معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

CAE helper functions, models and classes

ویژگی	مقدار
سیستم عامل	-
نام فایل	CAE-Jake-HP-145-1.4.4
نام	CAE-Jake-HP-145
نسخه کتابخانه	1.4.4
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Jake Harold Pensavalle
ایمیل نویسنده	jakeharold.pensavalle@gmail.com
آدرس صفحه اصلی	https://github.com/Jake145/CAE-for-DM-segmentation
آدرس اینترنتی	https://pypi.org/project/CAE-Jake-HP-145/
مجوز	-

# CAE-for-DM-segmentation Convolutional autoencoder for the CMEP course. This project consists of three versions of convolutional autoencoders with classification of the masses. The first classifies the masses in /large_sample_Im_segmented_ref based only on pixel values, while the second also takes in features obtained with pyradiomics into account. The third one is and attempt to adapt the net to ta very large dataset from TCIA (https://wiki.cancerimagingarchive.net/display/Public/CBIS-DDSM) using multithreading, multiprocessing and special classes to flow the data into the CAE. For all the nets there is a colab notebook and specific python files. # Special package Included is a specific package with the models, classes and helper functions. These range from simple data processing and I/O operations to class activation map visualization. # Dataset The smaller dataset is included, while the TCIA dataset can be downloaded from the link above and preprocessed first with dycomdatagen.py to create .png datasets and feature_extraction.py to extract the radiomic features, which are in Pandatabigframe.csv. For ease a shared google drive will be included to run the notebook version. In these scripts multithreading and multiprocessing are used to accelerate the operations. # Models There are three proposed models, a simple one, one with added regularization and finally a unet. For each model, there is a version that uses just the image pixel values for discrimination and one that also takes teh extracted radiomic features. Models can be further optimized by modifing the TUNER.ipynb notebook, in which Bayesian optimization is used. # Build Status, Documentation and Package [![Build Status](https://www.travis-ci.com/Jake145/CAE-for-DM-segmentation.svg?branch=main)](https://www.travis-ci.com/Jake145/CAE-for-DM-segmentation) [![Documentation Status](https://readthedocs.org/projects/cae/badge/?version=latest)](https://cae.readthedocs.io/en/latest/?badge=latest) [![PyPi version](https://pypip.in/v/CAE-Jake-HP-145/badge.png)](https://pypi.org/project/CAE-Jake-HP-145/)

زبان مورد نیاز

مقدار	نام
>=3.0	Python

نحوه نصب

نصب پکیج whl CAE-Jake-HP-145-1.4.4:

pip install CAE-Jake-HP-145-1.4.4.whl

نصب پکیج tar.gz CAE-Jake-HP-145-1.4.4:

pip install CAE-Jake-HP-145-1.4.4.tar.gz