GAN-basierter Daten-Augmentations-Pipeline für medizinische Bildgebung
Übersicht
Worum es bei diesem Projekt geht.
Trainiere ein GAN für 3 unterrepräsentierte Lungenröntgen-Klassen, generiere 500 Bilder und teste den Klassifikator. Du erhältst ein verifizierbares Zertifikat.
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.
Deep Generative Models
Master · Ai Ml
Fit score: 1
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