این یک برنامه ویندوزی به نام Deep Learning for Medical Applications است که آخرین نسخه آن را می‌توانید با نام Deep-Learning-for-Medical-Applicationssourcecode.tar.gz دانلود کنید. این برنامه را می‌توان به صورت آنلاین در ارائه دهنده هاست رایگان OnWorks برای ایستگاه‌های کاری اجرا کرد.
این برنامه با نام Deep Learning for Medical Applications with OnWorks را به صورت رایگان دانلود و اجرا کنید.
برای اجرای این برنامه این دستورالعمل ها را دنبال کنید:
- 1. این برنامه را در رایانه شخصی خود دانلود کنید.
- 2. در فایل منیجر ما https://www.onworks.net/myfiles.php?username=XXXXX نام کاربری مورد نظر خود را وارد کنید.
- 3. این برنامه را در چنین فایل منیجر آپلود کنید.
- 4. هر شبیه ساز آنلاین OS OnWorks را از این وب سایت راه اندازی کنید، اما شبیه ساز آنلاین ویندوز بهتر است.
- 5. از OnWorks Windows OS که به تازگی راه اندازی کرده اید، به مدیر فایل ما https://www.onworks.net/myfiles.php?username=XXXXX با نام کاربری که می خواهید بروید.
- 6. برنامه را دانلود و نصب کنید.
- 7. Wine را از مخازن نرم افزار توزیع لینوکس خود دانلود کنید. پس از نصب، می توانید روی برنامه دوبار کلیک کنید تا آنها را با Wine اجرا کنید. همچنین می توانید PlayOnLinux را امتحان کنید، یک رابط کاربری فانتزی بر روی Wine که به شما کمک می کند برنامه ها و بازی های محبوب ویندوز را نصب کنید.
Wine راهی برای اجرای نرم افزار ویندوز بر روی لینوکس است، اما بدون نیاز به ویندوز. Wine یک لایه سازگار با ویندوز منبع باز است که می تواند برنامه های ویندوز را مستقیماً بر روی هر دسکتاپ لینوکس اجرا کند. اساساً، Wine در تلاش است تا به اندازه کافی از ویندوز را از ابتدا مجدداً پیاده سازی کند تا بتواند همه آن برنامه های ویندوز را بدون نیاز به ویندوز اجرا کند.
عکس ها
Ad
یادگیری عمیق برای کاربردهای پزشکی
شرح
Deep-Learning-for-Medical-Applications مخزنی است که روش‌های یادگیری عمیق، پیاده‌سازی کدها و نمونه‌های اعمال‌شده بر داده‌های تصویربرداری پزشکی و مراقبت‌های بهداشتی را گردآوری می‌کند. این پروژه با استفاده از معماری‌های پیشرفته (مانند U-Net، ResNet، انواع GAN) متناسب با محدودیت‌های پزشکی (مجموعه داده‌های کوچک، هزینه‌های حاشیه‌نویسی، عدم تعادل کلاس) به چالش‌های خاص هر حوزه مانند قطعه‌بندی، طبقه‌بندی، تشخیص و داده‌های چندوجهی (مانند MRI، CT، X-ray) می‌پردازد. این شامل نوت‌بوک‌های Jupyter، معماری‌های مدل، خطوط لوله پیش‌پردازش داده و اسکریپت‌های ارزیابی مخصوص وظایف تصویربرداری پزشکی است. این مخزن همچنین ممکن است شامل ماژول‌های خاص هر حوزه باشد: توابع اتلاف مانند Dice، اتلاف کانونی، معیارهایی مانند حساسیت/فراخوانی/IoU و ابزارهای تجسم برای همپوشانی ماسک‌های قطعه‌بندی.
امکانات
- معماری‌های مدل (مثلاً انواع U-Net، ResNet، GAN) مخصوص تصویربرداری پزشکی
- خطوط لوله پیش‌پردازش و تکنیک‌های تقویت برای داده‌های پزشکی
- توابع و معیارهای تلفات مناسب برای قطعه‌بندی، عدم تعادل کلاس، مانند تاس، تلفات کانونی
- ابزارهای ارزیابی و تجسم برای پیش‌بینی‌های همپوشانی روی تصاویر پزشکی
- نوت‌بوک‌های ژوپیتر که گردش‌های کاری سرتاسری را در وظایف هوش مصنوعی پزشکی نشان می‌دهند
- تأکید بر تکرارپذیری، اعتبارسنجی دقیق و طراحی مبتنی بر دامنه
دسته بندی ها
این برنامه‌ای است که می‌توان آن را از https://sourceforge.net/projects/deep-learning-med-app.mirror/ نیز دریافت کرد. این برنامه در OnWorks میزبانی شده است تا بتوان آن را به ساده‌ترین روش به صورت آنلاین از یکی از سیستم‌های عامل رایگان ما اجرا کرد.
