🧠 NeuroSeg-PyTorch: Segmentação de Tumores Cerebrais

Status: Concluído ✅
Modelo: U-Net (Implementação do Zero)
Dice Score: ~0.85 (Validação)
Aplicação: Segmentação Médica em Imagens de MRI

O NeuroSeg-PyTorch é um projeto de Visão Computacional aplicado à área médica, implementando uma rede neural U-Net do zero para segmentação automática de tumores cerebrais em imagens de ressonância magnética (MRI).

O sistema utiliza técnicas avançadas de Deep Learning incluindo Mixed Precision Training, Data Augmentation robusto e loss functions especializadas para segmentação médica, alcançando métricas competitivas no dataset LGG MRI Segmentation.

---

🗂️ Estrutura do Projeto

neuroseg-pytorch/
│
├── data/
│   └── raw/                # Imagens MRI originais
│
├── models/                 # Checkpoints dos modelos treinados
│
├── src/
│   ├── model.py            # Arquitetura U-Net
│   ├── dataset.py          # Custom Dataset para MRI
│   ├── train.py            # Loop de treinamento
│   ├── predict.py          # Script de inferência (CLI)
│   └── utils.py            # Funções auxiliares
│
├── demo.ipynb              # Visualização interativa dos resultados
│
├── requirements.txt        # Dependências
│
└── README.md               # Este arquivo

---

🛠️ Tecnologias Utilizadas

🔹 Deep Learning

• PyTorch: Framework principal de Deep Learning
• Torchvision: Utilitários e transformações
• U-Net: Arquitetura especializada em segmentação

🔹 Data Augmentation

• Albumentations: Pipeline de augmentation avançado
• Transformações: Rotação, flip, ajuste de brilho, ruído gaussiano

🔹 Otimização

• Mixed Precision (FP16): Aceleração de treinamento com AMP
• ReduceLROnPlateau: Scheduler adaptativo de learning rate

🔹 Visualização & Análise

• Matplotlib: Visualização de resultados
• OpenCV: Processamento de imagens
• Pandas: Análise de métricas
• Scikit-learn: Métricas de avaliação

---

🧠 Sobre o Projeto

🔹 Motivação

A segmentação automática de tumores cerebrais em imagens de ressonância magnética é um desafio crítico na área médica. Este projeto demonstra como Deep Learning pode auxiliar radiologistas na identificação precisa e rápida de regiões tumorais.

🔹 Aplicação Clínica

Benefícios:

• ⚡ Redução significativa do tempo de análise
• 🎯 Maior precisão na delimitação de tumores
• 📊 Quantificação objetiva do volume tumoral
• 🔄 Monitoramento da evolução do tumor ao longo do tempo

Desafios:

• Variabilidade de formas e tamanhos dos tumores
• Diferentes tipos de MRI (T1, T2, FLAIR)
• Artefatos e ruído nas imagens
• Necessidade de alta precisão (contexto médico)

---

📊 Dataset

🔹 LGG MRI Segmentation

O dataset utilizado contém imagens de ressonância magnética de gliomas de baixo grau (Low-Grade Glioma - LGG).

Características:

• 📷 Total de Imagens: ~3.000 pares (imagem + máscara)
• 🎯 Formato: TIFF (256x256 pixels)
• 🏥 Fonte: Repositórios médicos públicos
• ⚕️ Anotação: Máscaras binárias segmentadas por especialistas

Classes:

• 0 → Background (Tecido saudável)
• 1 → Tumor (Região segmentada)

---

🏗️ Arquitetura U-Net

A U-Net é uma arquitetura convolucional especializada em segmentação, caracterizada por sua forma de "U" e conexões skip.

🔹 Características

                    ┌─────────────┐
                    │   Input     │
                    │  (256x256)  │
                    └──────┬──────┘
                           │
                ┌──────────▼──────────┐
                │   Encoder Path      │
                │   (Downsampling)    │
                │                     │
                │  Conv + ReLU + Pool │
                │  64 → 128 → 256 →   │
                │  512 → 1024         │
                └──────────┬──────────┘
                           │
                    ┌──────▼──────┐
                    │  Bottleneck │
                    └──────┬──────┘
                           │
                ┌──────────▼──────────┐
                │   Decoder Path      │
                │   (Upsampling)      │
                │                     │
                │  UpConv + Concat    │
                │  (Skip Connections) │
                │  1024 → 512 → 256   │
                │  → 128 → 64         │
                └──────────┬──────────┘
                           │
                    ┌──────▼──────┐
                    │   Output    │
                    │  (Sigmoid)  │
                    └─────────────┘

