{"id":792,"date":"2025-09-13T18:05:55","date_gmt":"2025-09-13T21:05:55","guid":{"rendered":"https:\/\/marconivieira.com.br\/?p=792"},"modified":"2025-10-29T20:12:29","modified_gmt":"2025-10-29T23:12:29","slug":"diagnostico-de-pneumonia-em-raio-x","status":"publish","type":"post","link":"https:\/\/marconivieira.com.br\/index.php\/2025\/09\/13\/diagnostico-de-pneumonia-em-raio-x\/","title":{"rendered":"Diagn\u00f3stico de Pneumonia em Raio-X [Portf\u00f3lio de Projetos]"},"content":{"rendered":"<p><strong>Fundamenta\u00e7\u00e3o Cient\u00edfica \u2013 Diagn\u00f3stico de Pneumonia em Radiografias de T\u00f3rax<\/strong><\/p>\n<p>A <strong>pneumonia<\/strong> \u00e9 uma infec\u00e7\u00e3o que atinge os pulm\u00f5es, provocando inflama\u00e7\u00e3o nos alv\u00e9olos, que podem se encher de l\u00edquido ou pus. \u00c9 uma das principais causas de morbidade e mortalidade no mundo, sendo o diagn\u00f3stico precoce essencial para o tratamento eficaz.<\/p>\n<p><strong>Papel da Radiografia de T\u00f3rax<\/strong><\/p>\n<p>A radiografia de t\u00f3rax \u00e9 um dos exames mais utilizados na investiga\u00e7\u00e3o de pneumonia. Ela \u00e9 relativamente barata, r\u00e1pida e amplamente dispon\u00edvel, permitindo ao m\u00e9dico observar altera\u00e7\u00f5es pulmonares sugestivas da doen\u00e7a.<\/p>\n<p><strong>Sinais Radiogr\u00e1ficos Cl\u00e1ssicos da Pneumonia<\/strong><\/p>\n<p>De acordo com a literatura m\u00e9dica, alguns dos sinais mais comuns que um radiologista ou m\u00e9dico observa em uma radiografia de t\u00f3rax s\u00e3o:<\/p>\n<ul>\n<li><strong>Opacidades pulmonares<\/strong>: \u00e1reas esbranqui\u00e7adas na imagem, indicando ac\u00famulo de l\u00edquido, secre\u00e7\u00e3o ou c\u00e9lulas inflamat\u00f3rias.<\/li>\n<li><strong>Consolida\u00e7\u00e3o alveolar<\/strong>: aspecto homog\u00eaneo e denso em parte do pulm\u00e3o, podendo ocupar um lobo ou segmento.<\/li>\n<li><strong>Broncograma a\u00e9reo<\/strong>: visualiza\u00e7\u00e3o dos br\u00f4nquios cheios de ar cercados por \u00e1reas de consolida\u00e7\u00e3o (um sinal bastante caracter\u00edstico de pneumonia).<\/li>\n<li><strong>Infiltrados intersticiais<\/strong>: padr\u00f5es difusos e reticulados, mais comuns em pneumonias virais ou at\u00edpicas.<\/li>\n<li><strong>Assimetria pulmonar<\/strong>: quando um pulm\u00e3o apresenta altera\u00e7\u00e3o evidente em compara\u00e7\u00e3o ao outro.<\/li>\n<li><strong>Derrame pleural associado<\/strong>: em alguns casos, pode haver ac\u00famulo de l\u00edquido na pleura, vis\u00edvel como apagamento dos \u00e2ngulos costofr\u00eanicos.<\/li>\n<\/ul>\n<p>Esses sinais devem ser interpretados em conjunto com o quadro cl\u00ednico do paciente (tosse, febre, falta de ar, dor tor\u00e1cica), j\u00e1 que altera\u00e7\u00f5es semelhantes podem ocorrer em outras doen\u00e7as (ex.: tuberculose, insufici\u00eancia card\u00edaca, atelectasia).<\/p>\n<p><strong>Relev\u00e2ncia para o Projeto de Vis\u00e3o Computacional<\/strong><\/p>\n<p>Para o cientista de dados que n\u00e3o tem forma\u00e7\u00e3o m\u00e9dica:<\/p>\n<ul>\n<li><strong>Classes do dataset (normal x pneumonia)<\/strong> \u2192 correspondem, de forma simplificada, a radiografias sem altera\u00e7\u00f5es significativas (normal) versus radiografias com os sinais descritos acima (pneumonia).<\/li>\n<li>O modelo de vis\u00e3o computacional deve aprender a <strong>reconhecer padr\u00f5es de opacidade e consolida\u00e7\u00e3o<\/strong> nas imagens.<\/li>\n<li>Essa base conceitual ajuda a entender por que o algoritmo precisa de <strong>milhares de exemplos rotulados<\/strong>: porque os sinais podem ser <strong>sutis, variados e at\u00e9 sobrepostos<\/strong> a outras condi\u00e7\u00f5es.<\/li>\n<\/ul>\n<p><strong>Refer\u00eancias Acad\u00eamicas B\u00e1sicas<\/strong><\/p>\n<p>Para fundamenta\u00e7\u00e3o cient\u00edfica, destacam-se:<\/p>\n<ul>\n<li>FELSON, Benjamin. <em>Principles of Chest Roentgenology<\/em>. 4. ed. Philadelphia: Saunders Elsevier, 2010.<\/li>\n<li>WEST, John B. <em>Pulmonary Pathophysiology \u2013 The Essentials<\/em>. 9. ed. Philadelphia: Wolters Kluwer, 2017.<\/li>\n<li>GRAINGER, R. G.; ALLISON, D. J. <em>Grainger &amp; Allison&#8217;s Diagnostic Radiology: A Textbook of Medical Imaging<\/em>. 7. ed. Elsevier, 2020.<\/li>\n<\/ul>\n<p><strong>\ud83d\udcc2<\/strong><strong> Dataset \u2013 Chest X-Ray Images (Pneumonia) \u2013 Kaggle<\/strong><\/p>\n<p><strong>Origem do Dataset<\/strong><\/p>\n<p>O dataset utilizado neste projeto \u00e9 o <strong>Chest X-Ray Images (Pneumonia)<\/strong>, dispon\u00edvel publicamente no Kaggle:<\/p>\n<p>\ud83d\udd17 Chest X-Ray Images (Pneumonia) \u2013 Kaggle<\/p>\n<p><a href=\"https:\/\/www.kaggle.com\/datasets\/paultimothymooney\/chest-xray-pneumonia\" target=\"_blank\" rel=\"noopener\">https:\/\/www.kaggle.com\/datasets\/paultimothymooney\/chest-xray-pneumonia<\/a><\/p>\n<p>Esse conjunto de dados \u00e9 amplamente utilizado em pesquisas e projetos de aprendizado de m\u00e1quina aplicados \u00e0 sa\u00fade, especialmente para treinamento de modelos de <strong>Vis\u00e3o Computacional<\/strong> no diagn\u00f3stico de pneumonia.<\/p>\n<p><strong>Estrutura do Dataset<\/strong><\/p>\n<p>O dataset cont\u00e9m um total de <strong>5.856 imagens de raio-X de t\u00f3rax<\/strong>, j\u00e1 organizadas em diret\u00f3rios para facilitar o treinamento e a valida\u00e7\u00e3o de modelos:<\/p>\n<p>chest_xray\/<\/p>\n<p>train\/<\/p>\n<p>NORMAL\/<\/p>\n<p>PNEUMONIA\/<\/p>\n<p>val\/<\/p>\n<p>NORMAL\/<\/p>\n<p>PNEUMONIA\/<\/p>\n<p>test\/<\/p>\n<p>NORMAL\/<\/p>\n<p>PNEUMONIA\/<\/p>\n<ul>\n<li><strong>train\/<\/strong> \u2192 imagens usadas para treinamento do modelo.