Ich werde Deep-Learning-Modelle für die medizinische Bildanalyse erstellen
Senior-Student der Computertechnik
Über diesen Service
Bist du ein medizinischer Forscher, ein Healthcare-Startup oder ein Data Scientist, der lebensrettende Erkenntnisse aus komplexen medizinischen Bildern gewinnen möchte?
Ich bin ein KI- und Data-Science-Ingenieur, spezialisiert auf die Entwicklung hochpräziser, einsatzbereiter Deep-Learning-Modelle, die speziell für den Bereich Healthcare und medizinische Bildgebung konzipiert sind.
Was ich in diesem Gig anbiete:
- DICOM-Verarbeitung: Robuste Vorverarbeitungs-Pipelines für den Umgang mit rohen medizinischen Formaten (DICOM, NIfTI usw.), inklusive Windowing, Normalisierung und Artefaktentfernung.
- Fortgeschrittene Architekturen: Maßgeschneiderte Modelle mit fortschrittlichen CNNs und Multiple Instance Learning (MIL)-Algorithmen, ideal zur Identifikation lokalisierter Pathologien in hochauflösenden Scans.
- Großskaliges Training: Fähigkeit, riesige Datensätze (z.B. über 18.000 Bilder) zu verarbeiten und auf hochleistungsfähigen A100 GPU-beschleunigten Umgebungen zu skalieren.
- Präzisionsabstimmung: Medizinische KI dreht sich nicht nur um Genauigkeit. Ich biete eine strenge statistische Bewertung und exakte Optimierung des Entscheidungsschwellenwerts (z.B. den genauen Cut-off wie 0,409), um Sensitivität und Spezifität zu maximieren.
- Explainable AI (XAI): Integration von Grad-CAM und Heatmap-Overlays, damit medizinische Fachkräfte die Modelle visuell interpretieren können.
Programmiersprache:
Python
•
SQL
•
Java
Tools:
Jupyter-Notizbuch
•
opencv
•
tensorflow
•
Excel
•
Colab
•
PyTorch
Frameworks:
scikit-learn
•
keras
•
PyTorch
Mein Portfolio
FAQ
Automatische Übersetzung
Verarbeitest du rohe DICOM-Dateien?
Ja, ich kann Vorverarbeitungs-Pipelines erstellen, um Pixelarrays aus rohen DICOM-Headern korrekt zu extrahieren, zu windowen und zu normalisieren, bevor sie in die Deep-Learning-Modelle eingespeist werden.
Kannst du extrem große Datensätze verarbeiten?
Absolut. Ich nutze optimierte Daten-Generatoren und A100 GPU-Umgebungen, um Modelle effizient auf großen Kohorten (z.B. über 18.000 Scans) zu trainieren, ohne Speicherengpässe zu verursachen.