Componentes Principais:

1. Encoder: Extrai features em múltiplas escalas
2. Bottleneck: Representação mais compacta
3. Decoder: Reconstrói a segmentação
4. Skip Connections: Preserva detalhes espaciais

---

🎯 Treinamento

🔹 Loss Function

O modelo utiliza uma loss combinada especializada em segmentação:

total_loss = dice_loss + binary_cross_entropy_loss

# Onde:
# - Dice Loss: Otimiza o Dice Score diretamente
# - BCE Loss: Penaliza pixel-wise classification

Dice Loss:

Dice = 2 * |X ∩ Y| / (|X| + |Y|)
Dice Loss = 1 - Dice

🔹 Data Augmentation

Pipeline robusto implementado com Albumentations:

augmentations = Compose([
    HorizontalFlip(p=0.5),
    VerticalFlip(p=0.5),
    RandomRotate90(p=0.5),
    RandomBrightnessContrast(p=0.3),
    GaussNoise(p=0.2),
    ElasticTransform(p=0.2),
])

Justificativa:

• Aumenta variabilidade do dataset
• Simula diferentes condições de captura
• Previne overfitting
• Melhora generalização

🔹 Otimização

Técnicas Implementadas:

• ✅ Mixed Precision (FP16): Treino ~2x mais rápido
• ✅ Adam Optimizer: Learning rate inicial de 1e-4
• ✅ ReduceLROnPlateau: Reduz LR quando o loss estagna
• ✅ Early Stopping: Paciência de 10 épocas
• ✅ Gradient Clipping: Evita explosão de gradientes

---

📈 Resultados

O modelo alcançou métricas competitivas, demonstrando capacidade de segmentação precisa.

🔹 Métricas Principais

Métrica	Valor	Status
Dice Score (Validação)	~0.85	🟢 Excelente
IoU (Intersection over Union)	~0.74	🟢 Bom
Pixel Accuracy	~0.96	🟢 Excelente
Precision	~0.87	🟢 Bom
Recall	~0.84	🟢 Bom

🔹 Interpretação Clínica

Dice Score de 0.85 significa:

• ✅ Alta concordância entre predição e ground truth
• ✅ Sobreposição de ~85% das áreas tumorais
• ✅ Adequado para assistência clínica (com supervisão)

Análise Qualitativa:

• ✅ Delimita bem bordas de tumores grandes
• ✅ Identifica múltiplas regiões tumorais
• ⚠️ Pode ter dificuldade com tumores muito pequenos (<5mm)
• ⚠️ Requer validação em diferentes tipos de MRI

---

⚙️ Como Executar

1️⃣ Clone o repositório

git clone https://github.com/oalvarobraz/NeuroSeg-PyTorch.git
cd NeuroSeg-PyTorch

2️⃣ Instale as dependências

pip install -r requirements.txt

3️⃣ Baixe o dataset

Acesse Kaggle - LGG MRI Segmentation e extraia em data/raw/

4️⃣ Treine o modelo

python src/train.py

Argumentos opcionais:

python src/train.py \
  --epochs 50 \
  --batch-size 16 \
  --lr 1e-4 \
  --device cuda

5️⃣ Execute inferência (CLI)

Segmentar uma imagem específica:

python src/predict.py --image data/raw/sample_image.tif

Com visualização:

python src/predict.py \
  --image data/raw/sample_image.tif \
  --output results/prediction.png \
  --visualize

6️⃣ Visualização interativa

Abra o notebook de demonstração:

jupyter notebook demo.ipynb

O notebook permite:

• 📊 Visualizar predições lado a lado com ground truth
• 🎨 Comparar múltiplas imagens
• 📈 Analisar métricas por imagem
• 🔍 Inspecionar casos difíceis

---

🎛️ Argumentos da Linha de Comando

Train Script

Argumento	Descrição	Padrão
--epochs	Número de épocas	50
--batch-size	Tamanho do batch	16
--lr	Learning rate inicial	1e-4
--device	GPU ou CPU	cuda
--checkpoint	Caminho para checkpoint	None

Predict Script

Argumento	Descrição	Padrão
--image	Caminho da imagem MRI	-
--model	Caminho do modelo	models/best.pth
--output	Arquivo de saída	prediction.png
--visualize	Mostrar resultado	False
--threshold	Limiar de binarização	0.5