<\/li>\n<li><strong>val\/<\/strong> \u2192 imagens usadas para valida\u00e7\u00e3o (ajuste de hiperpar\u00e2metros, preven\u00e7\u00e3o de overfitting).<\/li>\n<li><strong>test\/<\/strong> \u2192 imagens usadas para teste final e avalia\u00e7\u00e3o da performance do modelo.<\/li>\n<\/ul>\n<p>Cada subpasta cont\u00e9m imagens categorizadas como:<\/p>\n<ul>\n<li><strong>NORMAL<\/strong> \u2192 radiografias sem sinais de pneumonia.<\/li>\n<li><strong>PNEUMONIA<\/strong> \u2192 radiografias de pacientes diagnosticados com pneumonia (podendo incluir pneumonia viral ou bacteriana).<\/li>\n<\/ul>\n<p><strong>Estat\u00edsticas do Dataset<\/strong><\/p>\n<p>Total de imagens: 5.856<\/p>\n<p><strong>Treinamento<\/strong> (train): Normal: 1.341 imagens \/ Pneumonia: 3.875 imagens<\/p>\n<p><strong>Valida\u00e7\u00e3o<\/strong> (val): Normal: 8 imagens \/ Pneumonia: 8 imagens \u2014 essa parte do conjunto de valida\u00e7\u00e3o \u00e9 muito pequena para fornecer uma avalia\u00e7\u00e3o est\u00e1vel durante o treinamento. Como temos apenas 16 imagens no total para valida\u00e7\u00e3o, m\u00e9tricas como val_loss e val_accuracy podem variar muito e n\u00e3o refletir completamente a generaliza\u00e7\u00e3o do modelo.<\/p>\n<p><strong>Teste<\/strong> (test): Normal: 234 imagens \/ Pneumonia: 390 imagens<\/p>\n<p><strong>Observa\u00e7\u00e3o<\/strong>: o dataset \u00e9 <strong>desbalanceado<\/strong>, com muito mais imagens de pneumonia do que de casos normais. Isso deve ser levado em conta no treinamento, utilizando t\u00e9cnicas como <strong>data augmentation, class weights ou oversampling<\/strong>.<\/p>\n<p><strong>Considera\u00e7\u00f5es \u00c9ticas e de Uso<\/strong><\/p>\n<ul>\n<li>O dataset foi publicado no Kaggle para fins de <strong>pesquisa e educa\u00e7\u00e3o<\/strong>.<\/li>\n<li>N\u00e3o deve ser usado em ambientes cl\u00ednicos reais sem valida\u00e7\u00e3o cient\u00edfica e regulat\u00f3ria.<\/li>\n<li>\u00c9 uma excelente base para aprendizado, mas possui limita\u00e7\u00f5es: qualidade vari\u00e1vel das imagens, poss\u00edveis vieses nos diagn\u00f3sticos originais, e aus\u00eancia de dados cl\u00ednicos complementares.<\/li>\n<\/ul>\n<p><strong>Escolhendo o Modelo e T\u00e9cnicas Mais Aplic\u00e1veis<\/strong><\/p>\n<p><strong>Objetivo<\/strong><\/p>\n<p>O objetivo principal do projeto \u00e9 <strong>classificar radiografias de t\u00f3rax<\/strong> em duas categorias: <strong>NORMAL<\/strong> ou <strong>PNEUMONIA<\/strong>, com base nos padr\u00f5es visuais presentes nas imagens. Para isso, \u00e9 necess\u00e1rio escolher um modelo que consiga <strong>extrair caracter\u00edsticas visuais complexas<\/strong> e <strong>diferenciar sutilezas entre classes<\/strong>.<\/p>\n<p><strong>Racional para Escolha do Modelo<\/strong><\/p>\n<p><strong>Rede Neural Convolucional (CNN)<\/strong><\/p>\n<ul>\n<li><strong>Por que CNN?<\/strong>\n<ul>\n<li>Radiografias s\u00e3o imagens bidimensionais; padr\u00f5es visuais (opacidades, consolida\u00e7\u00f5es) precisam ser detectados de forma <strong>hier\u00e1rquica e espacialmente sens\u00edvel<\/strong>.<\/li>\n<li>CNNs s\u00e3o projetadas para <strong>extra\u00e7\u00e3o autom\u00e1tica de caracter\u00edsticas visuais<\/strong>, dispensando engenharia manual de features.<\/li>\n<li>CNNs j\u00e1 s\u00e3o amplamente aplicadas em <strong>diagn\u00f3stico assistido por imagem m\u00e9dica<\/strong>, com resultados robustos em pneumonia, c\u00e2ncer de pulm\u00e3o, e outras doen\u00e7as.<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n<p><strong>Transfer Learning (Aprendizado por Transfer\u00eancia)<\/strong><\/p>\n<ul>\n<li>Modelos pr\u00e9-treinados em grandes datasets de imagens (ex.: <strong>VGG16, ResNet50, EfficientNet<\/strong>) podem ser adaptados para o nosso problema.<\/li>\n<li>Vantagens:\n<ul>\n<li>Redu\u00e7\u00e3o significativa do tempo de treinamento.<\/li>\n<li>Melhor performance com <strong>datasets moderadamente pequenos<\/strong> (como o do Kaggle).<\/li>\n<li>Aproveitamento de <strong>features j\u00e1 aprendidas em imagens gerais<\/strong>, que ajudam na detec\u00e7\u00e3o de padr\u00f5es complexos.<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n<p><strong>T\u00e9cnicas Complementares<\/strong><\/p>\n<ol>\n<li><strong>Data Augmentation<\/strong>\n<ul>\n<li>T\u00e9cnicas como <strong>rotacionar, inverter, zoom, shift<\/strong> ajudam a <strong>aumentar a diversidade do dataset<\/strong> e reduzir overfitting.<\/li>\n<\/ul>\n<\/li>\n<li><strong>Class Weighting \/ Oversampling<\/strong>\n<ul>\n<li>O dataset \u00e9 <strong>desbalanceado<\/strong> (muito mais imagens de pneumonia que normais).<\/li>\n<li>Ajustar pesos de classe ou aplicar oversampling evita que o modelo fique <strong>viciado na classe majorit\u00e1ria<\/strong>.<\/li>\n<\/ul>\n<\/li>\n<li><strong>Pr\u00e9-processamento de Imagens<\/strong>\n<ul>\n<li>Redimensionamento das imagens para tamanho fixo (ex.: 224&#215;224 pixels).<\/li>\n<li>Normaliza\u00e7\u00e3o dos pixels para valores entre 0 e 1.<\/li>\n<li>Convers\u00e3o para tensores, compat\u00edveis com frameworks de deep learning.<\/li>\n<\/ul>\n<\/li>\n<li><strong>Fun\u00e7\u00f5es de Ativa\u00e7\u00e3o e Otimizadores<\/strong>\n<ul>\n<li><strong>ReLU<\/strong> em camadas ocultas para introduzir n\u00e3o-linearidade.<\/li>\n<li><strong>Softmax<\/strong> ou <strong>sigmoid<\/strong> na sa\u00edda para classifica\u00e7\u00e3o bin\u00e1ria.<\/li>\n<li><strong>Adam<\/strong> como otimizador, por sua capacidade de converg\u00eancia r\u00e1pida e est\u00e1vel.