Breast Cancer Detection AI System

De acordo com a explicação no artigo, o seguinte código apresenta os processos do sistema de detecção de câncer de mama.

Usando técnicas de pré-processamento, uso de Transfer Learning, além de uma arquitetura de Rede Neural Residual (ResNet50), o modelo de previsão detecta câncer de mama com uma acurácia de 57,53% durante os testes.

O modelo utilizado pode ser encontrado no arquivo tcc_modelo_unico.ipynb, um Notebook Jupiter que integra códigos, explicações e imagens, juntamente com processos como importação das imagens, pré-processamento, aplicação do método de Transfer Learning, declaração do modelo e treinamento, além de métricas e previsões.

Base de dados

Em função da base de imagens ser muito grande, os diretórios se encontram no Google Drive.

A base foi dividida em 6 grupos:

• Imagens para treinamento de pacientes SEM câncer

• Imagens para treinamento de pacientes COM câncer

• Imagens para validação de pacientes SEM câncer

• Imagens para validação de pacientes COM câncer

• Imagens para teste de pacientes SEM câncer

• Imagens para teste de pacientes COM câncer

Executando o código

Para executar o código localmente, é necessário possuir a versão 3.10 do Python e configurar o sistema para reconhecê-la corretamente.

Além disso, é necessário instalar os seguintes pacotes, utilizando o comando pip install (pacotes):

• numpy
• matplotlib
• opencv-python
• tensorflow
• pillow
• pandas
• scipy
• keras
• scikit-learn
• seaborn

Certifique-se de que todos os pacotes estão instalados antes de prosseguir.

Com os pacotes instalados, descompacte o arquivo DATASETS.zip na raiz do programa.

• DATASETS/: Contém os conjuntos de dados divididos em treinamento, teste e validação, cada um com subdiretórios para amostras com câncer e sem câncer.
• logs/: Um diretório para armazenar logs relacionados ao projeto.
• .gitignore: Um arquivo que especifica quais arquivos e diretórios devem ser ignorados pelo sistema de controle de versão Git.
• README.md: Um arquivo markdown que geralmente contém informações sobre o projeto, instruções de uso e qualquer outra documentação relevante.
• tcc_modelo_unico.ipynb: Um arquivo Jupyter Notebook com o modelo.