---

📦 Dependências Principais

# Deep Learning
torch>=2.0.0
torchvision>=0.15.0

# Data Augmentation
albumentations>=1.3.0

# Image Processing
opencv-python>=4.8.0
pillow>=10.0.0

# Visualization
matplotlib>=3.7.0
seaborn>=0.12.0

# Utilities
numpy>=1.24.0
pandas>=2.0.0
scikit-learn>=1.3.0
tqdm>=4.66.0

# Jupyter
jupyter>=1.0.0
ipywidgets>=8.0.0

---

🧪 Exemplo de Predição

Entrada → Processamento → Saída

┌─────────────────┐      ┌─────────────────┐      ┌─────────────────┐
│   MRI Image     │  →   │   U-Net Model   │  →   │  Tumor Mask     │
│   (256x256)     │      │  (Segmentation) │      │   (Binary)      │
└─────────────────┘      └─────────────────┘      └─────────────────┘

Visualização:

Original MRI          Ground Truth          Prediction
┌───────────┐        ┌───────────┐        ┌───────────┐
│           │        │           │        │           │
│    🧠     │   →    │   🔴🔴    │   ≈    │   🔴🔴    │
│           │        │           │        │           │
└───────────┘        └───────────┘        └───────────┘

---

🚀 Roadmap: Próximos Passos

🔹 1. Arquiteturas Avançadas

• Implementar U-Net++ (nested U-Net)
• Testar Attention U-Net (attention gates)
• Experimentar TransUNet (Transformer + U-Net)

🔹 2. Multi-Class Segmentation

• Expandir para múltiplas classes (tumor core, edema, necrose)
• Dataset BraTS (Brain Tumor Segmentation)
• Loss functions para multi-class

🔹 3. Ensemble Methods

• Combinar predições de múltiplos modelos
• Test-Time Augmentation (TTA)
• Voting ou averaging strategies

🔹 4. 3D Segmentation

• Migrar para volumes 3D completos (não slices 2D)
• U-Net 3D com convoluções volumétricas
• Maior contexto espacial

🔹 5. Deploy Clínico

• Interface web com Streamlit ou Gradio
• Integração com PACS (Picture Archiving and Communication System)
• Validação por radiologistas
• Certificação regulatória (FDA, ANVISA)

---

✅ Principais Aprendizados

• Arquitetura U-Net: Implementação completa do zero de uma arquitetura especializada
• Segmentação médica: Desafios específicos de imagens médicas (ruído, variabilidade)
• Loss functions especializadas: Dice Loss otimiza diretamente a métrica de interesse
• Mixed Precision: Aceleração significativa de treinamento (2x faster)
• Data Augmentation: Crucial para generalização com datasets médicos limitados
• Métricas médicas: Dice Score, IoU são padrão ouro em segmentação médica

---

🎯 Conclusão

O NeuroSeg-PyTorch demonstra com sucesso a aplicação de Deep Learning em segmentação médica, alcançando Dice Score de 0.85 em imagens de ressonância magnética.

Conquistas:

• ✅ Implementação completa da arquitetura U-Net do zero
• ✅ Pipeline de treinamento otimizado com Mixed Precision
• ✅ Data Augmentation robusto para imagens médicas
• ✅ Métricas competitivas no dataset LGG MRI

Impacto Potencial:

• 🏥 Assistência a radiologistas na análise de exames
• ⚡ Redução do tempo de diagnóstico
• 📊 Quantificação objetiva de tumores
• 🔬 Base para pesquisas em oncologia

Este projeto serve como base sólida para sistemas de auxílio ao diagnóstico médico, com potencial de expansão para outros tipos de segmentação e modalidades de imagem.

---

📌 Autor

Álvaro Braz

Projeto desenvolvido para fins de estudo, pesquisa e portfólio profissional em Deep Learning aplicado à área médica.

---

📄 Licença

Este projeto está sob a licença MIT. Veja o arquivo LICENSE para mais detalhes.

⚠️ Aviso Importante: Este projeto é apenas para fins educacionais e de pesquisa. Não deve ser utilizado para diagnóstico médico real sem validação clínica e aprovação regulatória.

---

🙏 Agradecimentos

• Kaggle: Dataset LGG MRI Segmentation
• PyTorch Team: Framework excepcional
• Albumentations: Biblioteca poderosa de augmentation
• Comunidade Médica Open Source: Por compartilhar conhecimento sobre AI em medicina
• Ronneberger et al.: Pela arquitetura U-Net original (2015)