02 / Visão computacional · Deep learning
Brain Tumor Detection
Classificação interpretável de ressonâncias magnéticas
Um pipeline experimental que aprende características anatómicas compactas com um autoencoder, classifica ressonâncias magnéticas a partir da representação latente e usa Grad-CAM para inspecionar as regiões que influenciam cada previsão.
- TensorFlow / Keras
- Autoencoder
- Grad-CAM
- OpenCV
- scikit-learn
- Tipo
- Projeto pessoal de visão computacional
- Dataset
- Br35H: 450 ressonâncias magnéticas, split 70/15/15
- Resultado
- 96% de exatidão em teste · 450 imagens
Resultados de uma execução real
4 imagens
Como funciona
Abordagem
Aprender a anatomia
Um autoencoder convolucional comprime cada ressonância de 128x128 numa representação latente compacta, forçando-a a conservar os padrões que importam.
Classificar a partir do espaço latente
A metade codificadora alimenta um classificador binário com dropout e batch normalization, avaliado com precision, recall e F1 num conjunto de teste reservado.
Explicar cada decisão
Os mapas de calor Grad-CAM sobre a última camada convolucional do encoder mostram que regiões impulsionaram cada decisão, tanto em casos com tumor como sem tumor.
A prova
por detrás do caso.