🫁 PneumoFinder CNN (Keras + TensorFlow) 🤖

Este projeto tem como objetivo detectar pneumonia a partir de imagens de raio-X de pulmões utilizando uma Rede Neural Convolucional (CNN) desenvolvida com TensorFlow e Keras, a aplicação foi construída como um estudo prático na disciplina de Inteligência Artificial, focando no uso de técnicas modernas de Visão Computacional aplicadas à área da saúde. A classificação é binária, distinguindo entre pulmões saudáveis (NORMAL) e pulmões com pneumonia (PNEUMONIA).

🚀 Ideal para aplicação em cenários médicos que exigem triagem rápida com alto desempenho.

🌊 O Fluxo do Sistema

---

🔧 Técnicas Utilizadas

Durante o desenvolvimento e treinamento do modelo, diversas estratégias foram aplicadas para aumentar o desempenho e a generalização:

📈 Data Augmentation

Utilizei o ImageDataGenerator com os seguintes parâmetros para aumentar artificialmente o conjunto de treinamento:

• Rotação aleatória de até 15°
• Zoom de até 10%
• Deslocamento horizontal e vertical
• Espelhamento horizontal
• Normalização dos pixels (rescale)

Essa técnica ajuda a evitar overfitting e simula variações reais nos dados.

🧪 Divisão dos Dados

Os dados foram separados em três conjuntos:

• Treinamento – com augmentations
• Validação – para monitorar o desempenho durante o treinamento
• Teste – para avaliação final do modelo (sem augmentations)

🧠 Callbacks

Implementei duas técnicas fundamentais durante o processo de treinamento:

• ModelCheckpoint – Salva automaticamente o modelo com a melhor acurácia de validação (val_accuracy)
• EarlyStopping – Para o treinamento se a val_loss não melhorasse por 3 épocas consecutivas, evitando overfitting

---

🧰 Tecnologias Utilizadas

Este projeto foi desenvolvido utilizando as seguintes tecnologias e bibliotecas:

👨🏻‍💻 Linguagem

• Python 3.11 – Linguagem principal para desenvolvimento do modelo e scripts auxiliares

🧠 Frameworks e Bibliotecas de IA

• TensorFlow – Framework principal para construção e treinamento da CNN
• Keras – API de alto nível do TensorFlow, utilizada para definição da arquitetura da rede
• NumPy – Manipulação de arrays e operações matemáticas vetorizadas
• Matplotlib e Seaborn – Visualização de métricas e gráficos de desempenho

📂 Organização e Utilitários

• scikit-learn – Cálculo de métricas de avaliação (accuracy, precision, recall, F1-score, confusion matrix)
• OS / Pathlib – Navegação entre diretórios e manipulação de caminhos
• tqdm – Barra de progresso para loops
• PIL (Pillow) – Manipulação e leitura de imagens

🧪 Ciência de Dados

• Pandas – Estruturação de dados tabulares (auxiliar nos scripts de avaliação)

📦 Todas as dependências podem ser instaladas via pip utilizando o arquivo requirements.txt.

---

🧬 Arquitetura do Modelo CNN

A arquitetura da rede foi implementada utilizando o modelo Sequential, com camadas convolucionais empilhadas progressivamente:

• 3 Camadas Convolucionais com filtros 3x3 e funções de ativação ReLU
• 3 Camadas de MaxPooling 2x2 para reduzir dimensionalidade
• Camada Flatten para transformar os mapas de características em um vetor unidimensional
• Camada Densa com 128 neurônios
• Camada de Dropout (50%) para combater o overfitting
• Camada de Saída com ativação Sigmoid, para previsão binária (0 = normal, 1 = pneumonia)

A rede foi compilada com o otimizador Adam e função de perda Binary Crossentropy, adequados para o problema de classificação binária.

