(ШІ) для автоматичної діагностики на основі МРТ/КТ знімків

AI та машинне навчання, Python — неправильно зазначені категорії?

153 495 UAH

Проєкт перекладено автоматично. Увійдіть або зареєструйтесь, щоб побачити оригінал

Система повинна самообучатися при підключенні до баз даних медичних установ, аналізуючи зображення та текстові діагнози для точної діагностики та прогнозування захворювань. Основні функції MVP

Обробка медичних зображень: • Завантаження та попередня обробка зображень МРТ та КТ форматів (DICOM та інші). • Автоматичний аналіз зображень та виділення патологій.
Аналіз текстових даних: • Витягування інформації з текстових описів діагнозів. • Співвідношення текстової інформації з зображеннями для навчання та покращення діагностики.
Самообучення та адаптація: • Постійне самообучення ШІ на основі нових даних з підключених баз даних. • Аналіз зворотного зв'язку від лікарів та адаптація моделей на основі цієї інформації.
Інтерфейс користувача: • Вспливаюче вікно з результатами аналізу при відкритті зображення. • Поле для коментарів від лікаря з можливістю голосового вводу. Технічні вимоги 1. Модель обробки зображень: • Використання попередньо навчених моделей для аналізу медичних зображень, таких як U-Net та ResNet. • Інтеграція з бібліотеками PyTorch та TensorFlow. 2. Модель обробки тексту: • Використання моделей NLP для аналізу текстових діагнозів, таких як BERT та BioBERT. • Інтеграція з бібліотеками Hugging Face Transformers. 3. Інфраструктура та інтеграція: • Хмарне зберігання даних та обробка на серверах (наприклад, AWS, Google Cloud). • Інтеграція з API баз даних медичних установ для автоматичного збору даних. 4. Інтерфейс користувача: • Розробка веб-інтерфейсу на основі сучасних технологій (React, Angular). • Реалізація функцій для взаємодії з лікарями (вспливаючі вікна, коментарі). Етапи реалізації 1. Збір даних: • Налаштувати API для доступу до баз даних медичних установ. • Зібрати та анонімізувати дані для навчання моделей. 2. Розробка моделей: • Налаштувати та навчити попередньо навчені моделі для аналізу зображень (U-Net, ResNet). • Налаштувати та навчити попередньо навчені моделі для аналізу текстів (BERT, BioBERT). • Об'єднати результати аналізу зображень та текстів для покращення точності діагностики. 3. Інтеграція та тестування: • Інтегрувати моделі в єдиний продукт. • Провести тестування на реальних даних та покращити алгоритми на основі результатів. 4. Розробка інтерфейсу: • Створити прототип користувацького інтерфейсу. • Інтегрувати інтерфейс з основними функціями ШІ (вспливаючі вікна, коментарі). 5. Самообучення та адаптація: • Налаштувати механізми самообучення на основі нових даних. • Реалізувати систему аналізу зворотного зв'язку від лікарів для покращення моделей.

Ставки 10

Mykhailo Pavlov

60 0

Проєкти 61
Оцінка 5.0
Рейтинг 8 706

Бюджет: 4000 EUR Термін: 30 днів

Доброго дня!

Готові реалізувати систему, яка буде самообучатися при підключенні до баз даних медичних установ, аналізуючи зображення та текстові діагнози для точної діагностики та прогнозування захворювань.

Пишемо на Python. Займаємо 5-те місце на платформі за даною мовою.

Портфоліо: Freelancehunt

Будемо раді співпрацювати!

Дмитрий Голуб

0 0

Проєкти -
Оцінка -
Рейтинг 141

Бюджет: 3000 EUR Термін: 30 днів

день3000 EUR

Привітствую Вас! Ми - аутсорсингова компанія, надаємо послуги професійних розробників та дизайнерів. Завдяки нашій скоординованості, замовлення виконуються максимально швидко та якісно. У нас є велике портфоліо з безліччю різних проектів, розроблених за допомогою великого спектра технологій: Python, JavaScript

Tair W

93 1

Проєкти 96
Оцінка -
Рейтинг 4 264

Бюджет: 3000 EUR Термін: 20 днів

https://freelancehunt.com/project/pyopengl/1208018.html

Привіт  
Я розробник Python  
Виконував подібний проект
Готовий взятися за роботу і виконати в найкоротші терміни в найкращому вигляді 
Роботу виконую якісно і своєчасно  
Можете почитати відгуки