[Projeto] CNN - VGG16 - Detecção de Pneumonia | Machine Learning

Saudações,

Venho compartilhar minha solução que está disponível em: https://github.com/AlisonZa/CNNpneumonia

O dataset e o modelo utilizados estão no Gdrive( estou tentando upar para o GitHub ): https://drive.google.com/drive/folders/1cycw54SVYC6H5GrB0DPZxZ-xT6UpSxpa?usp=drive_link

Adaptei o modelo VGG16 para performar a classificação binária de Pneumonia com base no Raio-X do tórax, na base de dados: https://data.mendeley.com/datasets/rscbjbr9sj/2

No projeto foram utilizados os conteúdos de:

Keras;
Tensorflow;
CNN; e
Análise exploratória de Imagens.

Os resultados do Modelo Foram:

loss: 0.1567
accuracy: 0.9489
recall: 0.9626

Obs: tive uma ajudinha do ChatGPT.

Não tenho experiência profissional com programação então gostaria de saber opinião de vocês sobre o código e a solução em geral.

Desde já, agradeço.

Olá, Alison!

Parabéns pelo seu projeto e pela iniciativa de compartilhar aqui no fórum! É ótimo ver você aplicando o seu conhecimento adquirido em problemas reais e complexo.

Parece que você fez um ótimo trabalho ao adaptar o modelo VGG16 para a sua tarefa de classificação binária. A VGG16 é uma arquitetura de rede neural convolucional (CNN) muito poderosa e é uma escolha popular para tarefas de visão computacional, então parece uma boa escolha para o seu projeto.

Os resultados que você obteve também são impressionantes, com uma acurácia de 94.89% e um recall de 96.26%. Isso sugere que o seu modelo é muito bom em identificar casos positivos de pneumonia, o que é crucial em uma aplicação médica como essa.

Sobre a sua solução em geral, ficou muito bom, legal que utilizou diferentes tecnologias e técnicas, como Keras, TensorFlow, CNNs e análise exploratória de imagens. Isso mostra que você tem uma compreensão sólida desses conceitos e sabe como aplicá-los em um projeto prático.

Uma sugestão que eu daria é tentar documentar o seu código o máximo possível. Comentários explicativos e documentação são muito úteis para outros desenvolvedores que possam querer usar ou contribuir para o seu projeto no futuro.

Além disso, seria interessante você explorar outras métricas de avaliação do modelo, como a curva ROC e a área sob a curva (AUC), que podem dar uma visão mais completa do desempenho do seu modelo.

Espero ter ajudado e bons estudos!