Update README.md

README.md

@@ -1,17 +1,152 @@
+# Modelo CNN para Clasificación de Cáncer Cerebral
+
+![PyTorch](https://img.shields.io/badge/PyTorch-EE4C2C?style=for-the-badge&logo=pytorch&logoColor=white) ![Python](https://img.shields.io/badge/Python-3776AB?style=for-the-badge&logo=python&logoColor=white)
+
+<p align="center">
+  <b>⚠️ ADVERTENCIA IMPORTANTE ⚠️</b><br>
+  <b>Este modelo es un PROTOTIPO de investigación y NO DEBE SER UTILIZADO para diagnóstico médico real.</b><br>
+  <b>Cualquier decisión médica debe ser tomada por un profesional de la salud cualificado.</b>
+</p>
+
+Este repositorio contiene un modelo de Red Neuronal Convolucional (CNN) entrenado con PyTorch para clasificar imágenes de resonancias magnéticas cerebrales en tres categorías.
+
+## Descripción del Modelo
+
+El modelo es una CNN diseñada para la tarea de clasificación de imágenes. Fue entrenado para distinguir entre los siguientes tres tipos de tumores cerebrales:
+
+*   **Glioma (`brain_glioma`)**
+*   **Meningioma (`brain_menin`)**
+*   **Tumor pituitario (`brain_tumor`)**
+
+**Arquitectura:** El modelo utiliza una CNN personalizada (`SimpleCNN`) con cuatro capas convolucionales (32, 64, 128, 256 filtros respectivamente), cada una seguida de una capa de activación ReLU y una capa de max-pooling. Después de las capas convolucionales, la salida se aplana y se pasa a través de dos capas completamente conectadas (512 neuronas en la primera) para la clasificación final en 3 clases.
+
+**Framework:** PyTorch
+
+Este repositorio también incluye el notebook `evaluar_dataset.ipynb`, que contiene el código utilizado para evaluar el modelo, generar la matriz de confusión y calcular las métricas de rendimiento.
+
+El dataset utilizado para el entrenamiento, validación y test se encuentra en la carpeta `data/`.
+
+## Cómo Empezar
+
+Para utilizar este modelo, necesitas tener PyTorch y Torchvision instalados. Puedes cargar el modelo y usarlo para hacer predicciones de la siguiente manera.
+
+Asegúrate de guardar tu modelo entrenado (por ejemplo, como `torch_brain_cancer_91.pth`) y usar el siguiente script.
+
+```python
+import torch
+from torchvision import transforms
+from PIL import Image
+
+# 1. Cargar el modelo
+# Asegúrate de que la ruta al archivo .pth sea correcta
+model = torch.load('modelo/torch_brain_cancer_91.pth')
+model.eval()
+
+# 2. Definir las transformaciones de la imagen
+# ¡IMPORTANTE! Usa las mismas transformaciones que usaste para la validación/test.
+# Rellena los valores correctos de reescalado y normalización.
+preprocess = transforms.Compose([
+    transforms.Resize(256),
+    transforms.CenterCrop(224),
+    transforms.ToTensor(),
+    transforms.Normalize(
+        mean=[0.485, 0.456, 0.406], # [DATO A RELLENAR: si usaste valores diferentes]
+        std=[0.229, 0.224, 0.225]  # [DATO A RELLENAR: si usaste valores diferentes]
+    )
+])
+
+# 3. Cargar y preprocesar la imagen
+img = Image.open("[RUTA/A/TU/IMAGEN.jpg]").convert('RGB')
+img_preprocessed = preprocess(img)
+batch_img_tensor = torch.unsqueeze(img_preprocessed, 0)
+
+# 4. Realizar la predicción
+with torch.no_grad():
+    output = model(batch_img_tensor)
+
+# 5. Obtener la clase predicha
+class_names = ['brain_glioma', 'brain_menin', 'brain_tumor']
+_, index = torch.max(output, 1)
+predicted_class = class_names[index[0]]
+print(f"La clase predicha es: {predicted_class}")
+
+```
+
+## Dataset de Entrenamiento
+
+**Descripción:** Este conjunto de datos contiene una colección completa de imágenes de resonancia magnética para la investigación del cáncer cerebral, específicamente destinadas a respaldar el diagnóstico médico. Es un dataset de imágenes de resonancia magnética de cáncer cerebral.
