Ik voer medische beeldsegmentatie uit en ontwikkel ai-modellen


Over deze dienst
Automatische vertaling
Ik bied geavanceerde AI-oplossingen voor medische beeldvorming, gespecialiseerd in 3D-segmentatie en neuro-oncologie. Met expertise in deep learning en Topological Data Analysis (TDA) ontwikkel ik high-performance modellen zoals U-Net, Swin UNETR en aandacht-gebaseerde architecturen voor nauwkeurige tumor-, orgaan- en weefselsegmentatie.
Ik werk met MRI/CT data (NIfTI, DICOM) en bied complete preprocessing pipelines inclusief schedelverwijdering, normalisatie en biascorrectie. Daarnaast haal ik geavanceerde features zoals Betti-getallen en persistentie-homologie uit om complexe tumorstructuren te vangen die verder gaan dan traditionele CNNs.
Mijn diensten omvatten hersentumorsegmentatie (BraTS WT, TC, ET), radiomics feature extractie, 3D-puntwolken genereren en volledige onderzoeksondersteuning met gedetailleerde technische documentatie.
Of je nu een onderzoeker, student of startup bent, ik lever betrouwbare, research-ready AI-oplossingen die op maat gemaakt zijn voor jouw dataset.
Neem contact met me op voordat je bestelt om je project te bespreken.
Maak kennis met M Zeeshan
Medical AI Researcher
- Afkomstig uitPakistan
- Lid sindsapr 2026
Talen
Engels, Urdu
Automatische vertaling
Mijn portfolio
Veelgestelde vragen
Automatische vertaling
Met welke gegevensformaten werkt u?
Ik werk voornamelijk met NIfTI (.nii, .nii.gz) en DICOM formaten. Ik kan ook 3D-puntwolken en standaard afbeeldingsformaten verwerken voor medische analyse.
Geef je de broncode door?
Ja, alle pakketten bevatten de volledige broncode (Python/PyTorch of Julia) en documentatie voor de ontwikkelde pipeline.
Wat is Topological Data Analysis (TDA) in deze context?
TDA is een wiskundige aanpak die ik gebruik om structurele features zoals Betti-getallen en persistentie-homologie te extraheren. Dit helpt bij het identificeren van complexe tumorvormen die traditionele CNNs mogelijk over het hoofd zien.