<\/li>\n<\/ul>\n<\/li>\n<li><strong>M\u00e9tricas de Avalia\u00e7\u00e3o<\/strong>\n<ul>\n<li><strong>Accuracy<\/strong>: taxa geral de acertos.<\/li>\n<li><strong>Precision e Recall<\/strong>: importantes em diagn\u00f3stico m\u00e9dico, pois penalizam falsos positivos e falsos negativos.<\/li>\n<li><strong>F1-Score<\/strong>: equil\u00edbrio entre precision e recall.<\/li>\n<li><strong>ROC-AUC<\/strong>: desempenho global do modelo em diferentes limiares de decis\u00e3o.<\/li>\n<\/ul>\n<\/li>\n<\/ol>\n<p><strong>Considera\u00e7\u00f5es Finais<\/strong><\/p>\n<ul>\n<li>O racional acima n\u00e3o \u00e9 apenas t\u00e9cnico, mas <strong>estrat\u00e9gico e did\u00e1tico<\/strong>: o cientista de dados que queira replicar o projeto entender\u00e1 <strong>o \u201cporqu\u00ea\u201d de cada escolha<\/strong>.<\/li>\n<li>Essa abordagem cria um <strong>guia de decis\u00e3o claro<\/strong>, que pode ser adaptado para outros problemas de classifica\u00e7\u00e3o de imagens m\u00e9dicas ou de vis\u00e3o computacional.<\/li>\n<\/ul>\n<p><strong>Pr\u00e9-processamento e Prepara\u00e7\u00e3o dos Dados<\/strong><\/p>\n<p><strong>Objetivo<\/strong><\/p>\n<p>O pr\u00e9-processamento \u00e9 uma etapa essencial para <strong>garantir que o modelo receba imagens uniformes e consistentes<\/strong>, melhorando a performance e a capacidade de generaliza\u00e7\u00e3o do modelo.<\/p>\n<p><strong>Etapas do Pr\u00e9-processamento<\/strong><\/p>\n<ol>\n<li><strong>Redimensionamento das imagens<\/strong>\n<ul>\n<li>Todas as imagens do dataset s\u00e3o ajustadas para <strong>um tamanho fixo<\/strong>, geralmente <strong>224&#215;224 pixels<\/strong>, compat\u00edvel com a maioria das arquiteturas CNN e modelos pr\u00e9-treinados.<\/li>\n<li>Isso padroniza a entrada e facilita a computa\u00e7\u00e3o em batches.<\/li>\n<\/ul>\n<\/li>\n<li><strong>Convers\u00e3o para escala de intensidade adequada<\/strong>\n<ul>\n<li>As imagens s\u00e3o convertidas para valores <strong>normalizados entre 0 e 1<\/strong>, ou seja, cada pixel tem valor cont\u00ednuo na faixa [0,1].<\/li>\n<li>Essa normaliza\u00e7\u00e3o ajuda na <strong>converg\u00eancia do modelo durante o treino<\/strong>, evitando problemas com gradientes muito grandes ou muito pequenos.<\/li>\n<\/ul>\n<\/li>\n<li><strong>Convers\u00e3o para tensores<\/strong>\n<ul>\n<li>As imagens s\u00e3o convertidas para <strong>tensores<\/strong>, formato utilizado pelos frameworks de deep learning (TensorFlow, PyTorch).<\/li>\n<li>Estrutura t\u00edpica: [batch_size, altura, largura, canais], onde canais = 1 (preto e branco) ou 3 (RGB).<\/li>\n<\/ul>\n<\/li>\n<li>\n<p><strong>Divis\u00e3o de dados<\/strong><\/p>\n<p>O dataset j\u00e1 vem organizado em pastas train\/, val\/ e test\/.<\/p>\n<p>Aten\u00e7\u00e3o: o conjunto val\/ disp\u00f5e de apenas 8 imagens para cada classe (total 16), o que \u00e9 muito baixo para monitoramento confi\u00e1vel durante o treino. Isso pode levar a flutua\u00e7\u00f5es fortes nos valores de valida\u00e7\u00e3o (val_accuracy \/ val_loss) ou dar uma falsa impress\u00e3o de generaliza\u00e7\u00e3o.<\/p>\n<p>Cada conjunto \u00e9 mantido separado para:<\/p>\n<p>Treinamento: ajuste do modelo.<\/p>\n<p>Valida\u00e7\u00e3o: monitoramento da performance e preven\u00e7\u00e3o de overfitting.<\/p>\n<p>Teste: avalia\u00e7\u00e3o final do modelo em dados nunca vistos.<\/p>\n<\/li>\n<li><strong>Data Augmentation (Aumento de Dados)<\/strong>\n<ul>\n<li>Para <strong>combater overfitting e aumentar diversidade<\/strong>, aplicam-se t\u00e9cnicas de transforma\u00e7\u00e3o aleat\u00f3ria:\n<ul>\n<li>Rota\u00e7\u00e3o (ex.: \u00b115\u00b0).<\/li>\n<li>Transla\u00e7\u00e3o (shift horizontal\/vertical).<\/li>\n<li>Zoom.<\/li>\n<li>Flip horizontal.<\/li>\n<\/ul>\n<\/li>\n<li>Essas transforma\u00e7\u00f5es criam novas amostras sem precisar coletar mais imagens reais, ajudando o modelo a <strong>generalizar melhor<\/strong>.<\/li>\n<\/ul>\n<\/li>\n<\/ol>\n<p><strong>Considera\u00e7\u00f5es Importantes<\/strong><\/p>\n<ul>\n<li>O pr\u00e9-processamento <strong>n\u00e3o altera o conte\u00fado cl\u00ednico<\/strong> das imagens; apenas facilita que o modelo aprenda padr\u00f5es visuais de forma mais eficiente.<\/li>\n<li>T\u00e9cnicas de data augmentation devem ser <strong>moderadas<\/strong>, pois exageros. podem gerar imagens irreais, prejudicando a aprendizagem.<\/li>\n<li>A padroniza\u00e7\u00e3o permite que o mesmo pipeline seja <strong>replic\u00e1vel em outros datasets ou projetos similares<\/strong>.<\/li>\n<\/ul>\n<p><strong>Treinamento e Valida\u00e7\u00e3o do Modelo<\/strong><\/p>\n<p><strong>Objetivo<\/strong><\/p>\n<p>O treinamento tem como objetivo <strong>ensinar o modelo a reconhecer padr\u00f5es visuais<\/strong> presentes nas radiografias, distinguindo entre imagens <strong>normais<\/strong> e <strong>com sinais de pneumonia<\/strong>.<br \/>A valida\u00e7\u00e3o permite <strong>monitorar o desempenho durante o treino<\/strong>, ajustando par\u00e2metros e evitando overfitting.<\/p>\n<p><strong>Arquitetura Inicial Sugerida<\/strong><\/p>\n<p>Para o projeto, recomenda-se utilizar uma <strong>CNN simples ou transfer learning<\/strong>, por exemplo:<\/p>\n<ul>\n<li><strong>CNN customizada:<\/strong>\n<ul>\n<li>Camadas convolucionais + pooling + camadas densas finais.<\/li>\n<li>Ativa\u00e7\u00e3o <strong>ReLU<\/strong> nas camadas ocultas.<\/li>\n<li>Sa\u00edda <strong>sigmoid<\/strong> para classifica\u00e7\u00e3o bin\u00e1ria.<\/li>\n<\/ul>\n<\/li>\n<li><strong>Transfer Learning:<\/strong>\n<ul>\n<li>Modelos pr\u00e9-treinados como <strong>VGG16, ResNet50 ou EfficientNet.