MBA FIAP Inteligência Artificial & Machine Learning

Obtenha mais informações sobre a formação em inteligência artificial e a ementa completa no portal da FIAP.

Visão Computacional Capstone

Análise de Imagens Médicas

As tecnologias de imagens médicas estão cada vez mais integradas aos sitemas de visão computacional, incluindo as imagens de raio-x.

Modelos de equipamentos modernos geram imagens digitais deste tipo de exame, proporcionando análises mais completas e menos ad-hoc, com isso algumas pré-análises podem ser realizadas por aplicações baseadas em inteligência artificial para confirmar ou sugerir diagnósticos ao profissional responsável pelo exame.

No campo dos diagósticos por raios-x, a pnenumonia é uma das enfermidades onde seu uso é um dos mais aplicados para determinar o curso de tratamento.

1. Instruções

Nas aulas utilizaremos a distribuição Ananconda, com uso intensivo do Jupyter Notebook, que há vem instalado nesta distribuição.

Para instalar, acesse a sessão de Downloads do Anaconda.

2. Repositório

Recomendamos clonar este repositório.

Importante: como serão desenvolvidos modelos com arquivos grandes, é necessário ter um arquivo .gitignore com o seguinte conteúdo:

projeto/pesos/*
!projeto/pesos/.gitkeep 

projeto/modelos/*
!projeto/modelos/.gitkeep 

projeto/classificadores/*
!projeto/classificadores/.gitkeep 

projeto/.ipynb_checkpoints

.DS_Store

3. Template guiado

📙 Utilize o arquivo Jupyter projeto-final/analise-imagens-medicas.ipynb, siga todas as instruções, completando e construindo os algoritmos necessários. Este template foi desenvolvido para ser executado localmente, em uma instalação do Anaconda.

📕 Versão Google Colab

Atenção: o grupo/aluno que não utilizar este template (ou alterar partes indevidas) será automaticamente reprovado.

4. Bibliotecas utilizadas

Este projeto requer Python 3.5 ou superior e as seguintes bibliotecas:

• NumPy
• matplotlib
• seaborn
• Keras
• Tensorflow
• Pillow

5. Critérios de avaliação

O projeto será avaliado pelos seguintes itens abaixo. A nota final será uma composição levando em consideração o peso de cada tema.

• Desenvolvimento e tratamento da base de treinamento e validação (n1 peso 1)
• Implementação de modelo transfer learning baseado na implementação ResNet50 (n2 _peso 1,5)
• Implementação de modelo transfer learning baseado na implementação VGG16 (n3 peso 1,5)
• Implementação de modelo transfer learning baseado na implementação VGG19 (n4 peso 1,5)
• Implementação de modelo transfer learning baseado na implementação de arquitetura de escolha do grupo (arquitetura adicional) (n5 peso 2)
• Conclusões finais (n6 peso 2,5)

Nota Final = 1 * n1 + 1,5 * n2 + 1,5 * n3 + 1,5 * n4 + 2 * n5 + 2.5 * n6

Dúvidas

Crie uma Issue com as perguntas para que as dúvidas sejam compartilhados com todos os alunos. Questionamentos particulares devem ser encaminhados pelo e-mail do professor.