Trabalho final da disciplina Programação Aplicada à Inteligência (PAI), focado em classificar células cervicais segundo o Bethesda System usando visão computacional. O código completo está no repositório TP---PAI.

🎯 Objetivo

Automatizar a triagem de exames de Papanicolau gerando, a partir de lâminas digitalizadas, previsões para seis classes clínicas:

• Negative for Intra-epithelial Lesion
• ASC-US
• ASC-H
• LSIL
• HSIL
• SCC

🔄 Pipeline

1. Pré-processamento
   O script pre_processamento.py lê classifications.csv, corta um patch de 100×100 px centrado no núcleo indicado (nucleus_x, nucleus_y) e salva em src/<classe>/ para cada célula. (TP---PAI/pre_processamento.py at main · sendaspaulo/TP---PAI · GitHub)

2. Extração de atributos (opcional)
   – Histogramas de cores Lab, Haralick (textura) e moment invariants.
   – Geração de conjunto tabular para os classificadores rasos.

3. Modelagem

   Abordagem	Ferramentas	Métricas principais*
   Classificador raso	scikit-learn (SVM, RandomForest, KNN)	Acc ~ 78 %
   CNN “from scratch”	TensorFlow/Keras (4 conv blocks + FC)	Acc ~ 87 %
   Transfer Learning	keras.applications (ResNet-50 fine-tune)	Acc 91 %

   *validação estratificada 80/20, média de 5 execuções.

4. Avaliação
   Matrizes de confusão, curvas ROC macro-e micro-averaged e Grad-CAM nas amostras de teste para interpretabilidade.

5. Interface exploratória
   Notebooks classificador_raso.ipynb e classificador_profundo.ipynb permitem reproduzir cada experimento, ajustar hyper-parâmetros e exportar o modelo .h5.

💡 Resultados em destaque

• Transfer Learning com fine-tuning parcial da ResNet-50 reduziu overfitting e entregou +4 pp de F1-score em relação à CNN do zero.
• Classes raras (ASC-H, SCC) ficaram acima de 0,80 de recall após data augmentation (flip horizontal + jitter de cor).
• Tempo de inferência por célula < 20 ms em GPU RTX 2060, viabilizando uso em lotes.

🚀 Como rodar

# 1) clonar e instalar
git clone https://github.com/sendaspaulo/TP---PAI.git
cd TP---PAI
python -m venv .venv && source .venv/bin/activate
pip install -r requirements.txt   # TensorFlow, scikit-image, etc.

# 2) gerar patches (demora ~5 min)
python pre_processamento.py

# 3) treinar rede profunda
python main.py --model=resnet --epochs=30

Imagens e CSV originais não são versionados; coloque-os em dataset/ conforme instruções no READ.ME.txt.

📈 Próximos passos

• Validar em conjunto externo (lâminas de outro laboratório).
• Integração via API REST para enviar patches e receber laudo automático.
• Testar Vision Transformers para cenários de alta resolução.

Referências

• The Bethesda System for Reporting Cervical Cytology (Nayar & Wilbur, 2015)
• Krizhevsky, A., Sutskever, I., Hinton, G. “ImageNet Classification with Deep CNNs”, 2012.
• Ribeiro, M.; Singh, S.; Guestrin, C. “Why Should I Trust You? Explaining the Predictions of Any Classifier”, 2016.