nvAI

Modèle de détection des tumeurs cérébrales?

Bienvenue dans notre modèle de détection de tumeurs cérébrales développé lors du hackathon AI Unite par Team NVAI! Notre projet utilise l'apprentissage automatique, la vision par ordinateur et les techniques de segmentation pour détecter les tumeurs cérébrales à partir d'images IRM.

Aperçu du projet

Client

Notre application côté client est construite à l'aide de React, offrant une interface intuitive pour interagir avec notre système de détection de tumeurs cérébrales. Il communique de manière transparente avec l'API FLASK côté serveur.
Démo en direct

Serveur

Le composant du serveur est alimenté par Flask, hébergé sur une instance Linode. Cette API accepte les images IRM des tumeurs cérébrales et renvoie des réponses JSON détaillées, y compris le statut de détection, les scores de confiance et les liens d'image.

 {
  "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"
    }
  ]
}

Membres de l'équipe

• Parth Vastavik - développeur complet
• Krish Goenka - Développeur de modèles AI
• Anustup Karnar - Développeur de modèle AI
• Rajarshi Ghosh - Développeur de modèle AI
• Palak Chaplot - concepteur UI / UX, tête de présentation

Technologies utilisées

L'extrémité avant

Backend

Apprentissage automatique

Base de données

Installation

• Clone le référentiel:

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

• Installez les dépendances:
  • Dépendances secondaires du client
  • Dépendances côté serveur

Présentation du modèle

Notre modèle est basé sur des réseaux de neurones convolutionnels (CNN) formés sur un ensemble de données d'images IRM étiquetées avec une présence ou une absence tumorale. Nous avons atteint une précision de 89% sur notre ensemble de données de test. Le modèle utilise des techniques de segmentation pour identifier et classer les tumeurs cérébrales à partir des analyses d'IRM.

Directives de contribution

? Nous accueillons les contributions de la communauté! Qu'il s'agisse d'améliorer le modèle, d'améliorer l'interface utilisateur / UX ou d'optimiser la base de code, nous apprécions tous les efforts. N'hésitez pas à alimenter le référentiel, à apporter des améliorations et à soumettre des demandes de traction.

Licence

Ce projet est autorisé en vertu de la licence MIT - voir le fichier de licence pour plus de détails.

Remerciements

Nous tenons à exprimer notre gratitude aux organisateurs du hackathon de l'IA Unite pour avoir fourni cette plate-forme pour présenter notre travail. De plus, nous remercions nos remerciements aux fournisseurs de données et à la communauté open source pour leurs inestimables contributions.