<\/strong><\/li>\n<li>Apenas \u00faltimas camadas s\u00e3o treinadas para o dataset de pneumonia.<\/li>\n<li>Permite melhor performance com menor volume de dados.<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n<p><strong>Hiperpar\u00e2metros Importantes<\/strong><\/p>\n<ul>\n<li><strong>Batch size:<\/strong> 16 ou 32 (balanceando mem\u00f3ria e performance).<\/li>\n<li><strong>Epochs:<\/strong> 20\u201350, ajustando conforme evolu\u00e7\u00e3o da loss.<\/li>\n<li><strong>Otimizador:<\/strong> Adam, por sua capacidade de converg\u00eancia r\u00e1pida.<\/li>\n<li><strong>Learning rate:<\/strong> 1e-4 como ponto inicial.<\/li>\n<li><strong>Loss function:<\/strong> Binary Cross-Entropy (adequada para classifica\u00e7\u00e3o bin\u00e1ria).<\/li>\n<\/ul>\n<p><strong>M\u00e9tricas de Avalia\u00e7\u00e3o<\/strong><\/p>\n<p>\u00c9 essencial avaliar o modelo <strong>n\u00e3o apenas pela acur\u00e1cia<\/strong>, mas tamb\u00e9m considerando m\u00e9tricas que refletem <strong>impacto cl\u00ednico<\/strong>:<\/p>\n<ul>\n<li><strong>Accuracy:<\/strong> % de acertos geral.<\/li>\n<li><strong>Precision:<\/strong> import\u00e2ncia de evitar falsos positivos (diagn\u00f3stico errado de pneumonia).<\/li>\n<li><strong>Recall (Sensitivity):<\/strong> import\u00e2ncia de evitar falsos negativos (pneumonia n\u00e3o detectada).<\/li>\n<li><strong>F1-Score:<\/strong> equil\u00edbrio entre precision e recall.<\/li>\n<li><strong>ROC-AUC:<\/strong> desempenho geral do modelo em diferentes limiares.<\/li>\n<\/ul>\n<p><strong>Estrat\u00e9gia de Valida\u00e7\u00e3o<\/strong><\/p>\n<ul>\n<li><strong>Valida\u00e7\u00e3o durante o treino<\/strong>: monitorar a loss e a acur\u00e1cia no conjunto de valida\u00e7\u00e3o.<\/li>\n<li><strong>Early Stopping<\/strong>: interrompe o treino quando n\u00e3o h\u00e1 melhora na valida\u00e7\u00e3o, prevenindo overfitting.<\/li>\n<li><strong>Model Checkpoint<\/strong>: salvar a vers\u00e3o do modelo com melhor performance.<\/li>\n<\/ul>\n<p><strong>Considera\u00e7\u00f5es Finais<\/strong><\/p>\n<ul>\n<li>Treinar e validar o modelo dessa forma cria <strong>uma base s\u00f3lida para testes interativos<\/strong>, permitindo que o cientista de dados compreenda <strong>onde o modelo acerta ou erra<\/strong>.<\/li>\n<li>Essa abordagem tamb\u00e9m prepara o terreno para <strong>futuros prot\u00f3tipos de aplica\u00e7\u00e3o cl\u00ednica<\/strong>, respeitando sempre as limita\u00e7\u00f5es do dataset.<\/li>\n<\/ul>\n<p><strong>Teste Interativo e Valida\u00e7\u00e3o Aleat\u00f3ria<\/strong><\/p>\n<p><strong>Objetivo<\/strong><\/p>\n<p>Permitir que o cientista de dados ou usu\u00e1rio <strong>teste o modelo em imagens espec\u00edficas<\/strong>, observando:<\/p>\n<ul>\n<li>Predi\u00e7\u00e3o feita pelo modelo (NORMAL ou PNEUMONIA).<\/li>\n<li>Confian\u00e7a da previs\u00e3o (probabilidade).<\/li>\n<li>Compara\u00e7\u00e3o com o r\u00f3tulo verdadeiro, quando dispon\u00edvel.<\/li>\n<\/ul>\n<p>Essa abordagem aproxima o projeto da <strong>aplica\u00e7\u00e3o real<\/strong>, refor\u00e7ando o car\u00e1ter pr\u00e1tico e did\u00e1tico do portf\u00f3lio.<\/p>\n<p><strong>Funcionamento do Teste Interativo<\/strong><\/p>\n<ol>\n<li><strong>Sele\u00e7\u00e3o aleat\u00f3ria de imagem<\/strong>\n<ul>\n<li>O script seleciona automaticamente uma imagem de qualquer pasta (test\/ ou val\/).<\/li>\n<li>Pode ser implementada uma fun\u00e7\u00e3o que escolha imagens <strong>com ou sem repeti\u00e7\u00e3o<\/strong> para m\u00faltiplos testes.<\/li>\n<\/ul>\n<\/li>\n<li><strong>Predi\u00e7\u00e3o pelo modelo<\/strong>\n<ul>\n<li>A imagem \u00e9 processada pelo modelo treinado.<\/li>\n<li>O modelo retorna a <strong>classe prevista<\/strong> e a <strong>probabilidade associada.<\/strong><\/li>\n<\/ul>\n<\/li>\n<li><strong>Compara\u00e7\u00e3o com r\u00f3tulo verdadeiro<\/strong>\n<ul>\n<li>O script verifica a pasta de origem (NORMAL ou PNEUMONIA).<\/li>\n<li>Compara o resultado do modelo com o r\u00f3tulo real.<\/li>\n<li>Exibe se o modelo <strong>acertou ou errou.<\/strong><\/li>\n<\/ul>\n<\/li>\n<li><strong>Exibi\u00e7\u00e3o de resultados<\/strong>\n<ul>\n<li>Mostra a imagem selecionada.<\/li>\n<li>Indica a predi\u00e7\u00e3o, probabilidade e r\u00f3tulo verdadeiro.<\/li>\n<li>Pode ser feito um <strong>pequeno resumo estat\u00edstico<\/strong> se forem selecionadas v\u00e1rias imagens (ex.: taxa de acerto em N imagens aleat\u00f3rias).<\/li>\n<\/ul>\n<\/li>\n<\/ol>\n<p><strong>Benef\u00edcios dessa Abordagem<\/strong><\/p>\n<ul>\n<li>Permite <strong>visualiza\u00e7\u00e3o imediata do desempenho do modelo<\/strong> em exemplos concretos.<\/li>\n<li>Facilita a <strong>interpreta\u00e7\u00e3o dos resultados<\/strong>, conectando m\u00e9tricas abstratas (accuracy, precision, recall) a casos reais.<\/li>\n<li>Pode servir como <strong>base para prot\u00f3tipos de aplica\u00e7\u00e3o cl\u00ednica<\/strong>, onde o m\u00e9dico carrega uma imagem e recebe a predi\u00e7\u00e3o do modelo.<\/li>\n<li>Aumenta o car\u00e1ter <strong>did\u00e1tico do portf\u00f3lio<\/strong>, mostrando todo o ciclo de ci\u00eancia de dados: desde o problema real, passando pelo modelo, at\u00e9 a valida\u00e7\u00e3o pr\u00e1tica.<\/li>\n<\/ul>\n<p><strong>Observa\u00e7\u00f5es<\/strong><\/p>\n<ul>\n<li>Este teste \u00e9 <strong>educacional<\/strong>, e <strong>n\u00e3o substitui diagn\u00f3stico m\u00e9dico.<\/strong><\/li>\n<li>Ideal para demonstra\u00e7\u00f5es, valida\u00e7\u00e3o de modelo e aprendizado de t\u00e9cnicas de vis\u00e3o computacional.