Brain cancer detector

Acest proiect conține un notebook Jupyter intitulat Proiect-Improved.ipynb, care implementează diverse analize și modele de învățare automată. Mai jos sunt detaliile și instrucțiunile pentru utilizarea acestui proiect.

Dataset folosit: https://www.kaggle.com/datasets/mateuszbuda/lgg-mri-segmentation

Conținut

• Proiect-Improved.ipynb: Notebook-ul principal care conține toate codurile și analizele.

Cerințe de sistem

Pentru a rula acest notebook, aveți nevoie de următoarele:

• Python 3.x
• Jupyter Notebook sau JupyterLab
• Următoarele biblioteci Python:
  • numpy
  • pandas
  • matplotlib
  • seaborn
  • scikit-learn

Instalarea dependențelor

Pentru a instala dependențele necesare, puteți folosi pip. Rulați următoarea comandă în terminal:

pip install numpy pandas matplotlib seaborn scikit-learn

Utilizare

1. Deschiderea notebook-ului:

   • Pentru a deschide notebook-ul, rulați următoarea comandă în terminal din directorul unde se află fișierul Proiect-Improved.ipynb:

     jupyter notebook Proiect-Improved.ipynb

2. Explorarea și rularea celulelor:

• Notebook-ul este organizat în secțiuni, fiecare secțiune conținând explicații, cod și rezultate.
• Parcurgeți fiecare celulă de cod și rulați-le pentru a reproduce rezultatele. Puteți rula toate celulele din meniul Cell -> Run All.

Secțiuni principale

1. Introducere:

   • Prezentarea obiectivelor și a datelor utilizate în proiect.

2. Preprocesarea datelor:

   • Încărcarea și curățarea datelor.
   • Explorarea inițială a datelor (vizualizări și statistici descriptive).

3. Analiza exploratorie a datelor (EDA):

   • Vizualizări și analize pentru a înțelege mai bine datele și relațiile dintre variabile.

4. Construirea modelelor:

   • Model de detecție a cancerului: Acest model folosește o arhitectură bazată pe rețele neuronale convoluționale (CNN) pentru a detecta prezența cancerului. Mai jos este prezentată arhitectura modelului de detecție:

     

   • Model de localizare a cancerului (RESUNET): Acest model este utilizat pentru a identifica localizarea precisă a cancerului în imagini medicale, folosind o arhitectură avansată de rețele neuronale, cunoscută sub numele de RESUNET. Mai jos este prezentată arhitectura modelului de localizare:

     

   • Implementarea și antrenarea mai multor modele de învățare automată (de exemplu, regresie liniară, regresie logistică, arbori de decizie).

   • Evaluarea performanței modelelor utilizând metrici adecvate.

5. Concluzii:

   • Rezumarea descoperirilor și concluziilor finale

Exemple de ieșiri

Mai jos este o imagine care arată detectia de cancer realizată în cadrul acestui proiect (cu galben este evidentiata tumoarea, iar cu albastru este predictia modelului):