File size: 7,636 Bytes
71eeecd c6451a2 71eeecd |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 |
# Modelo CNN para Clasificaci贸n de C谩ncer Cerebral
 
<p align="center">
<b>鈿狅笍 ADVERTENCIA IMPORTANTE 鈿狅笍</b><br>
<b>Este modelo es un PROTOTIPO de investigaci贸n y NO DEBE SER UTILIZADO para diagn贸stico m茅dico real.</b><br>
<b>Cualquier decisi贸n m茅dica debe ser tomada por un profesional de la salud cualificado.</b>
</p>
Este repositorio contiene un modelo de Red Neuronal Convolucional (CNN) entrenado con PyTorch para clasificar im谩genes de resonancias magn茅ticas cerebrales en tres categor铆as.
## Descripci贸n del Modelo
El modelo es una CNN dise帽ada para la tarea de clasificaci贸n de im谩genes. Fue entrenado para distinguir entre los siguientes tres tipos de tumores cerebrales:
* **Glioma (`brain_glioma`)**
* **Meningioma (`brain_menin`)**
* **Tumor pituitario (`brain_tumor`)**
**Arquitectura:** El modelo utiliza una CNN personalizada (`SimpleCNN`) con cuatro capas convolucionales (32, 64, 128, 256 filtros respectivamente), cada una seguida de una capa de activaci贸n ReLU y una capa de max-pooling. Despu茅s de las capas convolucionales, la salida se aplana y se pasa a trav茅s de dos capas completamente conectadas (512 neuronas en la primera) para la clasificaci贸n final en 3 clases.
**Framework:** PyTorch
Este repositorio tambi茅n incluye el notebook `evaluar_dataset.ipynb`, que contiene el c贸digo utilizado para evaluar el modelo, generar la matriz de confusi贸n y calcular las m茅tricas de rendimiento.
El dataset utilizado para el entrenamiento, validaci贸n y test se encuentra en la carpeta `data/`.
## C贸mo Empezar
Para utilizar este modelo, necesitas tener PyTorch y Torchvision instalados. Puedes cargar el modelo y usarlo para hacer predicciones de la siguiente manera.
Aseg煤rate de guardar tu modelo entrenado (por ejemplo, como `torch_brain_cancer_91.pth`) y usar el siguiente script.
```python
import torch
from torchvision import transforms
from PIL import Image
# 1. Cargar el modelo
# Aseg煤rate de que la ruta al archivo .pth sea correcta
model = torch.load('modelo/torch_brain_cancer_91.pth')
model.eval()
# 2. Definir las transformaciones de la imagen
# 隆IMPORTANTE! Usa las mismas transformaciones que usaste para la validaci贸n/test.
# Rellena los valores correctos de reescalado y normalizaci贸n.
preprocess = transforms.Compose([
transforms.Resize(256),
transforms.CenterCrop(224),
transforms.ToTensor(),
transforms.Normalize(
mean=[0.485, 0.456, 0.406], # [DATO A RELLENAR: si usaste valores diferentes]
std=[0.229, 0.224, 0.225] # [DATO A RELLENAR: si usaste valores diferentes]
)
])
# 3. Cargar y preprocesar la imagen
img = Image.open("[RUTA/A/TU/IMAGEN.jpg]").convert('RGB')
img_preprocessed = preprocess(img)
batch_img_tensor = torch.unsqueeze(img_preprocessed, 0)
# 4. Realizar la predicci贸n
with torch.no_grad():
output = model(batch_img_tensor)
# 5. Obtener la clase predicha
class_names = ['brain_glioma', 'brain_menin', 'brain_tumor']
_, index = torch.max(output, 1)
predicted_class = class_names[index[0]]
print(f"La clase predicha es: {predicted_class}")
```
## Dataset de Entrenamiento
**Descripci贸n:** Este conjunto de datos contiene una colecci贸n completa de im谩genes de resonancia magn茅tica para la investigaci贸n del c谩ncer cerebral, espec铆ficamente destinadas a respaldar el diagn贸stico m茅dico. Es un dataset de im谩genes de resonancia magn茅tica de c谩ncer cerebral.
