COVID-19 Radiography Classification

Este projeto implementa um modelo de Deep Learning para classificação de imagens de radiografia torácica, identificando casos de COVID-19, pneumonia viral, pneumonia bacteriana e pulmões normais.

📋 Descrição

O modelo utiliza uma arquitetura de Rede Neural Convolucional (CNN) para classificar imagens de raio-X do tórax em 4 categorias:

• COVID-19: Casos positivos para COVID-19
• Pneumonia Viral: Pneumonia causada por vírus
• Pneumonia Bacteriana: Pneumonia causada por bactérias
• Normal: Pulmões saudáveis

🎯 Dataset

O projeto utiliza o dataset COVID-19 Radiography Database disponível no Kaggle, que contém milhares de imagens de raio-X rotuladas.

🛠️ Tecnologias Utilizadas

• TensorFlow 2.15: Framework principal para Deep Learning
• Keras: API de alto nível para construção do modelo
• NumPy: Manipulação de arrays
• Matplotlib: Visualização de dados e métricas
• Scikit-learn: Métricas de avaliação
• KaggleHub: Download automático do dataset

📁 Estrutura do Projeto

├── train.py              # Script principal de treinamento
├── requirements.txt      # Dependências do projeto
├── Dockerfile           # Container Docker para execução
├── download.py          # Script para download de dados (vazio)
├── .gitignore          # Arquivos ignorados pelo Git
└── README.md           # Este arquivo

🚀 Como Executar

Pré-requisitos

• Python 3.8+
• GPU NVIDIA com CUDA (recomendado)
• Conta no Kaggle (para download do dataset)

Instalação Local

1. Clone o repositório:

git clone <url-do-repositorio>
cd covid-radiography-classification

2. Instale as dependências:

pip install -r requirements.txt

3. Configure suas credenciais do Kaggle:

# Coloque seu kaggle.json em ~/.kaggle/
kaggle datasets download -d tawsifurrahman/covid19-radiography-database

4. Execute o treinamento:

python train.py

Execução com Docker

1. Construa a imagem:

docker build -t covid-classification .

2. Execute o container:

docker run --gpus all -v $(pwd):/app covid-classification

🏗️ Arquitetura do Modelo

O modelo implementa uma CNN com as seguintes características:

• Pré-processamento: Normalização (0-255 → 0-1) e data augmentation
• Camadas Convolucionais: 4 blocos Conv2D + MaxPooling2D
• Regularização: Dropout (0.5) para prevenir overfitting
• Classificação: GlobalAveragePooling2D + Dense layers
• Saída: 4 classes com ativação softmax

Data Augmentation

• Flip horizontal e vertical aleatório
• Rotação aleatória (±20%)
• Zoom aleatório (±10%)
• Contraste aleatório (±20%)

📊 Métricas e Resultados

O modelo gera os seguintes outputs:

• loss_plot.png: Gráfico da evolução da loss durante o treinamento
• acc_plot.png: Gráfico da evolução da acurácia
• confusion_matrix.png: Matriz de confusão no conjunto de validação
• covid_model.h5: Modelo completo salvo
• weights.h5: Pesos do modelo

⚙️ Configurações

Hiperparâmetros

• Tamanho da imagem: 224x224 pixels
• Batch size: 16
• Learning rate: 1e-4 (Adam optimizer)
• Épocas máximas: 30
• Divisão treino/validação: 80/20

Callbacks

• Early Stopping: Para em 5 épocas sem melhoria
• Reduce LR on Plateau: Reduz learning rate em 50% após 3 épocas sem melhoria

🎯 Considerações de Performance

• O modelo suporta GPU para acelerar o treinamento
• Configuração automática de memory growth para GPUs NVIDIA
• Prefetching dos dados para otimização de I/O
• Data augmentation apenas no conjunto de treino

📝 Próximos Passos

• Implementar transfer learning com modelos pré-treinados
• Adicionar métricas como precision, recall e F1-score
• Criar interface web para predições
• Implementar cross-validation
• Adicionar interpretabilidade com Grad-CAM

📄 Licença

Este projeto é disponibilizado para fins educacionais e de pesquisa. Consulte os termos de uso do dataset original no Kaggle.

🤝 Contribuições

Contribuições são bem-vindas! Por favor, abra uma issue antes de submeter pull requests significativas.

---

Nota: Este modelo é apenas para fins educacionais e de pesquisa. Não deve ser usado para diagnóstico médico real sem validação clínica adequada.