GAN-basierter Daten-Augmentations-Pipeline für medizinische Bildgebung
Übersicht
Worum es bei diesem Projekt geht.
Du erhältst einen anonymisierten Bilddatensatz (rund 12.000 Lungenröntgen, 14 Befund-Klassen, davon 3 unterrepräsentiert mit jeweils <200 Beispielen) sowie den bestehenden Klassifikator (ResNet-50). Trainiere ein klassenbedingtes GAN (z. B. StyleGAN3 oder StyleGAN-XL) auf den 3 Klassen, generiere je 500 synthetische Bilder pro Klasse und teste systematisch: Klassifikator-Trainings (a) ohne Augmentation, (b) mit klassischer Augmentation, (c) mit GAN-Augmentation. Berichte F1 pro Klasse und führe einen radiologen-validierten Plausibilitäts-Check der GAN-Bilder durch.
Das Briefing
Was Du tust und was Du zeigst.
Wie verbessert man die F1 für seltene Befund-Klassen mit GAN-Augmentation, ohne dass die synthetischen Bilder klinisch unplausibel werden?
Earning criteria — what you'll demonstrate
- Klassenbedingtes GAN-Training auf medizinischen Bildern durchführen
- Datenaugmentations-Strategien (klassisch vs. GAN) fair benchen
- Plausibilitäts-Checks mit Domain-Expert:innen für synthetische Bilder organisieren
- Ethische Implikationen synthetischer Medizin-Bilder artikulieren
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Karrierewege, die das aufbaut
Kanonische RollenML Researcher
GAN-Augmentation auf medizinischen Bildern ist ein gefragtes Forschungsthema; die Challenge produziert einen portfolio-fähigen Nachweis mit klarem Evaluations-Rahmen.
Dieses Projekt schärft
- gans
- data-augmentation
- medical-imaging
Computer Vision Engineer
Augmentations-Pipelines für seltene Klassen sind ein Standard-Engineering-Thema in medizinischer Bildverarbeitung.
Dieses Projekt schärft
- medical-imaging
- data-augmentation
- model-evaluation
AI Safety Researcher
Bias-Verstärkung und Plausibilitäts-Checks für synthetische Trainings-Daten sind Kerndisziplinen der AI-Safety-Forschung in medizinischen Anwendungen.
Dieses Projekt schärft
- gans
- model-evaluation
- qualitative-evaluation
Noch eine Sache