nvAI

Modelo de detección de tumores cerebrales?

¡Bienvenido a nuestro modelo de detección de tumores cerebrales desarrollado durante el AI Unite Hackathon por el equipo NVAI! Nuestro proyecto utiliza técnicas de aprendizaje automático, visión por computadora y segmentación para detectar tumores cerebrales a partir de imágenes de resonancia magnética.

Descripción general del proyecto

Cliente

Nuestra aplicación del lado del cliente se crea utilizando React, que ofrece una interfaz intuitiva para interactuar con nuestro sistema de detección de tumores cerebrales. Se comunica sin problemas con la API del matraz del lado del servidor.
Demostración en vivo

Servidor

El componente del servidor está alimentado por Flask, alojado en una instancia de Linode. Esta API acepta imágenes de resonancia magnética de tumores cerebrales y devuelve respuestas JSON detalladas, incluidos el estado de detección, los puntajes de confianza y los enlaces de imágenes.

 {
  "inference_id": "b20e9d99-8a77-4484-a30d-130aedfe49be",
  "time": 0.03575260299976435,
  "image": { "width": 319, "height": 360 },
  "predictions": [
    {
      "x": 217.0,
      "y": 185.5,
      "width": 90.0,
      "height": 85.0,
      "confidence": 0.8729356527328491,
      "class": "yes",
      "class_id": 0,
      "detection_id": "33c0f948-a90d-4039-83bc-a42386d5daec"
    }
  ]
}

Miembros del equipo

• Parth Vastavik - Desarrollador de pila completa
• Krish Goenka - Desarrollador de modelos de IA
• Anustup Karnar - Desarrollador de modelos AI
• Rajarshi Ghosh - Desarrollador de modelos AI
• Palak Chaplot - Diseñador de UI/UX, Jefe de presentación

Tecnologías utilizadas

Interfaz

Backend

Aprendizaje automático

Base de datos

Instalación

• Clon el repositorio:

git clone https://github.com/nvAI/brain-tumour-detection.git

• Instalar dependencias:
  • Dependencias del lado del cliente
  • Dependencias del lado del servidor

Descripción general del modelo

Nuestro modelo se basa en redes neuronales convolucionales (CNN) capacitadas en un conjunto de datos de imágenes de resonancia magnética etiquetada con presencia o ausencia tumoral. Logramos una precisión del 89% en nuestro conjunto de datos de prueba. El modelo utiliza técnicas de segmentación para identificar y clasificar los tumores cerebrales a partir de escaneos de resonancia magnética.

Pautas de contribución

? ¡Agradecemos las contribuciones de la comunidad! Ya sea mejorando el modelo, mejorar la UI/UX u optimizar la base de código, apreciamos todos los esfuerzos. Siéntase libre de bifurcar el repositorio, hacer mejoras y enviar solicitudes de extracción.

Licencia

Este proyecto tiene licencia bajo la licencia MIT; consulte el archivo de licencia para obtener más detalles.

Expresiones de gratitud

Nos gustaría expresar nuestra gratitud a los organizadores de AI Unite Hackathon por proporcionar esta plataforma para mostrar nuestro trabajo. Además, ampliamos nuestro agradecimiento a los proveedores de conjuntos de datos y a la comunidad de código abierto por sus invaluables contribuciones.