Exploring diverse AI domains by studying the principles behind modern models and designing reproducible research pipelines from experimentation to deployment.

• Deep learning for medical AI
• Medical image analysis: classification, segmentation, and quantitative imaging
• Reliable AI for healthcare: generalization, interpretability, and reproducible validation

nnU-Net v2의 architecture와 training budget을 고정하고, 장기별 학습상태와 오류유형을 이용한 adaptive patch sampling을 검증하는 3D abdominal CT segmentation 연구.

• TotalSegmentator v2 공개 CT의 selected abdominal organs를 대상으로 한 reproducible evaluation protocol 설계
• Single 8 GB GPU에서 default, matched static sampler, OLES3D를 비교하고 accuracy–time–memory trade-off 분석

CNN 기반 Chest X-ray classification model과 Grad-CAM 시각화 기법을 web application으로 통합한 의료영상 판독 보조 프로토타입.

• Multi-label classification과 Grad-CAM을 결합한 AI architecture 설계
• Data preparation, model training, inference, service integration을 잇는 end-to-end R&D pipeline 구축

스탠퍼드 머신러닝 그룹이 공개한 CheXpert 데이터셋을 활용해 의료영상 분류 모델의 학습·평가 파이프라인을 검증한 research PoC.

• Uncertainty label policy를 포함한 data preparation과 model training workflow 설계
• Class-wise evaluation, threshold tuning, error analysis, Grad-CAM 기반 inference flow 구현
• 2026 한국정보기술학회 하계종합학술대회 대학생 논문경진대회 우수논문상 은상

Dive into Deep Learning의 수식과 algorithm을 PyTorch로 재구성한 학습 repository.

• Linear Regression과 Classification부터 CNN, RNN, Attention, Transformer까지 modern deep learning의 핵심 model을 scratch부터 구현
• Low-level algorithm과 PyTorch abstraction을 비교하며 tensor shape, data flow, training behavior 검증