Ecosyste.ms: Awesome
An open API service indexing awesome lists of open source software.
https://github.com/thaisgarcia/pneumonia-detection
Este projeto usa uma rede neural convolucional (CNN) para detectar pneumonia em imagens de raio-X do tórax. O modelo foi treinado com o TensorFlow e Keras para classificar imagens como normais ou com pneumonia.
https://github.com/thaisgarcia/pneumonia-detection
Last synced: 6 days ago
JSON representation
Este projeto usa uma rede neural convolucional (CNN) para detectar pneumonia em imagens de raio-X do tórax. O modelo foi treinado com o TensorFlow e Keras para classificar imagens como normais ou com pneumonia.
- Host: GitHub
- URL: https://github.com/thaisgarcia/pneumonia-detection
- Owner: thaisgarcia
- Created: 2024-07-20T15:29:24.000Z (4 months ago)
- Default Branch: main
- Last Pushed: 2024-07-20T16:00:35.000Z (4 months ago)
- Last Synced: 2024-07-21T17:18:30.995Z (4 months ago)
- Language: Jupyter Notebook
- Homepage: https://www.kaggle.com/datasets/paultimothymooney/chest-xray-pneumonia
- Size: 5.86 KB
- Stars: 0
- Watchers: 1
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
Awesome Lists containing this project
README
# Detecção de Pneumonia com CNN
Este projeto usa uma rede neural convolucional (CNN) para detectar pneumonia em imagens de raio-X do tórax. O modelo foi treinado com o TensorFlow e Keras para classificar imagens como normais ou com pneumonia.
## Estrutura do Projeto
- **`train_dir`**: Diretório contendo imagens para treinamento.
- **`val_dir`**: Diretório contendo imagens para validação.
- **`test_dir`**: Diretório contendo imagens para teste.
## Dependências
Certifique-se de ter as seguintes bibliotecas instaladas:
- TensorFlow
- NumPy
- Matplotlib
- PIL (Pillow)
Você pode instalar as dependências necessárias usando o `pip`:
```bash
pip install tensorflow numpy matplotlib pillow
```
## Código
### Pré-processamento dos Dados
Os dados são carregados e pré-processados usando o `ImageDataGenerator` do Keras:
```python
train_datagen = ImageDataGenerator(rescale=1./255)
val_datagen = ImageDataGenerator(rescale=1./255)
test_datagen = ImageDataGenerator(rescale=1./255)
train_generator = train_datagen.flow_from_directory(
train_dir,
target_size=(150, 150),
batch_size=32,
class_mode='binary'
)
val_generator = val_datagen.flow_from_directory(
val_dir,
target_size=(150, 150),
batch_size=32,
class_mode='binary'
)
test_generator = test_datagen.flow_from_directory(
test_dir,
target_size=(150, 150),
batch_size=32,
class_mode='binary'
)
```
### Construção do Modelo
Um modelo CNN é construído com camadas de convolução e pooling, seguido por camadas densas:
```python
model = Sequential([
Conv2D(32, (3, 3), activation='relu', input_shape=(150, 150, 3)),
MaxPooling2D(2, 2),
Conv2D(64, (3, 3), activation='relu'),
MaxPooling2D(2, 2),
Conv2D(128, (3, 3), activation='relu'),
MaxPooling2D(2, 2),
Flatten(),
Dense(512, activation='relu'),
Dropout(0.5),
Dense(1, activation='sigmoid')
])
```
### Treinamento e Avaliação
O modelo é treinado e avaliado usando as funções `fit` e `evaluate`:
```python
history = model.fit(
train_generator,
steps_per_epoch=100,
epochs=20,
validation_data=val_generator,
validation_steps=50
)
test_loss, test_acc = model.evaluate(test_generator, steps=50)
print(f'Test accuracy: {test_acc}')
```
- **`pneumonia_detection_model.h5`**: Modelo treinado salvo após o treinamento.
### Predição de Novas Imagens
Função para carregar e prever se uma nova imagem contém pneumonia:
```python
def predict_image(model, img_path):
img = tf.keras.preprocessing.image.load_img(img_path, target_size=(150, 150))
img_array = tf.keras.preprocessing.image.img_to_array(img) / 255.0
img_array = np.expand_dims(img_array, axis=0)
prediction = model.predict(img_array)
if prediction[0] > 0.5:
print('Pneumonia Detectada')
else:
print('Pneumonia Não Detectada')
```
## Contribuições
Sinta-se à vontade para contribuir com melhorias ou correções. Crie um pull request ou abra uma issue para discutir mudanças.