ນີ້ແມ່ນແອັບ Windows ທີ່ມີຊື່ວ່າ Deep Learning for Medical Applications ເຊິ່ງລຸ້ນຫຼ້າສຸດສາມາດດາວໂຫຼດໄດ້ໃນນາມ Deep-Learning-for-Medical-Applicationssourcecode.tar.gz. ມັນສາມາດດໍາເນີນການອອນໄລນ໌ຢູ່ໃນຜູ້ໃຫ້ບໍລິການໂຮດຕິ້ງຟຣີ OnWorks ສໍາລັບສະຖານີບ່ອນເຮັດວຽກ.
ດາວນ໌ໂຫລດແລະດໍາເນີນການອອນໄລນ໌ app ນີ້ມີຊື່ Deep Learning ສໍາລັບຄໍາຮ້ອງສະຫມັກການແພດທີ່ມີ OnWorks ໄດ້ຟຣີ.
ປະຕິບັດຕາມຄໍາແນະນໍາເຫຼົ່ານີ້ເພື່ອດໍາເນີນການ app ນີ້:
- 1. ດາວໂຫຼດຄໍາຮ້ອງສະຫມັກນີ້ໃນ PC ຂອງທ່ານ.
- 2. ໃສ່ໃນຕົວຈັດການໄຟລ໌ຂອງພວກເຮົາ https://www.onworks.net/myfiles.php?username=XXXXX ດ້ວຍຊື່ຜູ້ໃຊ້ທີ່ທ່ານຕ້ອງການ.
- 3. ອັບໂຫລດແອັບພລິເຄຊັນນີ້ຢູ່ໃນຕົວຈັດການໄຟລ໌ດັ່ງກ່າວ.
- 4. ເລີ່ມ emulator ອອນ ໄລ ນ ໌ OS OnWorks ຈາກ ເວັບ ໄຊ ທ ໌ ນີ້, ແຕ່ ດີກ ວ່າ Windows ອອນ ໄລ ນ ໌ emulator.
- 5. ຈາກ OnWorks Windows OS ທີ່ເຈົ້າຫາກໍ່ເລີ່ມຕົ້ນ, ໄປທີ່ຕົວຈັດການໄຟລ໌ຂອງພວກເຮົາ https://www.onworks.net/myfiles.php?username=XXXXX ດ້ວຍຊື່ຜູ້ໃຊ້ທີ່ທ່ານຕ້ອງການ.
- 6. ດາວນ໌ໂຫລດຄໍາຮ້ອງສະຫມັກແລະຕິດຕັ້ງມັນ.
- 7. ດາວໂຫລດ Wine ຈາກບ່ອນເກັບມ້ຽນຊອບແວການແຈກຢາຍ Linux ຂອງທ່ານ. ເມື່ອຕິດຕັ້ງແລ້ວ, ທ່ານສາມາດຄລິກສອງຄັ້ງ app ເພື່ອດໍາເນີນການໃຫ້ເຂົາເຈົ້າກັບ Wine. ນອກນັ້ນທ່ານຍັງສາມາດລອງ PlayOnLinux, ການໂຕ້ຕອບທີ່ແປກປະຫຼາດໃນໄລຍະ Wine ທີ່ຈະຊ່ວຍໃຫ້ທ່ານຕິດຕັ້ງໂປລແກລມ Windows ແລະເກມທີ່ນິຍົມ.
ເຫຼົ້າແວງເປັນວິທີການແລ່ນຊອບແວ Windows ໃນ Linux, ແຕ່ບໍ່ມີ Windows ທີ່ຕ້ອງການ. ເຫຼົ້າແວງແມ່ນຊັ້ນຄວາມເຂົ້າກັນໄດ້ຂອງ Windows ແຫຼ່ງເປີດທີ່ສາມາດເອີ້ນໃຊ້ໂຄງການ Windows ໂດຍກົງໃນ desktop Linux ໃດກໍໄດ້. ໂດຍພື້ນຖານແລ້ວ, Wine ກໍາລັງພະຍາຍາມປະຕິບັດໃຫມ່ຢ່າງພຽງພໍຂອງ Windows ຕັ້ງແຕ່ເລີ່ມຕົ້ນເພື່ອໃຫ້ມັນສາມາດດໍາເນີນການຄໍາຮ້ອງສະຫມັກ Windows ທັງຫມົດໄດ້ໂດຍບໍ່ຕ້ອງໃຊ້ Windows.
