Ich erstelle medizinische Bildsegmentierungs- und Klassifikationsmodelle mit Deep Learning
KI- und Maschinelle-Lernen-Ingenieur, Deep Learning, Computer Vision, NLP
Über diesen Service
Benötigst du ein Deep-Learning-Modell für medizinische Bilder? Ich erstelle Segmentierungs- und Klassifikationsmodelle, die Läsionen hervorheben oder Scans klassifizieren.
Was ich baue
Segmentierung mit UNet, 3D UNet, TransUNet und Swin UNet
Klassifikation mit EfficientNet und CNN-Ensembles
2D-Bilder und 3D-Volumen, wie retinae OCT und Fundusaufnahmen
Grad-CAM, SHAP und LIME-Erklärungen
Was du bekommst
Klarer, kommentierter PyTorch- oder TensorFlow-Code und trainierte Gewichte
Dice, IoU, Genauigkeit und ROC AUC auf unbekannten Patienten oder Bildern
Overlay-Bilder, die korrekte, verfehlte und zusätzliche Bereiche zeigen
Mehrere Seeds und statistische Tests im Top-Paket
Ein Bericht in einfachem Englisch
Nachgewiesene Ergebnisse
Durchschnittlicher Dice von 79,23 %, Rekonstruktion retinaler OCT-Flüssigkeit auf 6 Datensätzen
Durchschnittlicher Dice von 78,46 %, 3D-Modell auf vollständigen OCT-Volumen
91,49% Genauigkeit, 0,9731 ROC AUC, diabetische Retinopathie
Warum du mich wählst
Benchmarking gegen TransUNet und Swin UNet mit deren offiziellem Code
Starker mathematischer Hintergrund (MS Mathematik) für solide Statistik
Kostenlose Machbarkeitsprüfung vor deiner Bestellung
Updates in jedem Schritt und Hilfe beim Ausführen des Codes nach der Lieferung
Schick mir ein paar Musterbilder und dein Ziel, und ich antworte mit einem Plan.
Expertise:
Bildverarbeitung
•
Feature-Lernen
•
Klassifizierung
Programmiersprache:
Python
•
Colab
Tools:
Jupyter-Notizbuch
•
opencv
•
tensorflow
•
Colab
Frameworks:
scikit-learn
•
keras
•
PyTorch
•
Panda
Meine weiteren Dienstleistungen im Bereich Datenwissenschaft & ML
FAQ
Automatische Übersetzung
Welche Bildtypen bearbeitest du?
Ich habe mit retinalen OCT-Scans und Fundusfotos in 2D und 3D gearbeitet. Schick mir eine Musternachweis deiner Bilder, und ich bestimme den Ansatz.
Brauchen meine Bilder Masken oder Labels?
Segmentierung benötigt Masken-Labels, Klassifikation braucht pro Bild ein Label. Wenn du nur Rohbilder hast, melde dich zuerst.
Wie testest du das Modell?
Ich teile nach Patient oder Bild, damit Testdaten niemals im Training gesehen werden, und berichte Dice, IoU oder Genauigkeit auf dem Testdatensatz.
Kannst du mit veröffentlichten Modellen vergleichen?
Ja. Im Forschungs-Paket vergleiche ich mit Modellen wie TransUNet und Swin UNet unter Verwendung des offiziellen Codes.
Bekomme ich den Code und die trainierten Gewichte?
Ja, zusammen mit den Overlay-Bildern und einem Ergebnissbericht.

