Segmentierung von Wundfotos für eine Berliner Heimpflegeapp
Übersicht
Worum es bei diesem Projekt geht.
Sie erhalten 1.500 gelabelte Wundfotos (Bildmaske pro Bild, kuratiert von einer Wund-Expertin) — keine echten Patientendaten, sondern ein synthetisch erstellter Beispiel-Datensatz. Trainieren Sie ein U-Net-Modell auf 1.200 Bildern und bewerten Sie auf 300. Validieren Sie über Dice-Koeffizient und IoU. Bauen Sie eine kleine Streamlit-Demo, die Maske und Wundfläche pro Foto anzeigt. Liefern Sie das Training, die Demo, einen Bewertungsreport und ein Memo zur möglichen klinischen Validierung im nächsten Schritt — inklusive einer ehrlichen Aussage, was das aktuelle Modell NICHT leisten kann.
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.
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