Update api_app.py

api_app.py

@@ -31,14 +31,7 @@ MODEL_FILENAME = "best_model.pth" # Nazwa pliku modelu w repozytorium
 DEVICE = torch.device("cuda" if torch.cuda.is_available() else "cpu")
 IMAGENET_MEAN = [0.485, 0.456, 0.406]
 IMAGENET_STD = [0.229, 0.224, 0.225]
-
-# --- Konfigurowalne progi (ze zmiennych środowiskowych z wartościami domyślnymi) ---
-COLORFULNESS_THRESHOLD = float(os.environ.get("COLORFULNESS_THRESHOLD", 15))
-UNIFORMITY_THRESHOLD = float(os.environ.get("UNIFORMITY_THRESHOLD", 10))
-ASPECT_RATIO_MIN = float(os.environ.get("ASPECT_RATIO_MIN", 0.4))
-ASPECT_RATIO_MAX = float(os.environ.get("ASPECT_RATIO_MAX", 2.5))
-MC_DROPOUT_SAMPLES = int(os.environ.get("MC_DROPOUT_SAMPLES", 25))
-UNCERTAINTY_THRESHOLD_STD = float(os.environ.get("UNCERTAINTY_THRESHOLD_STD", 0.08))
+# Progi będą teraz przekazywane jako parametry zapytania
 
 # Globalne zmienne dla modelu i transformacji
 model_instance = None
@@ -98,11 +91,11 @@ def initialize_model():
     logger.info(f"Model BI-RADS classifier initialized successfully on device: {DEVICE}")
 
 # --- Funkcja do predykcji z kwantyfikacją niepewności (MC Dropout) ---
-def predict_with_mc_dropout(current_model_instance, input_tensor_on_device): # Usunięto domyślne wartości, będą brane z globalnych zmiennych
+def predict_with_mc_dropout(current_model_instance, input_tensor_on_device, mc_dropout_samples: int, uncertainty_threshold_std: float): # Dodano parametry
     """
     Wykonuje predykcję z użyciem Monte Carlo Dropout do oszacowania niepewności.
     """
-    logger.info(f"Performing MC Dropout with {MC_DROPOUT_SAMPLES} samples. Uncertainty threshold (std): {UNCERTAINTY_THRESHOLD_STD}")
+    logger.info(f"Performing MC Dropout with {mc_dropout_samples} samples. Uncertainty threshold (std): {uncertainty_threshold_std}") # Użyj parametrów
 
     original_mode_is_training = current_model_instance.training
     current_model_instance.train()  # Włącz warstwy dropout
@@ -110,7 +103,7 @@ def predict_with_mc_dropout(current_model_instance, input_tensor_on_device): # U
     all_probs_list = []
     with torch.no_grad(): # Gradienty nie są potrzebne do samego przejścia w przód
         for _ in range(n_samples):
-            output = current_model_instance(input_tensor_on_device) # Użyj MC_DROPOUT_SAMPLES
+            output = current_model_instance(input_tensor_on_device) # Użyj mc_dropout_samples
             probs_tensor = torch.nn.functional.softmax(output, dim=1)
             all_probs_list.append(probs_tensor.cpu().numpy())
 
@@ -128,7 +121,7 @@ def predict_with_mc_dropout(current_model_instance, input_tensor_on_device): # U
     # Użyj średniej odchyleń standardowych prawdopodobieństw wszystkich klas jako metryki niepewności
     uncertainty_metric = np.mean(std_dev_probabilities) 
 
-    is_uncertain = uncertainty_metric > UNCERTAINTY_THRESHOLD_STD # Użyj UNCERTAINTY_THRESHOLD_STD
+    is_uncertain = uncertainty_metric > uncertainty_threshold_std # Użyj uncertainty_threshold_std
     logger.info(f"MC Dropout Results: Predicted Index: {predicted_class_index}, Confidence: {confidence_in_predicted_class:.4f}, Uncertainty (avg_std): {uncertainty_metric:.4f}, Is Uncertain: {is_uncertain}")
 
     birads_category_if_confident = predicted_class_index + 1
@@ -140,7 +133,7 @@ def predict_with_mc_dropout(current_model_instance, input_tensor_on_device): # U
         "class_probabilities": {str(j + 1): float(mean_probabilities[j]) for j in range(len(mean_probabilities))},
         "grad_cam_image_base64": None, # Zostanie wypełnione później, jeśli pewne
         "error": "High prediction uncertainty" if is_uncertain else None,
-        "details": f"Uncertainty metric ({uncertainty_metric:.4f}) {'przekroczyła' if is_uncertain else 'jest w granicach'} progu ({UNCERTAINTY_THRESHOLD_STD})."
+        "details": f"Uncertainty metric ({uncertainty_metric:.4f}) {'przekroczyła' if is_uncertain else 'jest w granicach'} progu ({uncertainty_threshold_std})." # Użyj uncertainty_threshold_std
     }
     return base_result, predicted_class_index # Zwróć również indeks dla Grad-CAM
 
@@ -187,10 +180,9 @@ def create_grad_cam_overlay_image(original_pil_image: Image.Image, grayscale_cam
         return None
 