**Divisi贸n de datos:**
El dataset fue pre-procesado y dividido en:
* **Entrenamiento:** 70%
* **Test:** 15%
* **Validaci贸n:** 15%
**Preprocesamiento:**
Se aplicaron diferentes transformaciones a las im谩genes para el entrenamiento y la evaluaci贸n:
* **Para el conjunto de entrenamiento (`transformaciones_train`):**
* `RandomResizedCrop(224)`: Recorte aleatorio y redimensionamiento a 224x224 p铆xeles.
* `RandomHorizontalFlip()`: Volteo horizontal aleatorio.
* `RandomRotation(15)`: Rotaci贸n aleatoria de hasta 15 grados.
* `ToTensor()`: Conversi贸n de las im谩genes a tensores PyTorch.
* `Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])`: Normalizaci贸n con los valores medios y desviaci贸n est谩ndar de ImageNet.
* **Para los conjuntos de validaci贸n y test (`transformaciones_test`):**
* `Resize(256)`: Redimensionamiento de la imagen a 256 p铆xeles en el lado m谩s corto.
* `CenterCrop(224)`: Recorte central a 224x224 p铆xeles.
* `ToTensor()`: Conversi贸n de las im谩genes a tensores PyTorch.
* `Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])`: Normalizaci贸n con los valores medios y desviaci贸n est谩ndar de ImageNet.
Estas transformaciones se aplicaron a los datasets utilizando `ImageFolder` y se cargaron con `DataLoader` con un `batch_size` de 32.
## Procedimiento de Entrenamiento
**Hiperpar谩metros:**
* **Optimizador:** Adam
* **Tasa de aprendizaje (Learning Rate):** 0.001
* **Funci贸n de p茅rdida:** CrossEntropyLoss
* **N煤mero de 茅pocas (Epochs):** 25
* **Tama帽o del lote (Batch Size):** 32
## Evaluaci贸n
El modelo fue evaluado en el conjunto de test, obteniendo los siguientes resultados:
```
Reporte de Clasificaci贸n:
precision recall f1-score support
brain_glioma 0.95 0.95 0.95 300
brain_menin 0.84 0.91 0.87 300
brain_tumor 0.94 0.86 0.90 307
accuracy 0.91 907
macro avg 0.91 0.91 0.91 907
weighted avg 0.91 0.91 0.91 907
```
**Precisi贸n por clase:**
* brain_glioma: 95.00%
* brain_menin: 91.00%
* brain_tumor: 85.99%
**Matriz de Confusi贸n:**
| | brain_glioma | brain_menin | brain_tumor |
| :---------- | :----------- | :---------- | :---------- |
| brain_glioma | 285 | 15 | 0 |
| brain_menin | 9 | 273 | 18 |
| brain_tumor | 6 | 37 | 264 |
**An谩lisis de la Matriz de Confusi贸n:**
La matriz de confusi贸n muestra el rendimiento del modelo para cada clase. Se observa que el modelo clasifica la clase `brain_glioma` con una alta precisi贸n y pocos errores. La principal 谩rea de mejora se encuentra en la distinci贸n entre las clases `brain_menin` y `brain_tumor`. Hay un n煤mero notable de falsos negativos y falsos positivos entre estas dos categor铆as, lo que indica que el modelo a veces confunde estos dos tipos de tumores entre s铆. Por ejemplo, 37 casos de `brain_tumor` fueron clasificados err贸neamente como `brain_menin`, y 18 casos de `brain_menin` fueron clasificados como `brain_tumor`.
## Limitaciones y Consideraciones 脡ticas
* **NO PARA DIAGN脫STICO M脡DICO:** Este modelo es una prueba de concepto y **no debe ser utilizado para el diagn贸stico m茅dico real**. Cualquier diagn贸stico debe ser realizado por un profesional de la salud cualificado.
* **Sesgos del Dataset:** El rendimiento del modelo est谩 limitado por la naturaleza del dataset de entrenamiento. Puede no generalizar bien a im谩genes de esc谩neres con configuraciones diferentes o a datos demogr谩ficos no representados en el conjunto de datos.
* **Generalizaci贸n:** El modelo fue entrenado y evaluado en un conjunto de datos espec铆fico. Su rendimiento en datos completamente nuevos y no vistos puede variar.
---
*Model creado por Izan Medkouri L贸pez (IntelliGrow).*
|