Aprendizado profundo para segmentação de imagens médicas 2D e 3D e detecção de objetos em R.
Faça uma ponte entre pipelines de dados em R e arquiteturas PyTorch para arquivos DICOM e NIfTI
O rplatypus preenche a lacuna entre pacotes de manipulação de imagens médicas em R e modelos de aprendizado profundo do PyTorch. Ele fornece segmentação semântica e de instâncias, além de detecção de objetos para formatos como DICOM e NIfTI.
O pacote gerencia especificações de modelos de aprendizado profundo, ajuste e plotagem de máscaras diretamente do R usando um motor PyTorch isolado. Ele possui suporte integrado para arquiteturas como U-Net e LinkNet com métricas de avaliação comparáveis.
É ideal para usuários de R que trabalham com conjuntos de dados de imagens médicas e desejam executar aprendizado profundo sem sair do ambiente deles. Não é adequado para quem precisa de configurações pré-configuradas sem baixar grandes dependências em Python.
Execute pipelines de aprendizado profundo inteiramente em R enquanto computa via um motor Python isolado.
Processe formatos padrão de imagem médica nativamente em especificações 2D e 3D.
Visualize previsões em comparação com máscaras de verdade de campo com mapas de cores personalizados para inspecionar erros do modelo.
O único custo é executá-lo por conta própria, pois a licença não está declarada nos metadados do repositório.
877 vagas remotas abertas de treinamento de IA, atualizadas em 16 de novembro de 2026; a maioria paga $20–$175 por hora. 8 delas pedem falantes de português. O Zekai lista de graça; a candidatura vai para a plataforma do empregador.
Estas ferramentas de IA avaliadas fazem o mesmo trabalho na hora — do nosso diretório avaliado.
Não, o pacote instala e isola seu motor pyplatypus automaticamente na primeira chamada.
Não, esta é uma reescrita completa executada no PyTorch em vez do TensorFlow.
Veja o Zekai primeiro no Google