Это приложение для Windows под названием Deep Learning for Medical Applications, последнюю версию которого можно загрузить как Deep-Learning-for-Medical-Applicationssourcecode.tar.gz. Его можно запустить онлайн на бесплатном хостинг-провайдере OnWorks для рабочих станций.
Бесплатно скачайте и запустите онлайн это приложение под названием «Глубокое обучение для медицинских приложений с OnWorks».
Следуйте этим инструкциям, чтобы запустить это приложение:
- 1. Загрузил это приложение на свой компьютер.
- 2. Введите в нашем файловом менеджере https://www.onworks.net/myfiles.php?username=XXXXX с желаемым именем пользователя.
- 3. Загрузите это приложение в такой файловый менеджер.
- 4. Запустите любой онлайн-эмулятор OS OnWorks с этого сайта, но лучше онлайн-эмулятор Windows.
- 5. В только что запущенной ОС Windows OnWorks перейдите в наш файловый менеджер https://www.onworks.net/myfiles.php?username=XXXXX с желаемым именем пользователя.
- 6. Скачайте приложение и установите его.
- 7. Загрузите Wine из репозиториев программного обеспечения вашего дистрибутива Linux. После установки вы можете дважды щелкнуть приложение, чтобы запустить его с помощью Wine. Вы также можете попробовать PlayOnLinux, необычный интерфейс поверх Wine, который поможет вам установить популярные программы и игры для Windows.
Wine - это способ запустить программное обеспечение Windows в Linux, но без Windows. Wine - это уровень совместимости с Windows с открытым исходным кодом, который может запускать программы Windows непосредственно на любом рабочем столе Linux. По сути, Wine пытается заново реализовать Windows с нуля, чтобы можно было запускать все эти Windows-приложения, фактически не нуждаясь в Windows.
СКРИНШОТЫ
Ad
Глубокое обучение для медицинских приложений
ОПИСАНИЕ
Deep-Learning-for-Medical-Applications — это репозиторий, содержащий методы глубокого обучения, реализации кода и примеры, применяемые к данным медицинской визуализации и здравоохранению. Проект решает такие предметно-ориентированные задачи, как сегментация, классификация, детекция и мультимодальные данные (например, МРТ, КТ, рентгенография), используя современные архитектуры (например, U-Net, ResNet, варианты GAN), адаптированные к медицинским ограничениям (небольшие наборы данных, высокая стоимость аннотирования, дисбаланс классов). Репозиторий включает блокноты Jupyter, архитектуры моделей, конвейеры предварительной обработки данных и скрипты оценки, специфичные для задач медицинской визуализации. Репозиторий также может содержать специализированные модули: функции потерь, такие как Dice, фокальные потери, метрики, такие как чувствительность/полнота/IoU, и утилиты визуализации для наложения масок сегментации.
Особенности
- Архитектуры моделей (например, варианты U-Net, ResNet, GAN), специализированные для медицинской визуализации
- Конвейеры предварительной обработки и методы дополнения медицинских данных
- Функции потерь и метрики, подходящие для сегментации, классового дисбаланса, например, Dice, фокальных потерь
- Утилиты оценки и визуализации для наложения прогнозов на медицинские изображения
- Блокноты Jupyter, демонстрирующие сквозные рабочие процессы в задачах медицинского ИИ
- Акцент на воспроизводимость, тщательную проверку и проектирование с учетом особенностей предметной области
Категории
Это приложение также можно скачать по адресу https://sourceforge.net/projects/deep-learning-med-app.mirror/. Оно размещено на платформе OnWorks для максимально удобного запуска онлайн через одну из наших бесплатных операционных систем.
