Este repositório contém o código desenvolvido no âmbito do Trabalho de Conclusão de Curso (TCC) “Uso de redes neurais convolucionais no diagnóstico de leucemia linfoblástica aguda”, apresentado ao curso de Bacharelado em Estatística da Universidade Federal do Ceará (UFC).
📄 Monografia disponível em:
http://repositorio.ufc.br/handle/riufc/83725
O objetivo deste repositório é tornar público o código utilizado nos experimentos, documentar as principais decisões técnicas adotadas e complementar o trabalho acadêmico, servindo também como material de portfólio.
Investigar a aplicação de Redes Neurais Convolucionais (CNNs) na classificação automática de imagens de esfregaço de sangue periférico, com foco na detecção de Leucemia Linfoblástica Aguda (LLA).
O projeto avalia se arquiteturas modernas de deep learning conseguem atingir alto desempenho preditivo a partir de imagens microscópicas, explorando técnicas de transfer learning e fine-tuning.
A Leucemia Linfoblástica Aguda é um câncer hematológico agressivo, cujo diagnóstico tradicional envolve métodos invasivos, custosos e nem sempre amplamente disponíveis.
Neste trabalho, é explorada uma abordagem baseada em visão computacional e aprendizado profundo, utilizando imagens de células sanguíneas para apoiar a triagem automatizada da doença.
Os experimentos utilizam o dataset público disponível no Kaggle:
🔗 https://www.kaggle.com/datasets/mehradaria/leukemia
O conjunto de dados é composto por imagens de células sanguíneas, organizadas em classes relacionadas a diferentes estágios da leucemia linfoblástica aguda, sendo amplamente utilizado em estudos acadêmicos sobre diagnóstico assistido por computador.
O uso deste dataset permite comparabilidade com trabalhos da literatura e reprodutibilidade dos experimentos.
Algumas decisões técnicas relevantes adotadas no projeto:
- Arquitetura EfficientNet-B3, escolhida pelo bom equilíbrio entre desempenho e custo computacional.
- Transfer learning, com pesos pré-treinados ajustados ao domínio das imagens hematológicas.
- Uso do framework FastAI, visando acelerar a experimentação e facilitar o fine-tuning.
- Avaliação focada no desempenho global do modelo no conjunto de teste, conforme descrito na monografia.
O fluxo experimental seguido no notebook pode ser resumido em:
- Organização e carregamento do dataset de imagens
- Pré-processamento e normalização
- Construção do DataLoader
- Definição da arquitetura e configuração do treinamento
- Treinamento do modelo com fine-tuning
- Avaliação no conjunto de teste
- Análise dos resultados e comparação com abordagem da literatura
O modelo baseado em EfficientNet-B3 alcançou:
- 98,92 % de acurácia no conjunto de teste
Os resultados são discutidos em detalhes no TCC, incluindo comparação com uma abordagem de referência baseada em DenseNet-201 combinada com segmentação de cor HSV.
tcc-lla/
- README.md
- tcc.ipynb
- data/ (dados não versionados no repositório)
Este projeto foi desenvolvido e executado originalmente no Google Colab. O notebook é autossuficiente, sendo responsável por instalar dependências, baixar o conjunto de dados e organizar os arquivos no ambiente de execução.
O dataset é obtido dinamicamente a partir do Kaggle, utilizando a API oficial do Kaggle, e armazenado temporariamente no ambiente do Colab ou no Google Drive. Por esse motivo, os dados não são versionados neste repositório.
Para reproduzir os experimentos, recomenda-se:
- Abrir o arquivo
tcc.ipynbno Google Colab - Executar as células sequencialmente, conforme descrito no notebook
A execução em ambiente local não é o foco deste projeto e pode exigir adaptações no código, especialmente em relação ao gerenciamento de caminhos, dependências e download dos dados.
- Projeto desenvolvido com fins acadêmicos e de pesquisa
- Não substitui diagnóstico clínico profissional
- Resultados dependem do dataset e do protocolo experimental adotado
- O dataset utilizado possui licença própria definida pelos autores no Kaggle
A monografia discute os fundamentos teóricos, revisão de literatura e análise crítica dos resultados.
Este repositório concentra-se na implementação prática do pipeline experimental, servindo como complemento técnico ao trabalho escrito.
Pietro de Oliveira Esteves
Bacharel em Estatística — UFC
GitHub: https://github.com/p-esteves
Lattes: http://lattes.cnpq.br/7195442117723445