<\/li>\n<li>Futuras aplica\u00e7\u00f5es cl\u00ednicas devem incluir <strong>campos de confirma\u00e7\u00e3o m\u00e9dica<\/strong> e seguir regulamenta\u00e7\u00f5es de sa\u00fade.<\/li>\n<\/ul>\n<p><strong>Reflex\u00e3o, Limita\u00e7\u00f5es e Pr\u00f3ximos Passos<\/strong><\/p>\n<p><strong>Reflex\u00e3o sobre o projeto<\/strong><\/p>\n<ul>\n<li>Este projeto demonstra <strong>todo o ciclo de ci\u00eancia de dados aplicada a imagens m\u00e9dicas<\/strong>:\n<ol>\n<li>Fundamenta\u00e7\u00e3o cient\u00edfica para entender o problema.<\/li>\n<li>Escolha de modelo e t\u00e9cnicas adequadas.<\/li>\n<li>Pr\u00e9-processamento dos dados.<\/li>\n<li>Treinamento e valida\u00e7\u00e3o do modelo.<\/li>\n<li>Teste interativo em imagens individuais.<\/li>\n<\/ol>\n<\/li>\n<li>A integra\u00e7\u00e3o de cada etapa permite ao cientista de dados <strong>compreender o racioc\u00ednio por tr\u00e1s de cada decis\u00e3o<\/strong>, fortalecendo o aprendizado e a replicabilidade do projeto.<\/li>\n<\/ul>\n<p><strong>Limita\u00e7\u00f5es do projeto<\/strong><\/p>\n<ol>\n<li><strong>Dataset limitado e desbalanceado<\/strong>\n<ul>\n<li>Mais imagens de pneumonia que normais; \u00e9 necess\u00e1rio cuidado para evitar <strong>vi\u00e9s do modelo<\/strong>.<\/li>\n<li>O conjunto de valida\u00e7\u00e3o (val\/) tem n\u00famero muito pequeno de imagens (apenas 8 imagens em cada pasta), o que limita sua utilidade para monitoramento seguro de valida\u00e7\u00e3o, tuning de hiperpar\u00e2metros e EarlyStopping.<\/li>\n<\/ul>\n<\/li>\n<li><strong>Qualidade das imagens<\/strong>\n<ul>\n<li>Algumas radiografias podem ter ru\u00eddo, sobreposi\u00e7\u00e3o de estruturas ou baixa resolu\u00e7\u00e3o, dificultando a generaliza\u00e7\u00e3o.<\/li>\n<\/ul>\n<\/li>\n<li><strong>Aus\u00eancia de dados cl\u00ednicos complementares<\/strong>\n<ul>\n<li>Informa\u00e7\u00f5es como idade, hist\u00f3rico m\u00e9dico ou sintomas n\u00e3o est\u00e3o inclu\u00eddas; o modelo se baseia <strong>exclusivamente na imagem<\/strong>.<\/li>\n<\/ul>\n<\/li>\n<li><strong>N\u00e3o substitui avalia\u00e7\u00e3o m\u00e9dica<\/strong>\n<ul>\n<li>O modelo serve como <strong>ferramenta de apoio educacional<\/strong> ou prot\u00f3tipo de aplica\u00e7\u00e3o. Diagn\u00f3stico final <strong>deve sempre ser confirmado por profissionais de sa\u00fade<\/strong>.<\/li>\n<\/ul>\n<\/li>\n<\/ol>\n<p><strong>Pr\u00f3ximos Passos<\/strong><\/p>\n<ol>\n<li><strong>Melhorias t\u00e9cnicas<\/strong>\n<ul>\n<li>Aplicar <strong>ensemble de modelos<\/strong> para aumentar robustez.<\/li>\n<li>Testar arquiteturas mais avan\u00e7adas (EfficientNet, DenseNet).<\/li>\n<li>Implementadas <strong>explainable AI (XAI)<\/strong> para interpretar decis\u00f5es do modelo (o racional e c\u00f3digo ser\u00e3o disponibilizados na vers\u00e3o avan\u00e7ada).<\/li>\n<\/ul>\n<\/li>\n<li><strong>Aprimoramento do dataset<\/strong>\n<ul>\n<li>Coletar mais imagens normais para equilibrar classes.<\/li>\n<li>Incluir radiografias de diferentes hospitais, equipamentos e popula\u00e7\u00f5es.<\/li>\n<\/ul>\n<\/li>\n<li><a href=\"https:\/\/pneumonia-demo.onrender.com\/\" target=\"_blank\" rel=\"noopener\"><strong>Prot\u00f3tipo de aplica\u00e7\u00e3o<\/strong><\/a>\n<ul>\n<li>Foi desenvolvida uma interface simples para <strong>upload de imagem e exibi\u00e7\u00e3o da predi\u00e7\u00e3o.<\/strong><\/li>\n<li>Integra a fun\u00e7\u00e3o de visualiza\u00e7\u00e3o dos resultados, probabilidade e r\u00f3tulo real <strong>para fins educacionais.<\/strong><\/li>\n<\/ul>\n<\/li>\n<li><strong>Documenta\u00e7\u00e3o did\u00e1tica<\/strong>\n<ul>\n<li>Manter registros claros de decis\u00f5es, par\u00e2metros e resultados nesta p\u00e1gina.<\/li>\n<li>Possibilitar <strong>replica\u00e7\u00e3o do projeto<\/strong> por outros cientistas de dados.<\/li>\n<\/ul>\n<\/li>\n<\/ol>\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\">\ud83e\ude7a Diagn\u00f3stico de Pneumonia em Raio-X com Intelig\u00eancia Artificial<\/h2>\n\n\n\n<p>A radiografia de t\u00f3rax \u00e9 um dos exames mais solicitados no mundo para avalia\u00e7\u00e3o de doen\u00e7as pulmonares. Dentre elas, a pneumonia se destaca como uma das mais graves e comuns, exigindo diagn\u00f3stico r\u00e1pido e preciso.<br>Com o avan\u00e7o da Intelig\u00eancia Artificial, especialmente das redes neurais convolucionais (CNNs), tornou-se poss\u00edvel treinar modelos capazes de identificar padr\u00f5es radiol\u00f3gicos sutis com alto grau de acerto.<\/p>\n\n\n\n<p>Este projeto demonstra como um modelo de IA pode ser aplicado ao diagn\u00f3stico autom\u00e1tico de pneumonia a partir de imagens de raio-X, utilizando redes neurais profundas e explicabilidade visual (Grad-CAM).<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\">\ud83c\udf10 Vers\u00e3o online da aplica\u00e7\u00e3o<\/h2>\n\n\n\n<p>Agora o projeto est\u00e1 dispon\u00edvel em vers\u00e3o <strong>interativa e online<\/strong>, hospedada no <strong>Render.com<\/strong>.<br>A demonstra\u00e7\u00e3o permite que o usu\u00e1rio envie uma radiografia pr\u00f3pria ou selecione uma das amostras do sistema, recebendo em tempo real o diagn\u00f3stico estimado e a visualiza\u00e7\u00e3o explicativa do modelo (Grad-CAM).<\/p>\n\n\n\n<p>\ud83d\udd17 <strong>Acesse a aplica\u00e7\u00e3o:<\/strong> <a href=\"https:\/\/pneumonia-demo.onrender.com\" target=\"_blank\" rel=\"noreferrer noopener\">https:\/\/pneumonia-demo.onrender.com<\/a><\/p>\n\n\n\n<p><strong>Obs.: ao chegar no site aguarde alguns minutos at\u00e9 o Render provisionar os servi\u00e7os da aplica\u00e7\u00e3o. <\/strong><\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\">\u2699\ufe0f Arquitetura atualizada da solu\u00e7\u00e3o<\/h2>\n\n\n\n<p>A arquitetura do projeto foi completamente reestruturada para permitir o deploy em ambiente de produ\u00e7\u00e3o com front-end e back-end integrados.