다. 여기서, 두번째 원인은 흉부의 위치적 특성을 들 수 있다. 흉부에는 인체의 다양한 기관들이 밀집해 있는데, 이를 2차원으로 투영하니  여러 장기들이 겹쳐서 잡음을 만드는 것이다.  \n\n### Computer-Aided Pulmonary Nodule Detection System\n\n위에서 간단하게 살펴본 바에 의해 우리는 몇가지 사실을 확인 할 수 있다. 가장먼저, 다른 장기들과 겹쳐져 있는 폐결절을 검출하기 위해서는 폐결절과 다양한 장기들을 구별 할 수 있어야 한다는 점이다. 현재 영상처리 방식을 사용해 폐결절을 구별하는 시스템은 크게 두가지 단계로 구성된다. 우선, 후보군 검출이다. 실제 폐결절을 최대한 포함하도록 후보군을 검출하기 위해 double-threshold 같은 단순한 방법을 사용해 후보군을 검출한다. 즉, 후보군 검출에서 가장 중요한 부분은 실제 폐결절에 대한 민감도를 유지하며 최대한 후보군을 추출해야한다는 점이다. \n\n### LUng Nodule Analysis 2016 (LUNA16) \n\n이를 확인 하기위해 현재 공개되있는 데이터셋인 LUNA16의 데이터 셋으로 연구를 시작하였다.\n\n이 데이터셋은, 총 1,012 명의 환자군을 가지고 있는 LIDC-IDRI 데이터 베이스에서 슬라이드의 두께가 2.5mm 이상인 888명의 환자를 추출하여 사용한다. 이때, 다양한 폐결절 후보군을 검출하기위해 현재 상용화 된 시스템을 사용하여 최대한 공정한 후보군을 검출하였다. \n\n\n최근 유행하는 딥러닝에서도 Deep Neural Network (DNN)방식이 높은 성능을 거둘 수 있었던 이유는 \n\n결국 관찰자를 학습시키는 방식에 있어서 많은 이점을 가지고 있기 때문이라고 할 수 있다. \n\nNeural Network 는 그 개발 방식에 있어서 사람의 시각기간과 \n\n폐암의 진단 및 검출 보조 시스템을 개발하면서, 다양한 형태의 논문을 읽었을때",
      "json_metadata": "{\"tags\":[\"study\",\"luna16\",\"noduledetection\"],\"app\":\"steemit/0.1\",\"format\":\"markdown\"}",
      "parent_author": "",
      "parent_permlink": "study",
      "permlink": "study-computer-aided-diagnosis-cad-for-lung-cancer-2",
      "title": "[Study] Computer Aided Diagnosis (CAD) for Lung Cancer #2"
    }
  ],
  "op_in_trx": 0,
  "timestamp": "2018-02-19T15:35:51",
  "trx_id": "1537dadc70ce51761a4bf6776e394589c315bff3",
  "trx_in_block": 50,
  "virtual_op": 0
}

{
  "block": 19810801,
  "op": [
    "account_update",
    {
      "account": "raretiger",
      "json_metadata": "{\"profile\":{\"name\":\"BOOM!!\",\"about\":\"HELLO!!\",\"location\":\"Seoul, Rep. of Korea.\"}}",
      "memo_key": "STM8HHXgFrNQ858bBo8oKguYdC6t7QYXXYACdnFsvvdykc9twy3vU"
    }
  ],
  "op_in_trx": 0,
  "timestamp": "2018-02-12T17:30:00",
  "trx_id": "ae028dd407d5a1cc1457e8cb4b161d7d6d190e64",
  "trx_in_block": 1,
  "virtual_op": 0
}

