U-Net-Segmentierung von Lungenrundherden auf CT fuer ein Heidelberger Forschungslabor
Übersicht
Worum es bei diesem Projekt geht.
Du baust einen 3D-U-Net-Segmentierer in PyTorch auf rund 800 CT-Volumen mit annotierten Lungenrundherden. Verwende eine Dice-Loss + Cross-Entropy-Kombination und Data-Augmentation (Drehen, Spiegeln, Helligkeit). Trainiere mit 5-facher patient:innenstratifizierter Cross-Validation (kein Patient:innen-Leakage!). Berichte Dice-Score, Sensitivitaet und False-Positive-Rate pro Volumen. Vergleiche gegen einen einfachen Schwellwert-Baseline. Liefere Notebook + 5-seitige wissenschaftliche Notiz mit Freigabe-Empfehlung.
Das Briefing
Was Du tust und was Du zeigst.
Liefere einen 3D-U-Net-Segmentierer fuer Lungenrundherde mit dokumentierter Studienreife und Freigabe-Empfehlung.
Earning criteria — what you'll demonstrate
- 3D-U-Nets in PyTorch korrekt implementieren (Channel-Dimensionen, Speicher-Management)
- Patient:innen-Splits statt zufaelliger Splits in medizinischen Bilddaten verwenden
- Segmentierungs-Metriken (Dice, Sensitivitaet, FP-Rate) klinisch sinnvoll berichten
- Eine wissenschaftliche Notiz mit Freigabe-Empfehlung verfassen
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
3D-Segmentierung medizinischer Bilder ist Kerngeschaeft fuer CV-Engineers in medizinischen Bildgebungs-Startups und Forschungslaboren.
Dieses Projekt schärft
- medical-image-segmentation
- u-net
- deep-learning
Applied AI Scientist
Wissenschaftliche Notizen mit Freigabe-Empfehlung zu verfassen ist Senior-Applied-AI-Disziplin in klinischen Studienteams.
Dieses Projekt schärft
- medical-image-segmentation
- model-evaluation
- pytorch
ML Researcher
Methodisch saubere Validierung in medizinischer Bildgebung ist Senior-Forschungsdisziplin in akademischen Bildverarbeitungs-Laboren.
Dieses Projekt schärft
- model-evaluation
- u-net
- data-augmentation
Noch eine Sache