<\/p>\n\n\n\n<p><strong>Componentes principais:<\/strong><\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Frontend:<\/strong> desenvolvido em <strong>React (Vite)<\/strong>, respons\u00e1vel pela interface do usu\u00e1rio, upload das imagens e exibi\u00e7\u00e3o dos resultados.<\/li>\n\n\n\n<li><strong>Backend:<\/strong> implementado em <strong>FastAPI<\/strong>, contendo o modelo TensorFlow Lite e os endpoints REST de predi\u00e7\u00e3o.<\/li>\n\n\n\n<li><strong>Modelo de IA:<\/strong> vers\u00e3o compacta em <strong>TensorFlow Lite (TFLite)<\/strong>, otimizada para desempenho em CPU.<\/li>\n\n\n\n<li><strong>Hospedagem:<\/strong> deploy no <strong>Render.com<\/strong> via container Docker, com build automatizado a partir do reposit\u00f3rio GitHub.<\/li>\n<\/ul>\n\n\n\n<p><strong>Fluxo resumido:<\/strong><\/p>\n\n\n\n<ol class=\"wp-block-list\">\n<li>O usu\u00e1rio envia uma imagem de raio-X ou escolhe uma das amostras.<\/li>\n\n\n\n<li>O frontend envia o arquivo ao endpoint <code>\/predict<\/code> via requisi\u00e7\u00e3o <code>POST<\/code>.<\/li>\n\n\n\n<li>O backend processa a imagem, realiza a infer\u00eancia e gera o mapa Grad-CAM.<\/li>\n\n\n\n<li>O resultado \u00e9 retornado em JSON, incluindo o diagn\u00f3stico, a confian\u00e7a e as URLs das imagens original e explicada.<\/li>\n\n\n\n<li>O React exibe ambas as imagens lado a lado, em tempo real.<\/li>\n<\/ol>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\">\ud83d\udca1 Explicabilidade e Grad-CAM<\/h2>\n\n\n\n<p>A inclus\u00e3o da t\u00e9cnica <strong>Grad-CAM (Gradient-weighted Class Activation Mapping)<\/strong> foi fundamental para aumentar a interpretabilidade do modelo.<br>O mapa de calor gerado permite visualizar <strong>quais regi\u00f5es da radiografia<\/strong> contribu\u00edram para a decis\u00e3o da rede, evidenciando o racioc\u00ednio interno do algoritmo.<\/p>\n\n\n\n<p>Na vers\u00e3o atual hospedada, o Grad-CAM foi implementado de forma otimizada, com filtros Gaussianos e sobreposi\u00e7\u00e3o din\u00e2mica sobre a imagem original.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\">\ud83e\udde0 Modelo e desempenho<\/h2>\n\n\n\n<p>O modelo TFLite empregado foi treinado sobre um conjunto de radiografias p\u00fablicas contendo classes <strong>Normal<\/strong> e <strong>Pneumonia<\/strong>.<br>Ap\u00f3s a convers\u00e3o e calibra\u00e7\u00e3o, a vers\u00e3o reduzida mant\u00e9m uma <strong>acur\u00e1cia aproximada de 90%<\/strong>, acertando <strong>9 de 10 amostras de teste<\/strong>, conforme demonstrado na aplica\u00e7\u00e3o online.<\/p>\n\n\n\n<p>Por se tratar de uma vers\u00e3o compacta, o desempenho \u00e9 balanceado para priorizar <strong>velocidade de resposta<\/strong> e <strong>portabilidade<\/strong> em detrimento de profundidade de rede.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\">\u2699\ufe0f Desafios t\u00e9cnicos do deploy<\/h2>\n\n\n\n<p>Durante o desenvolvimento da arquitetura de produ\u00e7\u00e3o, alguns desafios t\u00e9cnicos foram enfrentados e superados:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Ajuste das rotas de arquivos est\u00e1ticos e tempor\u00e1rios (samples \/ temp);<\/li>\n\n\n\n<li>Gera\u00e7\u00e3o din\u00e2mica de URLs baseadas no dom\u00ednio p\u00fablico (em vez de localhost);<\/li>\n\n\n\n<li>Corre\u00e7\u00e3o de CORS e integra\u00e7\u00e3o entre React e FastAPI;<\/li>\n\n\n\n<li>Limita\u00e7\u00e3o de recursos do plano gratuito do Render (cold start, timeout e mem\u00f3ria);<\/li>\n\n\n\n<li>Convers\u00e3o e teste do modelo TensorFlow \u2192 TensorFlow Lite.<\/li>\n<\/ul>\n\n\n\n<p>Essas etapas garantiram a estabilidade da aplica\u00e7\u00e3o e a compatibilidade entre os ambientes local e remoto.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\">\ud83e\udded Considera\u00e7\u00f5es finais<\/h2>\n\n\n\n<p>Este projeto refor\u00e7a o poder da Intelig\u00eancia Artificial aplicada \u00e0 \u00e1rea da sa\u00fade e mostra como modelos explic\u00e1veis podem auxiliar profissionais e estudantes na interpreta\u00e7\u00e3o de exames.<\/p>\n\n\n\n<p><strong>Importante:<\/strong> trata-se de uma aplica\u00e7\u00e3o <strong>educacional e demonstrativa<\/strong>, sem uso cl\u00ednico real.<br>O objetivo \u00e9 inspirar pesquisadores, estudantes e desenvolvedores a compreenderem o potencial e os desafios da IA em diagn\u00f3sticos m\u00e9dicos.<\/p>\n\n\n\n<p><a href=\"https:\/\/marconivieira.com.br\/index.php\/portfolio\/\"><strong>Voltar ao Portf\u00f3lio de Projetos<\/strong><\/a><\/p>\n\n\n\n<p><\/p>\n","protected":false},"excerpt":{"rendered":"<p>Fundamenta\u00e7\u00e3o Cient\u00edfica \u2013 Diagn\u00f3stico de Pneumonia em Radiografias de T\u00f3rax A pneumonia \u00e9 uma infec\u00e7\u00e3o que atinge os pulm\u00f5es, provocando inflama\u00e7\u00e3o nos alv\u00e9olos, que podem se encher de l\u00edquido ou pus. \u00c9 uma das principais causas de morbidade e mortalidade no mundo, sendo o diagn\u00f3stico precoce essencial para o tratamento eficaz. Papel da Radiografia de [&hellip;]<\/p>\n","protected":false},"author":1,"featured_media":793,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[422],"tags":[436,424,431,440,435,430,427,438,437,269,434,425,439,428,423,432,429,433,426],"class_list":["post-792","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-portfolio","tag-aprendizado-supervisionado","tag-ciencia-de-dados","tag-classificacao-de-imagens-medicas","tag-classificacao-de-pneumonia-em-raio-x-com-python","tag-dataset-kaggle","tag-deep-learning-em-saude","tag-diagnostico-por-imagem","tag-explainable-ai","tag-grad-cam","tag-inteligencia-artificial","tag-keras","tag-machine-learning","tag-modelo-de-deep-learning-para-radiologia","tag-pneumonia","tag-portfolio-de-projetos","tag-python","tag-raio-x","tag-tensorflow","tag-visao-computacional"],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v24.9 - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>Diagn\u00f3stico de Pneumonia em Raio-X [Portf\u00f3lio de Projetos] - Marconi Fabio Vieira, PMP<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/marconivieira.com.br\/index.php\/2025\/09\/13\/diagnostico-de-pneumonia-em-raio-x\/\" \/>\n<meta property=\"og:locale\" content=\"pt_BR\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Diagn\u00f3stico de Pneumonia em Raio-X [Portf\u00f3lio de Projetos] - Marconi Fabio Vieira, PMP\" \/>\n<meta property=\"og:description\" content=\"Fundamenta\u00e7\u00e3o Cient\u00edfica \u2013 Diagn\u00f3stico de Pneumonia em Radiografias de T\u00f3rax A pneumonia \u00e9 uma infec\u00e7\u00e3o que atinge os pulm\u00f5es, provocando inflama\u00e7\u00e3o nos alv\u00e9olos, que podem se encher de l\u00edquido ou pus. \u00c9 uma das principais causas de morbidade e mortalidade no mundo, sendo o diagn\u00f3stico precoce essencial para o tratamento eficaz. Papel da Radiografia de [&hellip;]\" \/>\n<meta property=\"og:url\" content=\"https:\/\/marconivieira.com.br\/index.php\/2025\/09\/13\/diagnostico-de-pneumonia-em-raio-x\/\" \/>\n<meta property=\"og:site_name\" content=\"Marconi Fabio Vieira, PMP\" \/>\n<meta property=\"article:published_time\" content=\"2025-09-13T21:05:55+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2025-10-29T23:12:29+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/marconivieira.com.br\/wp-content\/uploads\/2025\/09\/pneumonia.jpeg\" \/>\n\t<meta property=\"og:image:width\" content=\"1256\" \/>\n\t<meta property=\"og:image:height\" content=\"864\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/jpeg\" \/>\n<meta name=\"author\" content=\"marconivieira\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Escrito por\" \/>\n\t<meta name=\"twitter:data1\" content=\"marconivieira\" \/>\n\t<meta name=\"twitter:label2\" content=\"Est. tempo de leitura\" \/>\n\t<meta name=\"twitter:data2\" content=\"17 minutos\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\/\/marconivieira.com.br\/index.php\/2025\/09\/13\/diagnostico-de-pneumonia-em-raio-x\/\",\"url\":\"https:\/\/marconivieira.com.br\/index.php\/2025\/09\/13\/diagnostico-de-pneumonia-em-raio-x\/\",\"name\":\"Diagn\u00f3stico de Pneumonia em Raio-X [Portf\u00f3lio de Projetos] - Marconi Fabio Vieira, PMP\",\"isPartOf\":{\"@id\":\"https:\/\/marconivieira.com.br\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\/\/marconivieira.com.br\/index.php\/2025\/09\/13\/diagnostico-de-pneumonia-em-raio-x\/#primaryimage\"},\"image\":{\"@id\":\"https:\/\/marconivieira.com.br\/index.php\/2025\/09\/13\/diagnostico-de-pneumonia-em-raio-x\/#primaryimage\"},\"thumbnailUrl\":\"https:\/\/marconivieira.com.br\/wp-content\/uploads\/2025\/09\/pneumonia.jpeg\",\"datePublished\":\"2025-09-13T21:05:55+00:00\",\"dateModified\":\"2025-10-29T23:12:29+00:00\",\"author\":{\"@id\":\"https:\/\/marconivieira.com.br\/#\/schema\/person\/ecda8bc0143a3594d0d84bb876790b4c\"},\"breadcrumb\":{\"@id\":\"https:\/\/marconivieira.com.br\/index.php\/2025\/09\/13\/diagnostico-de-pneumonia-em-raio-x\/#breadcrumb\"},\"inLanguage\":\"pt-BR\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/marconivieira.com.br\/index.php\/2025\/09\/13\/diagnostico-de-pneumonia-em-raio-x\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"pt-BR\",\"@id\":\"https:\/\/marconivieira.com.br\/index.php\/2025\/09\/13\/diagnostico-de-pneumonia-em-raio-x\/#primaryimage\",\"url\":\"https:\/\/marconivieira.com.br\/wp-content\/uploads\/2025\/09\/pneumonia.jpeg\",\"contentUrl\":\"https:\/\/marconivieira.com.br\/wp-content\/uploads\/2025\/09\/pneumonia.jpeg\",\"width\":1256,\"height\":864},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/marconivieira.com.br\/index.php\/2025\/09\/13\/diagnostico-de-pneumonia-em-raio-x\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"In\u00edcio\",\"item\":\"https:\/\/marconivieira.com.br\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Diagn\u00f3stico de Pneumonia em Raio-X [Portf\u00f3lio de Projetos]\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/marconivieira.com.br\/#website\",\"url\":\"https:\/\/marconivieira.com.br\/\",\"name\":\"Marconi Fabio Vieira, PMP\",\"description\":\"Livros e Artigos que Edificam\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/marconivieira.com.br\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"pt-BR\"},{\"@type\":\"Person\",\"@id\":\"https:\/\/marconivieira.com.br\/#\/schema\/person\/ecda8bc0143a3594d0d84bb876790b4c\",\"name\":\"marconivieira\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"pt-BR\",\"@id\":\"https:\/\/marconivieira.com.br\/#\/schema\/person\/image\/\",\"url\":\"https:\/\/secure.gravatar.com\/avatar\/87e78cc6508dce8559a41de4d1bc77be10e5bf347e873fa9c483811e38b5b190?s=96&d=mm&r=g\",\"contentUrl\":\"https:\/\/secure.gravatar.com\/avatar\/87e78cc6508dce8559a41de4d1bc77be10e5bf347e873fa9c483811e38b5b190?s=96&d=mm&r=g\",\"caption\":\"marconivieira\"},\"sameAs\":[\"https:\/\/marconivieira.com.br\"],\"url\":\"https:\/\/marconivieira.com.br\/index.php\/author\/marconivieira\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Diagn\u00f3stico