A arquitetura da CNN desenvolvida é descrita na imagem abaixo:

---

📂 Estrutura do Projeto

├── .gitignore                 # Arquivos e pastas ignorados pelo Git
├── README.md                 # Documentação do projeto
├── requirements.txt          # Bibliotecas e dependências do projeto
├── avaliacao.py              # Script para avaliação e geração de métricas
├── main.py                   # Script principal (executa o pipeline completo)
├── modelo.py                 # Define e retorna a arquitetura da CNN
├── preprocessamento.py       # Pré-processamento de imagens
├── treinamento.py            # Script de treinamento da CNN
├── dataset/                  # Conjunto de dados dividido em treino, validação e teste
│   ├── train/
│   │   ├── NORMAL/
│   │   └── PNEUMONIA/
│   ├── val/
│   │   ├── NORMAL/
│   │   └── PNEUMONIA/
│   └── test/
│       ├── NORMAL/
│       └── PNEUMONIA/
├── imagens - treino/         # (Opcional) Outras imagens usadas durante o processo
├── imgs_docs/                # Imagens utilizadas na documentação (README)
│   ├── model_summary.png
│   ├── image.png
│   ├── image 1.png
│   └── image copy.png
├── usar_modelo/              # Scripts e recursos para uso do modelo treinado
│   ├── pneumo_finder.py      # Função principal de predição
│   ├── usar_modelo.py        # Executável para testar imagens externas
│   └── imgs/                 # Imagens externas para predição
└── venv/                     # Ambiente virtual Python (não incluir no versionamento)

---

📊 Desempenho do Modelo

Ao final do treinamento, foram geradas diversas análises para entender o desempenho do modelo:

• Gráficos de Acurácia e Perda (Loss)
• Matriz de Confusão – Visualização dos acertos e erros
• Relatórios de Classificação (Precision, Recall, F1-Score)

Esses recursos forneceram uma visão clara da capacidade do modelo em generalizar para dados não vistos.

Métrica	Valor
Accuracy	Alta 🔝
Precision & Recall	Balanceados ⚖️
F1-Score	Otimizado 💯

📈 Métricas detalhadas:

🧮 Matriz de Confusão:

🌀 Evolução durante o treinamento:

---

🛠️ Como Executar

1. Clone o repositório

git clone [email protected]:CauZy-Goes/PneumoFinder_CNN_Keras_TensorFlow.git
cd /PneumoFinder_CNN_Keras_TensorFlow

2. Crie e ative o ambiente virtual

python -m venv venv
venv\Scripts\activate  # Windows
# ou
source venv/bin/activate  # Linux/Mac

3. Instale as dependências

📦 Todas as dependências podem ser instaladas via requirements.txt

pip install -r requirements.txt

4. Execute o treinamento

O script main.py realiza todo o pipeline automaticamente:

• Pré-processa as imagens dos diretórios train, val e test
• Cria a arquitetura da CNN
• Treina o modelo com EarlyStopping e ModelCheckpoint
• Avalia o desempenho em dados de teste
• Plota gráficos de histórico
• Salva o modelo treinado como best_model.keras na raiz do projeto

python main.py

📁 O arquivo best_model.keras será gerado automaticamente na raiz após o treinamento.

---

🚦 Executando a Classificação

🔍 Diagnóstico de novas imagens

Você pode usar o script interativo usar_modelo.py para diagnosticar imagens externas com o modelo treinado:

O menu interativo oferece duas opções:

• Diagnosticar uma imagem específica (forneça o nome dela dentro da pasta usar_modelo/imgs/)
• Diagnosticar todas as imagens contidas na pasta usar_modelo/imgs/

A predição informará se a imagem é classificada como NORMAL ou PNEUMONIA, junto da confiança da predição.

📁 Certifique-se de que o arquivo best_model.keras está presente na raiz do projeto e que as imagens estejam na pasta usar_modelo/imgs/.

python usar_modelo.py

---

⚖️ Licença

Distribuído sob a licença MIT.
Sinta-se livre para usar, modificar e contribuir com este projeto.

---

💬 Feedback & Contribuições

Pull requests e sugestões são muito bem-vindas!
Se encontrar algum problema ou tiver ideias para melhorar o projeto, abra uma issue

👨🏻‍💻 Autor

Projeto desenvolvido por Cauã Farias durante a disciplina de Inteligência Artificial do curso de Engenharia de Software.

🎓 Projeto acadêmico com grande aplicabilidade prática na área da saúde.

---