{
  "block": 19810755,
  "op": [
    "comment",
    {
      "author": "raretiger",
      "body": "# 질병진단을 위한 시스템 개발 \n(Computer-Aided Diagnosis or Detection System)\n### 시작하기 전에 ...\n논문의 형식을 빌리자면, 질병에 대한 정의 부터 시작해서 \n왜 이 연구가 중요하고 ... 등의 여러가지 말들이 필요하겠지만, \n\n먼저, 나는 왜 이 분야로 들어왔나 부터 시작하고 싶다. \n\n처음은 IT 학과에서 평범하게 App 개발을 배우고 있었지만, App개발은 생각보다 재미가 없었다. \n왜냐면, 처음 코딩을 배웠을땐 마치 내가 마법사가 된것처럼 다양한 것을 실제로 만들어 낸다는게 재미있었다. \n그러나, 코딩은 내 생각을 바깥으로 표현하기 위한 도구라는 것을 알게 되었고, 내가 무엇을 만들고 싶은지에 초점을 두게 되었다. \n\n*'사람들에게 도움이 되는 무언가를 만들고 싶다.'*\n\n우연히, 의료-IT 융합 분야를 접하게 되고 조금씩 알아갈수록 내가 원하던 분야임을 깨닫고, 본격적으로 파고들기 위해 대학원 생활을 시작하게 되었다. \n\n처음 개발을 시작하게 된것은 우연한 기회 덕분이었다. 처음 시작은 운이 매우 좋았다. 분야에 대해 오래 고민하지도 않았다. 지도교수님이 정말 원하던 분야를 추천해 주셨고, 당연히 1초의 망설임도 없이 하겠다고 말씀을 드렸다.\n\n만약 그 이후에 1년 넘도록 삽질 할 것을 알았다면, 조금은 망설였을지도 모르겠다.\n\n처음 6개월은 어렵지 않았다. 간단한 성과를 내기까지 오래 걸리지 않았다. 사실 석사 1학기 차는 다들 비슷할 것이다. 연구실의 선배나 교수님이 지정해주시는 실험을 돌리고 그에 맞는 결과를 도출하고, 분석을 어떻게 하는지 배우는 것이다. \n\n그냥 열심히 따라만 가면 되기 때문에 순조롭게 성과를 확인 할 수 있었다. \n\n중요한 것은 그 다음부터다. 이제는 일정부분 자유도가 높아지면서 맨땅에 헤딩을 하는 것이다. 특별히 요령이 좋지도 못했던 나는, 다른 누구에게 도움받지 않고 실험을 진행하다보니 시간이 생각보다 많이 늦어지게 되어 그후로 1년동안 특별한 성과가 없이 지나가게 된다. \n\n### 진단보조 시스템 개발에 대하여...\n\n진단보조시스템은 결국은 관찰자를 늘리는 것이라 생각한다. 즉, 사람이 관찰하기 힘든 영역까지 관찰할 수 있는, 사람이 놓치기 쉬운 부분도 꼼꼼히 확인 할 수 있는 시스템을 개발하는 것이다.",
      "json_metadata": "{\"tags\":[\"study\",\"life\"],\"app\":\"steemit/0.1\",\"format\":\"markdown\"}",
      "parent_author": "",
      "parent_permlink": "study",
      "permlink": "study-computer-aided-diagnosis-cad-for-lung-cancer-1",
      "title": "[Study] Computer Aided Diagnosis (CAD) for Lung Cancer #1"
    }
  ],
  "op_in_trx": 0,
  "timestamp": "2018-02-12T17:27:42",
  "trx_id": "423e37a514ac491c4fe47c36142bd06427cc24a5",
  "trx_in_block": 15,
  "virtual_op": 0
}

