README.md

---
language:
- es
metrics:
- accuracy
- precision
- recall
- f1
tags:
- image-classification
- pytorch
- cnn
- deep-learning
- medical-imaging
- brain-cancer
---
# Modelo CNN para Clasificación de Cáncer Cerebral

![PyTorch](https://img.shields.io/badge/PyTorch-EE4C2C?style=for-the-badge&logo=pytorch&logoColor=white) ![Python](https://img.shields.io/badge/Python-3776AB?style=for-the-badge&logo=python&logoColor=white)

<p align="center">
  <b>⚠️ ADVERTENCIA IMPORTANTE ⚠️</b><br>
  <b>Este modelo es un PROTOTIPO de investigación y NO DEBE SER UTILIZADO para diagnóstico médico real.</b><br>
  <b>Cualquier decisión médica 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 imágenes de resonancias magnéticas cerebrales en tres categorías.

## Descripción del Modelo

El modelo es una CNN diseñada para la tarea de clasificación de imágenes. 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 activación ReLU y una capa de max-pooling. Después de las capas convolucionales, la salida se aplana y se pasa a través de dos capas completamente conectadas (512 neuronas en la primera) para la clasificación final en 3 clases.

**Framework:** PyTorch

Este repositorio también incluye el notebook `evaluar_dataset.ipynb`, que contiene el código utilizado para evaluar el modelo, generar la matriz de confusión y calcular las métricas de rendimiento.

El dataset utilizado para el entrenamiento, validación y test se encuentra en la carpeta `data/`.

## Cómo Empezar

Para utilizar este modelo, necesitas tener PyTorch y Torchvision instalados. Puedes cargar el modelo y usarlo para hacer predicciones de la siguiente manera.

Asegúrate 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
# Asegúrate 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
# ¡IMPORTANTE! Usa las mismas transformaciones que usaste para la validación/test.
# Rellena los valores correctos de reescalado y normalización.
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 predicción
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

**Descripción:** Este conjunto de datos contiene una colección completa de imágenes de resonancia magnética para la investigación del cáncer cerebral, específicamente destinadas a respaldar el diagnóstico médico. Es un dataset de imágenes de resonancia magnética de cáncer cerebral.

**División de datos:**
El dataset fue pre-procesado y dividido en:
*   **Entrenamiento:** 70%
*   **Test:** 15%
*   **Validación:** 15%

**Preprocesamiento:**
Se aplicaron diferentes transformaciones a las imágenes para el entrenamiento y la evaluación:

*   **Para el conjunto de entrenamiento (`transformaciones_train`):**
    *   `RandomResizedCrop(224)`: Recorte aleatorio y redimensionamiento a 224x224 píxeles.
    *   `RandomHorizontalFlip()`: Volteo horizontal aleatorio.
    *   `RandomRotation(15)`: Rotación aleatoria de hasta 15 grados.
    *   `ToTensor()`: Conversión de las imágenes a tensores PyTorch.
    *   `Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])`: Normalización con los valores medios y desviación estándar de ImageNet.

*   **Para los conjuntos de validación y test (`transformaciones_test`):**
    *   `Resize(256)`: Redimensionamiento de la imagen a 256 píxeles en el lado más corto.
    *   `CenterCrop(224)`: Recorte central a 224x224 píxeles.
    *   `ToTensor()`: Conversión de las imágenes a tensores PyTorch.
    *   `Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])`: Normalización con los valores medios y desviación estándar 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

**Hiperparámetros:**
*   **Optimizador:** Adam
*   **Tasa de aprendizaje (Learning Rate):** 0.001
*   **Función de pérdida:** CrossEntropyLoss
*   **Número de épocas (Epochs):** 25
*   **Tamaño del lote (Batch Size):** 32

## Evaluación

El modelo fue evaluado en el conjunto de test, obteniendo los siguientes resultados:

```
Reporte de Clasificación:
              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
```

**Precisión por clase:**
*   brain_glioma: 95.00%
*   brain_menin: 91.00%
*   brain_tumor: 85.99%

**Matriz de Confusión:**

|             | brain_glioma | brain_menin | brain_tumor |
| :---------- | :----------- | :---------- | :---------- |
| brain_glioma | 285          | 15          | 0           |
| brain_menin | 9            | 273         | 18          |
| brain_tumor | 6            | 37          | 264         |

**Análisis de la Matriz de Confusión:**
La matriz de confusión muestra el rendimiento del modelo para cada clase. Se observa que el modelo clasifica la clase `brain_glioma` con una alta precisión y pocos errores. La principal área de mejora se encuentra en la distinción entre las clases `brain_menin` y `brain_tumor`. Hay un número notable de falsos negativos y falsos positivos entre estas dos categorías, lo que indica que el modelo a veces confunde estos dos tipos de tumores entre sí. Por ejemplo, 37 casos de `brain_tumor` fueron clasificados erróneamente como `brain_menin`, y 18 casos de `brain_menin` fueron clasificados como `brain_tumor`.

## Limitaciones y Consideraciones Éticas

*   **NO PARA DIAGNÓSTICO MÉDICO:** Este modelo es una prueba de concepto y **no debe ser utilizado para el diagnóstico médico real**. Cualquier diagnóstico debe ser realizado por un profesional de la salud cualificado.
*   **Sesgos del Dataset:** El rendimiento del modelo está limitado por la naturaleza del dataset de entrenamiento. Puede no generalizar bien a imágenes de escáneres con configuraciones diferentes o a datos demográficos no representados en el conjunto de datos.
*   **Generalización:** El modelo fue entrenado y evaluado en un conjunto de datos específico. Su rendimiento en datos completamente nuevos y no vistos puede variar.

---
*Model creado por Izan Medkouri López (IntelliGrow).*