Il s'agit de l'application Windows Deep Learning for Medical Applications, dont la dernière version est téléchargeable sous le code source Deep-Learning-for-Medical-Applications.tar.gz. Elle peut être exécutée en ligne sur l'hébergeur gratuit OnWorks pour postes de travail.
Téléchargez et exécutez en ligne gratuitement cette application nommée Deep Learning for Medical Applications avec OnWorks.
Suivez ces instructions pour exécuter cette application :
- 1. Téléchargé cette application sur votre PC.
- 2. Entrez dans notre gestionnaire de fichiers https://www.onworks.net/myfiles.php?username=XXXXX avec le nom d'utilisateur que vous voulez.
- 3. Téléchargez cette application dans ce gestionnaire de fichiers.
- 4. Démarrez n'importe quel émulateur en ligne OS OnWorks à partir de ce site Web, mais un meilleur émulateur en ligne Windows.
- 5. Depuis le système d'exploitation OnWorks Windows que vous venez de démarrer, accédez à notre gestionnaire de fichiers https://www.onworks.net/myfiles.php?username=XXXXX avec le nom d'utilisateur que vous souhaitez.
- 6. Téléchargez l'application et installez-la.
- 7. Téléchargez Wine depuis les dépôts de logiciels de vos distributions Linux. Une fois installé, vous pouvez ensuite double-cliquer sur l'application pour les exécuter avec Wine. Vous pouvez également essayer PlayOnLinux, une interface sophistiquée sur Wine qui vous aidera à installer des programmes et des jeux Windows populaires.
Wine est un moyen d'exécuter un logiciel Windows sur Linux, mais sans Windows requis. Wine est une couche de compatibilité Windows open source qui peut exécuter des programmes Windows directement sur n'importe quel bureau Linux. Essentiellement, Wine essaie de ré-implémenter suffisamment de Windows à partir de zéro pour qu'il puisse exécuter toutes ces applications Windows sans avoir réellement besoin de Windows.
CAPTURES D'ÉCRAN
Ad
Apprentissage profond pour les applications médicales
DESCRIPTION
Deep-Learning-for-Medical-Applications est un référentiel qui compile des méthodes d'apprentissage profond, des implémentations de code et des exemples appliqués à l'imagerie médicale et aux données de santé. Le projet aborde des défis spécifiques à des domaines tels que la segmentation, la classification, la détection et les données multimodales (par exemple, IRM, scanner, radiographie) en utilisant des architectures de pointe (par exemple, U-Net, ResNet, variantes de GAN) adaptées aux contraintes médicales (petits jeux de données, coûts d'annotation, déséquilibre de classes). Il comprend des notebooks Jupyter, des architectures de modèles, des pipelines de prétraitement des données et des scripts d'évaluation spécifiques aux tâches d'imagerie médicale. Le référentiel peut également contenir des modules spécifiques au domaine : fonctions de perte comme Dice, perte focale, métriques comme sensibilité/rappel/IoU, et utilitaires de visualisation pour la superposition de masques de segmentation.
Caractéristiques
- Architectures modèles (par exemple U-Net, ResNet, variantes GAN) spécialisées pour l'imagerie médicale
- Pipelines de prétraitement et techniques d'augmentation des données médicales
- Fonctions de perte et métriques adaptées à la segmentation, au déséquilibre de classe, par exemple Dice, perte focale
- Utilitaires d'évaluation et de visualisation pour superposer des prédictions sur des images médicales
- Bloc-notes Jupyter illustrant les flux de travail de bout en bout dans les tâches d'IA médicale
- L'accent est mis sur la reproductibilité, la validation minutieuse et la conception sensible au domaine
Catégories
Cette application est également disponible sur https://sourceforge.net/projects/deep-learning-med-app.mirror/. Elle est hébergée sur OnWorks afin de pouvoir être exécutée en ligne plus facilement depuis l'un de nos systèmes d'exploitation gratuits.