{
  "block": 19810747,
  "op": [
    "comment",
    {
      "author": "raretiger",
      "body": "# 질병진단을 위한 시스템 개발 \n(Computer-Aided Diagnosis or Detection System)\n### 시작하기 전에 ...\n논문의 형식을 빌리자면, 질병에 대한 정의 부터 시작해서 \n왜 이 연구가 중요하고 ... 등의 여러가지 말들이 필요하겠지만, \n\n먼저, 나는 왜 이 분야로 들어왔나 부터 시작하고 싶다. \n\n처음은 IT 학과에서 평범하게 App 개발을 배우고 있었지만, App개발은 생각보다 재미가 없었다. \n왜냐면, 처음 코딩을 배웠을땐 마치 내가 마법사가 된것처럼 다양한 것을 실제로 만들어 낸다는게 재미있었다. \n그러나, 코딩은 내 생각을 바깥으로 표현하기 위한 도구라는 것을 알게 되었고, 내가 무엇을 만들고 싶은지에 초점을 두게 되었다. \n\n*'사람들에게 도움이 되는 무언가를 만들고 싶다.'*\n\n우연히, 의료-IT 융합 분야를 접하게 되고 조금씩 알아갈수록 내가 원하던 분야임을 깨닫고, 본격적으로 파고들기 위해 대학원 생활을 시작하게 되었다. \n\n처음 개발을 시작하게 된것은 우연한 기회 덕분이었다. 처음 시작은 운이 매우 좋았다. 분야에 대해 오래 고민하지도 않았다. 지도교수님이 정말 원하던 분야를 추천해 주셨고, 당연히 1초의 망설임도 없이 하겠다고 말씀을 드렸다.\n\n만약 그 이후에 1년 넘도록 삽질 할 것을 알았다면, 조금은 망설였을지도 모르겠다.\n\n처음 6개월은 어렵지 않았다. 간단한 성과를 내기까지 오래 걸리지 않았다. 사실 석사 1학기 차는 다들 비슷할 것이다. 연구실의 선배나 교수님이 지정해주시는 실험을 돌리고 그에 맞는 결과를 도출하고, 분석을 어떻게 하는지 배우는 것이다. \n\n그냥 열심히 따라만 가면 되기 때문에 순조롭게 성과를 확인 할 수 있었다. \n\n중요한 것은 그 다음부터다. 이제는 일정부분 자유도가 높아지면서 맨땅에 헤딩을 하는 것이다. 특별히 요령이 좋지도 못했던 나는, 다른 누구에게 도움받지 않고 실험을 진행하다보니 시간이 생각보다 많이 늦어지게 되어 그후로 1년동안 특별한 성과가 없이 지나가게 된다. \n\n### 진단보조 시스템 개발에 대하여...\n\n진단보조시스템은 결국은 관찰자를 늘리는 것이라 생각한다. 즉, 사람이 관찰하기 힘든 영역까지 관찰할 수 있는, 사람이 놓치기 쉬운 부분도 꼼꼼히 확인 할 수 있는 시스템을 개발하는 것이다.",
      "json_metadata": "{\"tags\":[\"study\"],\"app\":\"steemit/0.1\",\"format\":\"markdown\"}",
      "parent_author": "",
      "parent_permlink": "study",
      "permlink": "study-computer-aided-diagnosis-cad-for-lung-cancer-1",
      "title": "[Study] Computer Aided Diagnosis (CAD) for Lung Cancer #1"
    }
  ],
  "op_in_trx": 0,
  "timestamp": "2018-02-12T17:27:18",
  "trx_id": "a1134e37d3daa9ca1c5a837734b056f7ed751090",
  "trx_in_block": 16,
  "virtual_op": 0
}

{
  "block": 19810731,
  "op": [
    "vote",
    {
      "author": "raretiger",
      "permlink": "study-computer-aided-diagnosis-cad-for-lung-cancer-1",
      "voter": "raretiger",
      "weight": 0
    }
  ],
  "op_in_trx": 0,
  "timestamp": "2018-02-12T17:26:30",
  "trx_id": "2a8d1dc2f9608f4bb222a5f11f790c84d911d331",
  "trx_in_block": 21,
  "virtual_op": 0
}

{
  "block": 19810729,
  "op": [
    "vote",
    {
      "author": "raretiger",
      "permlink": "study-computer-aided-diagnosis-cad-for-lung-cancer-1",
      "voter": "raretiger",
      "weight": -10000
    }
  ],
  "op_in_trx": 0,
  "timestamp": "2018-02-12T17:26:24",
  "trx_id": "ccbb09978dcb318a789c5996370438fea5f83879",
  "trx_in_block": 4,
  "virtual_op": 0
}

{
  "block": 19810714,
  "op": [
    "vote",
    {
      "author": "raretiger",
      "permlink": "study-computer-aided-diagnosis-cad-for-lung-cancer-1",
      "voter": "raretiger",
      "weight": 10000
    }
  ],
  "op_in_trx": 0,
  "timestamp": "2018-02-12T17:25:39",
  "trx_id": "e99a197bd3f0f8d70776fe559f579a424331828c",
  "trx_in_block": 40,
  "virtual_op": 0
}