ໜ້າ ຈໍ
Ad
ການຮຽນຮູ້ເລິກສໍາລັບຄໍາຮ້ອງສະຫມັກທາງການແພດ
ລາຍລະອຽດ
Deep-Learning-for-Medical-Applications is a repository that compiled the deep learning method, ການປະຕິບັດລະຫັດ, ແລະຕົວຢ່າງທີ່ນໍາໃຊ້ກັບຮູບພາບທາງການແພດແລະຂໍ້ມູນການດູແລສຸຂະພາບ. ໂຄງການດັ່ງກ່າວໄດ້ແກ້ໄຂສິ່ງທ້າທາຍສະເພາະຂອງໂດເມນເຊັ່ນ: ການແບ່ງກຸ່ມ, ການຈັດປະເພດ, ການກວດຫາ ແລະຂໍ້ມູນຫຼາຍຮູບແບບ (ເຊັ່ນ: MRI, CT, X-ray) ໂດຍໃຊ້ສະຖາປັດຕະຍະກຳທີ່ທັນສະໄໝ (ເຊັ່ນ: U-Net, ResNet, GAN variants) ທີ່ປັບແຕ່ງໃຫ້ເໝາະສົມກັບຂໍ້ຈຳກັດທາງການແພດ (ຊຸດຂໍ້ມູນຂະໜາດນ້ອຍ, ຄ່າໃຊ້ຈ່າຍໃນການບັນຍາຍ, ຄວາມບໍ່ສົມດຸນຂອງຫ້ອງຮຽນ). ມັນປະກອບມີປື້ມບັນທຶກ Jupyter, ສະຖາປັດຕະຍະກໍາແບບຈໍາລອງ, ທໍ່ການປຸງແຕ່ງຂໍ້ມູນກ່ອນ, ແລະສະຄິບການປະເມີນຜົນສະເພາະກັບວຽກງານການຖ່າຍຮູບທາງການແພດ. ຄັງເກັບມ້ຽນອາດຈະປະກອບມີໂມດູນສະເພາະໂດເມນ: ຫນ້າທີ່ສູນເສຍເຊັ່ນ: Dice, ການສູນເສຍໂຟກັສ, ຕົວຊີ້ວັດເຊັ່ນ: ຄວາມອ່ອນໄຫວ / ການເອີ້ນຄືນ / IoU, ແລະອຸປະກອນການເບິ່ງເຫັນສໍາລັບຫນ້າກາກການແບ່ງສ່ວນຊ້ອນກັນ.
ຄຸນລັກສະນະ
- ສະຖາປັດຕະຍະກໍາແບບຈໍາລອງ (ເຊັ່ນ: U-Net, ResNet, GAN variants) ສະເພາະສໍາລັບຮູບພາບທາງການແພດ
- Preprocessing pipelines ແລະເຕັກນິກການຂະຫຍາຍສໍາລັບຂໍ້ມູນທາງການແພດ
- ຟັງຊັນການສູນເສຍແລະການວັດແທກທີ່ເຫມາະສົມສໍາລັບການແບ່ງສ່ວນ, ຄວາມບໍ່ສົມດຸນຂອງຊັ້ນຮຽນ, ເຊັ່ນ: Dice, ການສູນເສຍໂຟກັສ
- ເຄື່ອງມືການປະເມີນຜົນແລະການເບິ່ງເຫັນພາບສໍາລັບການວາງຊ້ອນການຄາດຄະເນກ່ຽວກັບຮູບພາບທາງການແພດ
- ປື້ມບັນທຶກ Jupyter ສະແດງໃຫ້ເຫັນຂັ້ນຕອນການເຮັດວຽກໃນຕອນທ້າຍໃນວຽກງານ AI ທາງການແພດ
- ເນັ້ນຫນັກໃສ່ການແຜ່ພັນ, ການກວດສອບຢ່າງລະມັດລະວັງ, ແລະການອອກແບບທີ່ຮູ້ຈັກໂດເມນ
ປະເພດ
ນີ້ແມ່ນແອັບພລິເຄຊັນທີ່ຍັງສາມາດເອົາມາຈາກ https://sourceforge.net/projects/deep-learning-med-app.mirror/. ມັນໄດ້ຖືກຈັດຢູ່ໃນ OnWorks ເພື່ອໃຫ້ດໍາເນີນການອອນໄລນ໌ດ້ວຍວິທີທີ່ງ່າຍທີ່ສຸດຈາກຫນຶ່ງໃນລະບົບປະຕິບັດງານຟຣີຂອງພວກເຮົາ.
