Данный проект представляет собой агрегатор различных сервисов на основе искусственного интеллекта (ИИ) для диагностики медицинских изображений. Система включает несколько моделей и инструментов, которые помогают выявлять и классифицировать различные медицинские состояния на основе анализа изображений.
Сегментация легких (U-NET) - https://colab.research.google.com/drive/1oY1LPSUIrmkXnZvKMRqlIrgp6LpPFBE7?usp=sharing
Сегментация инфекции на снимке легких на датасете CovidQuEx (U-NET++) - https://colab.research.google.com/drive/1D7X61mwgJV1Jzt5iPFSJjLumvwob7Tzz?usp=sharing
✅ Сегментация легких на рентгеновском снимке (U-NET++)
✅ Сегментация инфекции на рентгеновском снимке (U-NET)
✅ Классификация инфекции COVID на рентгеновском снимке (U-NET)
✅ Работа с форматом DICOM
✅ Обработка ошибок в виде неверно переданных в сервис изображений с надписью "Целевой орган не распознан" (Autoencoder)
И другие.
✅ Добавить Google Collab ноутбуки с обучением моделей
❌ Добавить чат с ИИ помощником (ассистентом)
❌ Протестировать возможности и внедрить Med-LLM
-
Примеры карточек с интегрированными нейронными сетями, предназначенными для выполнения конкретных задач. Данный сервис позволяет добавлять подобные карточки, что делает его универсальной платформой для размещения и использования таких нейросетей.
-
Пример карточки включает в себя подробное описание, тип модальности и дополнительную информацию. Если предоставленные функции соответствуют вашим требованиям, вы можете перейти к интерактивному интерфейсу для проведения инференса и получения результатов на ваших изображениях или других данных.
-
Пример карточки с интегрированной нейронной сетью для классификации COVID-19 на рентгеновских снимках. Данная карточка содержит информацию о модальности (рентгеновские снимки), описание модели и ее точность. Пользователи могут использовать эту карточку для проведения инференса и получения результатов классификации на своих рентгеновских изображениях, с целью обнаружения признаков COVID-19.
В дополнение к основной функции сервис предлагает множество других, таких как личный кабинет, возможность загрузки DICOM файлов, которые удобны для медицинских работников, имеющих дело с рентгеновскими снимками. Сервис также позволяет сохранять историю результатов применения, а также обеспечивает разделение ролей на администратора, пользователя и другие, что упрощает управление и доступ к сервису.
Директории:
- config/: Конфигурационные файлы в формате JSON.
- nn_models/: Модели нейронных сетей
- static/: Статические файлы (включая модели и стили)
- templates/: HTML-шаблоны для веб-интерфейса. Основные файлы:
- access.py: Управление доступом.
- app.py: Основной файл приложения.
- database.py: Управление базой данных.
- forms.py: Формы для ввода данных.
- models.py: Описание таблиц в базе данных.
- requirements.txt: Список зависимостей проекта.
- Клонируете репозиторий
- git clone <ссылка-на-репозиторий>
- Открываете директорию проекта
- cd <название-проекта>
- Устанавливаете необходимые зависимости
- pip install -r requirements.txt
- Настраиваете данные в конфигурационном файле в директории config/.
Запуск
- python app.py