{
  "block": 19810714,
  "op": [
    "comment",
    {
      "author": "raretiger",
      "body": "# 질병진단을 위한 시스템 개발 \n(Computer-Aided Diagnosis or Detection System)\n### 시작하기 전에 ...\n논문의 형식을 빌리자면, 질병에 대한 정의 부터 시작해서 \n왜 이 연구가 중요하고 ... 등의 여러가지 말들이 필요하겠지만, \n\n먼저, 나는 왜 이 분야로 들어왔나 부터 시작하고 싶다. \n\n처음은 IT 학과에서 평범하게 App 개발을 배우고 있었지만, App개발은 생각보다 재미가 없었다. \n왜냐면, 처음 코딩을 배웠을땐 마치 내가 마법사가 된것처럼 다양한 것을 실제로 만들어 낸다는게 재미있었다. \n그러나, 코딩은 내 생각을 바깥으로 표현하기 위한 도구라는 것을 알게 되었고, 내가 무엇을 만들고 싶은지에 초점을 두게 되었다. \n\n*'사람들에게 도움이 되는 무언가를 만들고 싶다.'*\n\n우연히, 의료-IT 융합 분야를 접하게 되고 조금씩 알아갈수록 내가 원하던 분야임을 깨닫고, 본격적으로 파고들기 위해 대학원 생활을 시작하게 되었다. \n\n처음 개발을 시작하게 된것은 우연한 기회 덕분이었다. 처음 시작은 운이 매우 좋았다. 분야에 대해 오래 고민하지도 않았다. 지도교수님이 정말 원하던 분야를 추천해 주셨고, 당연히 1초의 망설임도 없이 하겠다고 말씀을 드렸다.\n\n만약 그 이후에 1년 넘도록 삽질 할 것을 알았다면, 조금은 망설였을지도 모르겠다.\n\n처음 6개월은 어렵지 않았다. 간단한 성과를 내기까지 오래 걸리지 않았다. 사실 석사 1학기 차는 다들 비슷할 것이다. 연구실의 선배나 교수님이 지정해주시는 실험을 돌리고 그에 맞는 결과를 도출하고, 분석을 어떻게 하는지 배우는 것이다. \n\n그냥 열심히 따라만 가면 되기 때문에 순조롭게 성과를 확인 할 수 있었다. \n\n중요한 것은 그 다음부터다. 이제는 일정부분 자유도가 높아지면서 맨땅에 헤딩을 하는 것이다. 특별히 요령이 좋지도 못했던 나는, 다른 누구에게 도움받지 않고 실험을 진행하다보니 시간이 생각보다 많이 늦어지게 되어 그후로 1년동안 특별한 성과가 없이 지나가게 된다. \n\n### 진단보조 시스템 개발에 대하여...\n\n진단보조시스템은 결국은 관찰자를 늘리는 것이라 생각한다. 즉, 사람이 관찰하기 힘든 영역까지 관찰할 수 있는, 사람이 놓치기 쉬운 부분도 꼼꼼히 확인 할 수 있는 시스템을 개발하는 것이다.",
      "json_metadata": "{\"tags\":[\"study\"],\"app\":\"steemit/0.1\",\"format\":\"markdown\"}",
      "parent_author": "",
      "parent_permlink": "study",
      "permlink": "study-computer-aided-diagnosis-cad-for-lung-cancer-1",
      "title": "[Study] Computer Aided Diagnosis (CAD) for Lung Cancer #1"
    }
  ],
  "op_in_trx": 0,
  "timestamp": "2018-02-12T17:25:39",
  "trx_id": "e99a197bd3f0f8d70776fe559f579a424331828c",
  "trx_in_block": 40,
  "virtual_op": 0
}

{
  "block": 19810065,
  "op": [
    "account_update",
    {
      "account": "raretiger",
      "json_metadata": "{\"profile\":{\"name\":\"Teeger\",\"about\":\"HELLO!!\",\"location\":\"Seoul, Rep. of Korea.\"}}",
      "memo_key": "STM8HHXgFrNQ858bBo8oKguYdC6t7QYXXYACdnFsvvdykc9twy3vU"
    }
  ],
  "op_in_trx": 0,
  "timestamp": "2018-02-12T16:53:09",
  "trx_id": "b2ae74a910b1e087d76948d3ccd068b876615aaa",
  "trx_in_block": 12,
  "virtual_op": 0
}

{
  "block": 19809956,
  "op": [
    "comment_options",
    {
      "allow_curation_rewards": true,
      "allow_votes": true,
      "author": "raretiger",
      "extensions": [],
      "max_accepted_payout": "0.000 SBD",
      "percent_steem_dollars": 10000,
      "permlink": "steemit"
    }
  ],
  "op_in_trx": 0,
  "timestamp": "2018-02-12T16:47:42",
  "trx_id": "8e0dfd311ac6676c05bdaf9e5ce9b363dd7ca155",
  "trx_in_block": 51,
  "virtual_op": 0
}