+
+**División de datos:**
+El dataset fue pre-procesado y dividido en:
+*   **Entrenamiento:** 70%
+*   **Test:** 15%
+*   **Validación:** 15%
+
+**Preprocesamiento:**
+Se aplicaron diferentes transformaciones a las imágenes para el entrenamiento y la evaluación:
+
+*   **Para el conjunto de entrenamiento (`transformaciones_train`):**
+    *   `RandomResizedCrop(224)`: Recorte aleatorio y redimensionamiento a 224x224 píxeles.
+    *   `RandomHorizontalFlip()`: Volteo horizontal aleatorio.
+    *   `RandomRotation(15)`: Rotación aleatoria de hasta 15 grados.
+    *   `ToTensor()`: Conversión de las imágenes a tensores PyTorch.
+    *   `Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])`: Normalización con los valores medios y desviación estándar de ImageNet.
+
+*   **Para los conjuntos de validación y test (`transformaciones_test`):**
+    *   `Resize(256)`: Redimensionamiento de la imagen a 256 píxeles en el lado más corto.
+    *   `CenterCrop(224)`: Recorte central a 224x224 píxeles.
+    *   `ToTensor()`: Conversión de las imágenes a tensores PyTorch.
+    *   `Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])`: Normalización con los valores medios y desviación estándar de ImageNet.
+
+Estas transformaciones se aplicaron a los datasets utilizando `ImageFolder` y se cargaron con `DataLoader` con un `batch_size` de 32.
+
+## Procedimiento de Entrenamiento
+
+**Hiperparámetros:**
+*   **Optimizador:** Adam
+*   **Tasa de aprendizaje (Learning Rate):** 0.001
+*   **Función de pérdida:** CrossEntropyLoss
+*   **Número de épocas (Epochs):** 25
+*   **Tamaño del lote (Batch Size):** 32
+
+## Evaluación
+
+El modelo fue evaluado en el conjunto de test, obteniendo los siguientes resultados:
+
+```
+Reporte de Clasificación:
+              precision    recall  f1-score   support
+
+brain_glioma       0.95      0.95      0.95       300
+ brain_menin       0.84      0.91      0.87       300
+ brain_tumor       0.94      0.86      0.90       307
+
+    accuracy                           0.91       907
+   macro avg       0.91      0.91      0.91       907
+weighted avg       0.91      0.91      0.91       907
+```
+
+**Precisión por clase:**
+*   brain_glioma: 95.00%
+*   brain_menin: 91.00%
+*   brain_tumor: 85.99%
+
+**Matriz de Confusión:**
+
+|             | brain_glioma | brain_menin | brain_tumor |
+| :---------- | :----------- | :---------- | :---------- |
+| brain_glioma | 285          | 15          | 0           |
+| brain_menin | 9            | 273         | 18          |
+| brain_tumor | 6            | 37          | 264         |
+
+**Análisis de la Matriz de Confusión:**
+La matriz de confusión muestra el rendimiento del modelo para cada clase. Se observa que el modelo clasifica la clase `brain_glioma` con una alta precisión y pocos errores. La principal área de mejora se encuentra en la distinción entre las clases `brain_menin` y `brain_tumor`. Hay un número notable de falsos negativos y falsos positivos entre estas dos categorías, lo que indica que el modelo a veces confunde estos dos tipos de tumores entre sí. Por ejemplo, 37 casos de `brain_tumor` fueron clasificados erróneamente como `brain_menin`, y 18 casos de `brain_menin` fueron clasificados como `brain_tumor`.
+
+## Limitaciones y Consideraciones Éticas
+
+*   **NO PARA DIAGNÓSTICO MÉDICO:** Este modelo es una prueba de concepto y **no debe ser utilizado para el diagnóstico médico real**. Cualquier diagnóstico debe ser realizado por un profesional de la salud cualificado.
+*   **Sesgos del Dataset:** El rendimiento del modelo está limitado por la naturaleza del dataset de entrenamiento. Puede no generalizar bien a imágenes de escáneres con configuraciones diferentes o a datos demográficos no representados en el conjunto de datos.
+*   **Generalización:** El modelo fue entrenado y evaluado en un conjunto de datos específico. Su rendimiento en datos completamente nuevos y no vistos puede variar.
+
 ---
-license: apache-2.0
-language: es
-tags:
-- image-classification
-- pytorch
-- cnn
-- medical-imaging
-- brain-cancer
-datasets:
-- brain-cancer
-metrics:
-- accuracy
-- precision
-- recall
-- f1
----
+*Model creado por Izan Medkouri López (IntelliGrow).*