Pre-classificação de Risco de Câncer de Pele

Este projeto tem como objetivo desenvolver, testar e otimizar um modelo de aprendizado de máquina para pré-classificação de risco de câncer de pele usando imagens dermatoscópicas da base de dados ISIC Archive.

---

Sumário

• Visão Geral
• Base de Dados
• Fluxo de Trabalho
• Estrutura do Projeto
• Requisitos
• Instalação
• Aquisição e Exploração dos Dados
• Preparação dos Dados
• Teste e Seleção de Modelos
• Otimização e Ajustes Finos
• Avaliação
• Como Contribuir
• Licença
• Contato

---

Visão Geral

O objetivo deste repositório é criar um pipeline completo de pré-classificação de risco de câncer de pele, desde a aquisição e exploração dos dados até a otimização do modelo. O foco principal é o uso de técnicas de visão computacional e aprendizado profundo para auxiliar na triagem de lesões cutâneas.

Base de Dados

Este projeto utiliza a base de dados disponível em:

• ISIC Archive: https://www.isic-archive.com/

A base contém imagens dermatoscópicas rotuladas com diferentes tipos de lesões, incluindo melanoma e nevos benignos.

Fluxo de Trabalho

1. Aquisição e Exploração dos Dados: download, inspeção e análise exploratória das imagens e metadados.
2. Preparação dos Dados: pré-processamento, balanceamento, aumento de dados (data augmentation).
3. Teste e Seleção de Modelos: definição de arquiteturas candidatas (por exemplo, CNNs, transfer learning), experimentação e comparação de desempenho.
4. Otimização e Ajustes Finos: ajuste de hiperparâmetros, fine-tuning de modelos pré-treinados, validação cruzada e análise de métricas.

Estrutura do Projeto

├── data/                  # Dados brutos e processados
├── notebooks/             # Jupyter notebooks de exploração e experimentos
├── src/                   # Código-fonte do pipeline
│   ├── data/              # Scripts de aquisição e pré-processamento
│   ├── models/            # Definições de modelos e treinamento
│   └── utils/             # Funções auxiliares
├── models/                # Modelos treinados e checkpoints
├── reports/               # Relatórios, gráficos e resultados
├── requirements.txt       # Dependências do Python
└── README.md              # Documentação deste repositório

Requisitos

• Python 3.13
• uv (gerenciador de pacotes e ambientes) – instale seguindo https://docs.astral.sh/uv/
• Bibliotecas de Python (definidas em requirements.txt):
  • numpy, pandas, scikit-learn
  • matplotlib, seaborn
  • tensorflow ou pytorch
  • albumentations (opcional para data augmentation)
  • opencv-python

Instalação

1. Clone o repositório:

   git clone https://github.com/seu-usuario/seu-repo-cancer-pele.git
   cd seu-repo-cancer-pele

2. Instale o uv (caso ainda não tenha):

   curl -LsSf https://astral.sh/uv/install.sh | sh

3. Instale o Python 3.13 via uv:

   uv python install 3.13

4. Crie e ative o ambiente virtual:

   uv venv
   source .venv/bin/activate  # Linux/macOS

5. Instale as dependências do projeto com uv:

   uv pip sync requirements.txt

Aquisição e Exploração dos Dados

1. Autentique-se no ISIC Archive e obtenha as credenciais de acesso.
2. Utilize o script em src/data/download_isic.py para baixar imagens e metadados.
3. Execute o notebook notebooks/exploracao_dados.ipynb para visualizar distribuições de classes e exemplos de imagens.

Preparação dos Dados

• Conversão de formatos de imagem e normalização.
• Balanceamento de classes (undersampling/oversampling).
• Aumento de dados (rotations, flips, ajustes de brilho/contraste).
• Divisão em conjuntos de treino, validação e teste.

Scripts: src/data/preprocess.py

Teste e Seleção de Modelos

• Definição de arquiteturas (CNN do zero ou transfer learning, ex.: ResNet, EfficientNet).
• Treinamento inicial para comparação de acurácia, sensibilidade e especificidade.

Notebooks: notebooks/teste_modelos.ipynb

Otimização e Ajustes Finos

• Grid Search ou Random Search para hiperparâmetros.
• Fine-tuning de modelos pré-treinados com camadas adicionais.
• Validação cruzada e análise de curvas de aprendizagem.

Notebooks: notebooks/otimizacao_hiperparametros.ipynb

Avaliação

• Métricas: AUC-ROC, precisão, recall e F1-score.
• Matriz de confusão e gráficos de curvas ROC.
• Relatório de resultados em reports/.

Como Contribuir

1. Fork este repositório.
2. Crie uma branch: git checkout -b minha-nova-feature.
3. Faça commits das suas alterações: git commit -m 'Adiciona feature X'.
4. Envie para o branch original: git push origin minha-nova-feature.
5. Abra um Pull Request.

Licença

Este projeto está licenciado sob a MIT License.

Contato

• Autor: Giovanni Giampauli

• E-mail: giovanni.acg@gmail.com

• Repositório: https://github.com/DermAlert/dermalert-ml