Abordagens de Aprendizado Profundo para Classificação Automatizada de Granulócitos em Medula Óssea 🩸
Este repositório contém a implementação de um projeto voltado à classificação de granulócitos utilizando Redes Neurais Convolucionais a partir de imagens de esfregaço de medula óssea. Fora aplicadas três aboradgens, sendo elas:
- CNN customizada - arquitetura construída do zero, treinada inteiramente com o dataset.
- CNN pré-treinada com camada convolucional congelada - utiliza uma rede previamente treinada.
- CNN pré-treinada com fine-tuning - rede pré-treinada, cujas camadas convolucionais são parcialmente atualizadas durante o treinamento.
Este projeto foi desenvolvido no âmbito da disciplina de Inteligência Computacional em Saúde, ministrada pelo professor Andre Pacheco.
Os dados utilizados neste projeto foram obtidos do The Cancer Imaging Archive (TCIA), um repositório público de imagens médicas de câncer totalmente desidentificadas. O TCIA é financiado pelo Cancer Imaging Program (CIP), parte do National Cancer Institute (NCI, EUA), e gerenciado pelo Frederick National Laboratory for Cancer Research (FNLCR).
Para download dos arquivos, é necessário usar o IBM Aspera, uma ferramenta que permite transferir grandes volumes de dados de forma rápida e segura.
As imagens do dataset já vêm pré-processadas em 250x250 pixels, no formato JPG, e organizadas em pastas de acordo com o tipo celular. O dataset completo contém cerca de 170 mil imagens de diferentes tipos de células da medula óssea. Para este trabalho, utilizamos apenas os granulócitos, totalizando aproximadamente 80 mil imagens.
Os dados podem ser encontrados aqui.
Por se tratarem de arquivos .ipynb, podem ser executados em diversos ambientes. Todavia, recomendamos fortemente a utilização do JupyterLab ou da extensão do Jupyter para VSCode.
Faça o download do projeto:
git clone https://github.com/intel-comp-saude-ufes/2025-1-P2-classificacao-automatica-de-granulocitos-em-medula-ossea.git && cd 2025-1-P2-classificacao-automatica-de-granulocitos-em-medula-ossea- Insira o dataset em ...
Crie um ambiente virtual para isolar as dependências do projeto.
python3 -m venv venvsource venv/bin/activateInstale as dependências.
pip install -r requirements.txtCaso opte pela utilização do JupyterLab:
pip install jupyterlabSe estiver usando a extensão do Jupyter para VSCode, basta abrir os arquivos e clicar em Run All. Caso esteja no JupyterLab, execute:
jupyter labe siga o mesmo procedimento.