de Pneumonia em Raio-X [Portf\u00f3lio de Projetos] - Marconi Fabio Vieira, PMP","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/marconivieira.com.br\/index.php\/2025\/09\/13\/diagnostico-de-pneumonia-em-raio-x\/","og_locale":"pt_BR","og_type":"article","og_title":"Diagn\u00f3stico de Pneumonia em Raio-X [Portf\u00f3lio de Projetos] - Marconi Fabio Vieira, PMP","og_description":"Fundamenta\u00e7\u00e3o Cient\u00edfica \u2013 Diagn\u00f3stico de Pneumonia em Radiografias de T\u00f3rax A pneumonia \u00e9 uma infec\u00e7\u00e3o que atinge os pulm\u00f5es, provocando inflama\u00e7\u00e3o nos alv\u00e9olos, que podem se encher de l\u00edquido ou pus. \u00c9 uma das principais causas de morbidade e mortalidade no mundo, sendo o diagn\u00f3stico precoce essencial para o tratamento eficaz. Papel da Radiografia de [&hellip;]","og_url":"https:\/\/marconivieira.com.br\/index.php\/2025\/09\/13\/diagnostico-de-pneumonia-em-raio-x\/","og_site_name":"Marconi Fabio Vieira, PMP","article_published_time":"2025-09-13T21:05:55+00:00","article_modified_time":"2025-10-29T23:12:29+00:00","og_image":[{"width":1256,"height":864,"url":"https:\/\/marconivieira.com.br\/wp-content\/uploads\/2025\/09\/pneumonia.jpeg","type":"image\/jpeg"}],"author":"marconivieira","twitter_card":"summary_large_image","twitter_misc":{"Escrito por":"marconivieira","Est. tempo de leitura":"17 minutos"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/marconivieira.com.br\/index.php\/2025\/09\/13\/diagnostico-de-pneumonia-em-raio-x\/","url":"https:\/\/marconivieira.com.br\/index.php\/2025\/09\/13\/diagnostico-de-pneumonia-em-raio-x\/","name":"Diagn\u00f3stico de Pneumonia em Raio-X [Portf\u00f3lio de Projetos] - Marconi Fabio Vieira, PMP","isPartOf":{"@id":"https:\/\/marconivieira.com.br\/#website"},"primaryImageOfPage":{"@id":"https:\/\/marconivieira.com.br\/index.php\/2025\/09\/13\/diagnostico-de-pneumonia-em-raio-x\/#primaryimage"},"image":{"@id":"https:\/\/marconivieira.com.br\/index.php\/2025\/09\/13\/diagnostico-de-pneumonia-em-raio-x\/#primaryimage"},"thumbnailUrl":"https:\/\/marconivieira.com.br\/wp-content\/uploads\/2025\/09\/pneumonia.jpeg","datePublished":"2025-09-13T21:05:55+00:00","dateModified":"2025-10-29T23:12:29+00:00","author":{"@id":"https:\/\/marconivieira.com.br\/#\/schema\/person\/ecda8bc0143a3594d0d84bb876790b4c"},"breadcrumb":{"@id":"https:\/\/marconivieira.com.br\/index.php\/2025\/09\/13\/diagnostico-de-pneumonia-em-raio-x\/#breadcrumb"},"inLanguage":"pt-BR","potentialAction":[{"@type":"ReadAction","target":["https:\/\/marconivieira.com.br\/index.php\/2025\/09\/13\/diagnostico-de-pneumonia-em-raio-x\/"]}]},{"@type":"ImageObject","inLanguage":"pt-BR","@id":"https:\/\/marconivieira.com.br\/index.php\/2025\/09\/13\/diagnostico-de-pneumonia-em-raio-x\/#primaryimage","url":"https:\/\/marconivieira.com.br\/wp-content\/uploads\/2025\/09\/pneumonia.jpeg","contentUrl":"https:\/\/marconivieira.com.br\/wp-content\/uploads\/2025\/09\/pneumonia.jpeg","width":1256,"height":864},{"@type":"BreadcrumbList","@id":"https:\/\/marconivieira.com.br\/index.php\/2025\/09\/13\/diagnostico-de-pneumonia-em-raio-x\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"In\u00edcio","item":"https:\/\/marconivieira.com.br\/"},{"@type":"ListItem","position":2,"name":"Diagn\u00f3stico de Pneumonia em Raio-X [Portf\u00f3lio de Projetos]"}]},{"@type":"WebSite","@id":"https:\/\/marconivieira.com.br\/#website","url":"https:\/\/marconivieira.com.br\/","name":"Marconi Fabio Vieira, PMP","description":"Livros e Artigos que Edificam","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/marconivieira.com.br\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"pt-BR"},{"@type":"Person","@id":"https:\/\/marconivieira.com.br\/#\/schema\/person\/ecda8bc0143a3594d0d84bb876790b4c","name":"marconivieira","image":{"@type":"ImageObject","inLanguage":"pt-BR","@id":"https:\/\/marconivieira.com.br\/#\/schema\/person\/image\/","url":"https:\/\/secure.gravatar.com\/avatar\/87e78cc6508dce8559a41de4d1bc77be10e5bf347e873fa9c483811e38b5b190?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/87e78cc6508dce8559a41de4d1bc77be10e5bf347e873fa9c483811e38b5b190?s=96&d=mm&r=g","caption":"marconivieira"},"sameAs":["https:\/\/marconivieira.com.br"],"url":"https:\/\/marconivieira.com.br\/index.php\/author\/marconivieira\/"}]}},"_links":{"self":[{"href":"https:\/\/marconivieira.com.br\/index.php\/wp-json\/wp\/v2\/posts\/792","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/marconivieira.com.br\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/marconivieira.com.br\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/marconivieira.com.br\/index.php\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/marconivieira.com.br\/index.php\/wp-json\/wp\/v2\/comments?post=792"}],"version-history":[{"count":24,"href":"https:\/\/marconivieira.com.br\/index.php\/wp-json\/wp\/v2\/posts\/792\/revisions"}],"predecessor-version":[{"id":944,"href":"https:\/\/marconivieira.com.br\/index.php\/wp-json\/wp\/v2\/posts\/792\/revisions\/944"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/marconivieira.com.br\/index.php\/wp-json\/wp\/v2\/media\/793"}],"wp:attachment":[{"href":"https:\/\/marconivieira.com.br\/index.php\/wp-json\/wp\/v2\/media?parent=792"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/marconivieira.com.br\/index.php\/wp-json\/wp\/v2\/categories?post=792"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/marconivieira.com.br\/index.php\/wp-json\/wp\/v2\/tags?post=792"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}