{
  "block": 19809956,
  "op": [
    "comment",
    {
      "author": "raretiger",
      "body": "### 블로그 운영방침\n\n* 1주일에 1편씩 글을 올리자\n* 주제는 3가지를 넘지 말자\n* 최대한 많은 사람들이 이해 할 수 있도록 글을 쓰자 \n\n### 각오한마디 \n\n새롭게 Steemit에 입문하는 의료영상분석을 전공으로 하는 대학원생입니다. \n\n최근 기계학습을 공부하면서 공부한 내용을  정리하기 위한 방법을 찾다가 \n\n우연히 Steemit이라는 것을 알게 되었습니다. \n\n따라서, 여기에 제가 일주일간 공부한 내용을 최대한 정리해서 올려보려 합니다. \n\n추가적으로 한글작업을 우선시 하고, 된다면 영어로도 정리해서 글을 올리려 합니다. \n\n글쓰는 작업이 쉬운일이 아니라는 점을 최근 많이 느끼고 있기 때문에 가능한 열심히 해보겠지만\n\n이해가 안되는 부분이나 오류 정정은 언제나 환영입니다. ^^ \n\n1주일에 한편씩 올려보려 하는데, 저도 어디까지 할 수 있을지 모르겠습니다. \n\n그렇지만, 여기저기 올려놓으신 글들을 보니 무엇보다 중요한 것은 즐기는 마음이라는 점을 확인 할 수 있었습니다. \n\n최대한 즐기기 보도록 하겠습니다. \n\n만약 이 글을 보시게 되시는 분들도 가볍게 보실 수 있다면 좋겠습니다.\n\n또한, 아무래도 공부한 내용을 정리하는 것이다 보니, 조금 진지해 질수 있습니다.\n\n관심없으시면 그냥 넘어가셔도 좋습니다. ^^",
      "json_metadata": "{\"tags\":[\"study\",\"news\",\"food\"],\"app\":\"steemit/0.1\",\"format\":\"markdown\"}",
      "parent_author": "",
      "parent_permlink": "study",
      "permlink": "steemit",
      "title": "Steemit 을 시작하며 ..."
    }
  ],
  "op_in_trx": 0,
  "timestamp": "2018-02-12T16:47:42",
  "trx_id": "8e0dfd311ac6676c05bdaf9e5ce9b363dd7ca155",
  "trx_in_block": 51,
  "virtual_op": 0
}

{
  "block": 19809596,
  "op": [
    "custom_json",
    {
      "id": "follow",
      "json": "[\"follow\",{\"follower\":\"raretiger\",\"following\":\"cryptoriddler\",\"what\":[\"blog\"]}]",
      "required_auths": [],
      "required_posting_auths": [
        "raretiger"
      ]
    }
  ],
  "op_in_trx": 0,
  "timestamp": "2018-02-12T16:29:42",
  "trx_id": "1f353a9867bb175ad750f3c7d47255988701d3c5",
  "trx_in_block": 27,
  "virtual_op": 0
}

{
  "block": 19694809,
  "op": [
    "account_create_with_delegation",
    {
      "active": {
        "account_auths": [],
        "key_auths": [
          [
            "STM7TRUZi86nz3JY5X2SBhSTWm2UCifUqPX23pEFn2mmKwwH2wwct",
            1
          ]
        ],
        "weight_threshold": 1
      },
      "creator": "steem",
      "delegation": "29700.000000 VESTS",
      "extensions": [],
      "fee": "0.500 STEEM",
      "json_metadata": "",
      "memo_key": "STM8HHXgFrNQ858bBo8oKguYdC6t7QYXXYACdnFsvvdykc9twy3vU",
      "new_account_name": "raretiger",
      "owner": {
        "account_auths": [],
        "key_auths": [
          [
            "STM6rCVDow8x8ucHpKdizp2u8DdXgemWzeWoJKmVYix2Jw1PtHPTg",
            1
          ]
        ],
        "weight_threshold": 1
      },
      "posting": {
        "account_auths": [],
        "key_auths": [
          [
            "STM7gBD4eLZ1EtxgpsSmtaiTxMkw9RwAxTxnhXAmhkNeG8BaN9uAV",
            1
          ]
        ],
        "weight_threshold": 1
      }
    }
  ],
  "op_in_trx": 0,
  "timestamp": "2018-02-08T16:45:45",
  "trx_id": "09492f303036b843c6058bbecf28a199e3112ec4",
  "trx_in_block": 22,
  "virtual_op": 0
}