nvAI

Модель обнаружения опухоли головного мозга?

Добро пожаловать в нашу модель обнаружения опухоли мозга, разработанная во время HACATHON AI UNITE Team NVAI! Наш проект использует методы машинного обучения, компьютерного зрения и сегментации для обнаружения опухолей головного мозга из изображений МРТ.

Обзор проекта

Клиент

Наше приложение на стороне клиента построено с использованием React, предлагая интуитивно понятный интерфейс для взаимодействия с нашей системой обнаружения опухолей головного мозга. Он плавно общается с API API Flask на стороне сервера.
Живая демонстрация

Сервер

Компонент сервера питается Flask, размещенным в экземпляре Linode. Этот API принимает МРТ -изображения опухолей головного мозга и возвращает подробные ответы JSON, включая статус обнаружения, оценки доверия и ссылки на изображение.

 {
  "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"
    }
  ]
}

Члены команды

• Парт Ваставик - разработчик полного стека
• Криш Гоенка - разработчик модели ИИ
• Anustup Karnar - разработчик модели ИИ
• Раджарши Гош - разработчик модели ИИ
• Palak Chaplot - дизайнер UI/UX, глава презентации

Технологии используются

Внешний интерфейс

Бэкэнд

Машинное обучение

База данных

Установка

• Клонировать репозиторий:

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

• Установить зависимости:
  • Зависимости от клиента
  • Зависимости на стороне сервера

Обзор модели

Наша модель основана на сверточных нейронных сетях (CNNS), обученных набору данных МРТ -изображений, помеченных с присутствием опухоли или отсутствием. Мы достигли точности 89% в нашем тестовом наборе данных. Модель использует методы сегментации для выявления и классификации опухолей головного мозга из МРТ.

Руководящие принципы вклада

? Мы приветствуем вклад сообщества! Будь то улучшение модели, улучшение пользовательского интерфейса/UX или оптимизация кодовой базы, мы ценим все усилия. Не стесняйтесь раскошелиться на репозиторий, вносить улучшения и отправлять запросы на притяжение.

Лицензия

Этот проект лицензирован по лицензии MIT - для получения подробной информации см. Файл лицензии.

Благодарности

Мы хотели бы выразить свою благодарность организаторам Hakathon AI Unite за предоставление этой платформы для демонстрации нашей работы. Кроме того, мы выражаем нашу благодарность поставщикам наборов данных и сообществу с открытым исходным кодом за их бесценные вклады.