heitorcoimbra / blood-cells-cnn

Web application + model training for a CNN classifier using Tensorflow and Flask

Web app de classificador CNN

Aplicação web feita em Flask para teste de funcionalidade de CNN para classificação de células sanguíneas

Instalação

Utilizando o pip em qualquer uma das duas pastas principais (cada projeto tem requirementes diferentes, a webapp, ou o notebook de treinamento da rede):

pip install -r requirements.txt

Utilização

Para rodar a aplicação web basta rodar o código do arquivo deploy.py na pasta flask-app:

cd flask_app
python deploy.py

A aplicação estará localizada em localhost:5000, onde pode ser feito o upload de uma imagem e retornará a tabela de probabilidades de classificação.

Dentro da pasta "valid" há uma série de imagens que pertencem à seção de teste do dataset utilizado para treinamento da rede.

Arquitetura da rede

A rede é uma simples rede neural convolucional com duas camadas de convoluções 3x3 e duas camadas lineares, sendo uma a camada de saída softmax. Para o input, as imagens de entrada sofrem um resize para o tamanho (80x60) para reduzir a quantidade de parâmetros.

model = Sequential()
model.add(Conv2D(32, (3, 3),
                 activation='relu',
                 input_shape=input_shape))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(num_classes, activation='softmax'))
model.compile(loss=categorical_crossentropy,
              optimizer=Adam(),
              metrics=['accuracy']) 

Além disso, uma camada de Dropout segue a ultima camada convolucional, e mais uma segue a primeira camada linear de modo a regularizar a rede e mitigar efeitos de overfitting na base de treino.

Por fim, a loss utilizada foi a entropia cruzada categórica e o backpropagation e otimização foram feitos com o algoritmo Adam, ambos métodos considerados consistentes no estado da arte de deep learning.

Treinamento da rede

A rede foi treinada em uma base de dados de imagens 640x480 de celulas sanguíneas pertencentes a uma de quatro categorias: Monócitos, Neutrófilos, Linfócitos e Eosinófilos. A diferença visual principal entre essas categorias é a fisiologia do núcleo da célula, que varia em quantidade e formato.

A base oferece dois conjuntos de dados, um é o conjunto de fotos de microscopia reais, e o segundo é um conjunto que passou por data augmentation, ou seja, transformações sutis nas imagens originais de modo a mitigar o desequilíbrio de classes e aumentar a base total de fotos. O conjunto que foi utilizado no projeto foi o de imagens aumentadas, de modo a aumentar a robustez do modelo e regularizar os resultados.

A acurácia final alcançada foi de 83.2% e outras métricas de avaliação foram:

	Precisão	Recall	F1-Score
Neutrófilos	0.64	0.77	0.70
Eosinófilos	0.72	0.74	0.73
Monócitos	0.96	0.76	0.85
Linfócitos	0.97	0.95	0.96

Alguns gráficos dos resultados e do treinamento: