Segmentierung von Wundfotos für eine Berliner Heimpflegeapp
Übersicht
Worum es bei diesem Projekt geht.
Trainiere ein U-Net auf 1.200 Wundfotos, segmentiere Wundflächen und baue eine Streamlit-Demo. Werte mit Dice und IoU aus. Erhalte dein verifizierbares Zertifikat.
Das Briefing
Was Du tust und was Du zeigst.
Wie zuverlässig kann ein U-Net-Modell Wundflächen in der ambulanten Pflege aus Fotos segmentieren, und welche Limitationen müssen vor einem Produkteinsatz geklärt werden?
Earning criteria — what you'll demonstrate
- Semantische Segmentierung mit U-Net üben
- Maskenbasierte Metriken (Dice, IoU) anwenden
- Datenaugmentierung gezielt für medizinische Bilder einsetzen
- Limitationen eines Modells ehrlich kommunizieren
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Computer Vision (Undergraduate)
Bachelor · 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 RollenComputer Vision Engineer
Bild-Segmentierung in einer medizinisch nahen Anwendung ist ein hochwertiges Erstprojekt für CV Engineers, die in Healthtech einsteigen wollen.
Dieses Projekt schärft
- image-segmentation
- u-net
- data-augmentation
Machine Learning Engineer
Eine reproduzierbare Trainings-Pipeline mit Maskenmetriken ist die Brücke zu produktiverer ML-Engineering-Arbeit in medizinischen Anwendungen.
Dieses Projekt schärft
- pytorch
- model-evaluation
- image-segmentation
AI Safety Researcher
Limitationen ehrlich zu kommunizieren und klinische Validierungsschritte zu skizzieren ist die Standardarbeit von AI Safety Researchern in medizinischen Anwendungen.
Dieses Projekt schärft
- risk-analysis
- model-evaluation
- u-net
Noch eine Sache