Classificação de Imagens Histológicas

Este repositório contém os códigos, pipelines de experimentação e análises referentes ao Projeto 2 do Onboarding do LIPAI (Laboratório de Processamento e Análise Interdisciplinar de Imagens).

O objetivo principal é avaliar modelos de visão computacional modernos para a classificação de imagens histológicas, analisando o impacto de diferentes arquiteturas, estratégias de transferência de aprendizado e técnicas de Data Augmentation.

Integrantes (Grupo C)

• Gabriel - Engenharia de Modelagem e Pipeline de Treinamento
• Guilherme - Análise Estatística e Visualização de Dados
• Hanny - Infraestrutura de Dados e Setup Inicial

Metodologia Experimental e Reprodutibilidade

O projeto foi estruturado sob um desenho experimental fatorial rigoroso. Para garantir a reprodutibilidade científica, todos os testes foram executados com controle estrito de seeds matemáticas (42, 123, 2025).

As variáveis do experimento incluem:

• Arquiteturas: ConvNeXt V2 (Atto e Pico).
• Modos de Treinamento: * From Scratch (FS)
  • Linear Probing / Feature Extraction (PT-FC)
  • Fine-Tuning Completo (PT-ALL)
• Data Augmentation: Avaliação comutativa (Com e Sem aplicação).

Datasets Utilizados

1. Dataset 1 - Displasia: Base OralEpitheliumDB.
2. Dataset 2 - NDB: Base NDB_UFES.

Estrutura do Repositório

• Displastia.ipynb e NDB_UFES.ipynb: Motores de treinamento automatizados. Contêm as fábricas de modelos, laços de otimização isolados contra vazamento de estado e rotinas de validação.
• analise_displasia.ipynb e analise_NDB.ipynb: Notebooks dedicados à análise final, extração de métricas (F1-Score Macro/Weighted), curvas de aprendizado e matrizes de confusão.
• results/: Diretório gerado dinamicamente que consolida os históricos de perda/acurácia por época em .json e o resultados_consolidados.csv com as métricas globais e custo computacional (GFLOPs).

Tecnologias

• Linguagem: Python
• Deep Learning: PyTorch / Torchvision / Timm
• Análise e Matemática: Pandas, NumPy, Scikit-learn
• Visualização: Matplotlib, Seaborn
• Profiling de Modelos: Thop (Extração de MACs/GFLOPs)
• Ambiente: Google Colab (Aceleração em GPU T4)