nvAI
1.0.0
ยินดีต้อนรับสู่รูปแบบการตรวจจับเนื้องอกในสมองของเราที่พัฒนาขึ้นในระหว่างการแฮ็ค AI Unite โดย Team Nvai! โครงการของเราใช้การเรียนรู้ของเครื่องวิสัยทัศน์คอมพิวเตอร์และเทคนิคการแบ่งกลุ่มเพื่อตรวจจับเนื้องอกในสมองจากภาพ MRI
แอปพลิเคชันฝั่งไคลเอ็นต์ของเราถูกสร้างขึ้นโดยใช้ React ซึ่งนำเสนออินเตอร์เฟสที่ใช้งานง่ายสำหรับการโต้ตอบกับระบบตรวจจับเนื้องอกในสมองของเรา มันสื่อสารกับ Flask API ของเซิร์ฟเวอร์ได้อย่างราบรื่น
การสาธิตสด
ส่วนประกอบเซิร์ฟเวอร์ใช้พลังงานจาก Flask ซึ่งโฮสต์บนอินสแตนซ์ linode API นี้ยอมรับภาพ MRI ของเนื้องอกในสมองและส่งคืนการตอบสนอง JSON โดยละเอียดรวมถึงสถานะการตรวจจับคะแนนความมั่นใจและลิงก์ภาพ
{
"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"
}
]
}
git clone https://github.com/nvAI/brain-tumour-detection.gitแบบจำลองของเราขึ้นอยู่กับเครือข่ายประสาทเทียม (CNNS) ที่ได้รับการฝึกฝนในชุดข้อมูลของภาพ MRI ที่มีการระบุว่ามีเนื้องอกหรือไม่มี เราบรรลุความแม่นยำ 89% ในชุดข้อมูลการทดสอบของเรา แบบจำลองใช้เทคนิคการแบ่งส่วนเพื่อระบุและจำแนกเนื้องอกในสมองจากการสแกน MRI
- เรายินดีต้อนรับการมีส่วนร่วมจากชุมชน! ไม่ว่าจะเป็นการปรับปรุงโมเดลเพิ่ม UI/UX หรือเพิ่มประสิทธิภาพ codebase เราขอขอบคุณความพยายามทั้งหมด อย่าลังเลที่จะแยกที่เก็บปรับปรุงและส่งคำขอดึง
โครงการนี้ได้รับใบอนุญาตภายใต้ใบอนุญาต MIT - ดูไฟล์ใบอนุญาตสำหรับรายละเอียด
เราขอแสดงความขอบคุณต่อผู้จัดงาน AI Unite Hackathon สำหรับการจัดหาแพลตฟอร์มนี้เพื่อแสดงผลงานของเรา นอกจากนี้เราขอขอบคุณผู้ให้บริการชุดข้อมูลและชุมชนโอเพ่นซอร์สสำหรับการมีส่วนร่วมอันล้ำค่าของพวกเขา