 # --- Funkcja do heurystycznych testów OOD ---
-def run_heuristic_ood_checks(pil_image: Image.Image, request_id: str) -> bool:
+def run_heuristic_ood_checks(pil_image: Image.Image, request_id: str, colorfulness_threshold: float, uniformity_threshold: float, aspect_ratio_min: float, aspect_ratio_max: float) -> bool: # Dodano parametry
     """
     Wykonuje zestaw prostych heurystyk do wykrywania obrazów spoza dystrybucji.
-    Zwraca True, jeśli obraz przeszedł testy (prawdopodobnie jest OK), False jeśli nie.
     """
     logger.info(f"[RequestID: {request_id}] Uruchamianie heurystycznych testów OOD...")
     width, height = pil_image.size
@@ -198,8 +190,8 @@ def run_heuristic_ood_checks(pil_image: Image.Image, request_id: str) -> bool:
     # Heurystyka 1: Sprawdzenie proporcji obrazu
     aspect_ratio = width / height
     if not (ASPECT_RATIO_MIN < aspect_ratio < ASPECT_RATIO_MAX): # Użyj zmiennych konfiguracyjnych
-        logger.warning(f"[RequestID: {request_id}] Heurystyka OOD: Nietypowe proporcje obrazu: {aspect_ratio:.2f}. Odrzucam.")
-        return False
+        if not (aspect_ratio_min < aspect_ratio < aspect_ratio_max): # Użyj parametrów
+            return False
 
     # Heurystyka 2: Analiza "kolorowości" (dla obrazów RGB)
     # Mammografie są w skali szarości; jeśli obraz jest kolorowy, ta metryka będzie wysoka.
@@ -210,7 +202,7 @@ def run_heuristic_ood_checks(pil_image: Image.Image, request_id: str) -> bool:
     img_np_rgb = np.array(img_rgb_for_color_check)
     std_per_pixel_across_channels = np.std(img_np_rgb, axis=2) # Odch. std. dla każdego piksela po kanałach R,G,B
     mean_std_across_channels = np.mean(std_per_pixel_across_channels)
-    if mean_std_across_channels > COLORFULNESS_THRESHOLD: # Użyj zmiennej konfiguracyjnej
+    if mean_std_across_channels > colorfulness_threshold: # Użyj parametru
         logger.warning(f"[RequestID: {request_id}] Heurystyka OOD: Obraz wydaje się zbyt kolorowy. Średnie odch. std. między kanałami: {mean_std_across_channels:.2f}. Odrzucam.")
         return False
 
@@ -218,7 +210,7 @@ def run_heuristic_ood_checks(pil_image: Image.Image, request_id: str) -> bool:
     # Konwertujemy do skali szarości dla tej analizy
     gray_image = pil_image.convert('L')
     std_dev_intensity = np.std(np.array(gray_image))
-    if std_dev_intensity < UNIFORMITY_THRESHOLD: # Użyj zmiennej konfiguracyjnej
+    if std_dev_intensity < uniformity_threshold: # Użyj parametru
         logger.warning(f"[RequestID: {request_id}] Heurystyka OOD: Obraz wydaje się zbyt jednolity (mało zróżnicowania jasności). Odch. std. intensywności: {std_dev_intensity:.2f}. Odrzucam.")
         return False
     
@@ -246,14 +238,22 @@ async def startup_event():
     initialize_model()
 
 @app.post("/predict/", response_model=List[PredictionResult]) # Użycie modelu Pydantic
-async def predict_image(file: UploadFile = File(...)):
+# Dodano parametry zapytania z wartościami domyślnymi
+async def predict_image(
+    file: UploadFile = File(...),
+    colorfulness_threshold: float = 15.0,
+    uniformity_threshold: float = 10.0,
+    aspect_ratio_min: float = 0.4,
+    aspect_ratio_max: float = 2.5,
+    mc_dropout_samples: int = 25,
+    uncertainty_threshold_std: float = 0.08
+):
     """
     Endpoint do klasyfikacji obrazu mammograficznego.
-    Oczekuje pliku obrazu (JPG, PNG).
-    Zwraca listę z wynikami (nawet jeśli tylko jeden obraz).
     """
     request_id = os.urandom(8).hex() # Prosty identyfikator żądania
     logger.info(f"[RequestID: {request_id}] Otrzymano żądanie /predict/")
+    logger.info(f"[RequestID: {request_id}] Received parameters: colorfulness_threshold={colorfulness_threshold}, uniformity_threshold={uniformity_threshold}, aspect_ratio_min={aspect_ratio_min}, aspect_ratio_max={aspect_ratio_max}, mc_dropout_samples={mc_dropout_samples}, uncertainty_threshold_std={uncertainty_threshold_std}")
 
     if model_instance is None or transform_pipeline is None:
         logger.error(f"[RequestID: {request_id}] Model nie jest zainicjalizowany podczas żądania /predict/.")
@@ -269,14 +269,25 @@ async def predict_image(file: UploadFile = File(...)):
         # --- Etap: Heurystyczne testy OOD (PRE-FILTR) ---
         # Używamy .copy(), aby uniknąć potencjalnych modyfikacji oryginalnego obiektu image_pil_original
         # przez funkcję run_heuristic_ood_checks, jeśli by takie wykonywała (np. konwersje inplace).
-        if not run_heuristic_ood_checks(image_pil_original.copy(), request_id):
+        # Przekazujemy parametry do funkcji
+        if not run_heuristic_ood_checks(
+            image_pil_original.copy(), request_id,
+            colorfulness_threshold, uniformity_threshold, aspect_ratio_min, aspect_ratio_max
+        ):
             # Heurystyki wykryły problem
             return JSONResponse(
                 status_code=400, # Bad Request
-                content=[{ # API oczekuje listy wyników
-                    "error": "Image does not appear to be a valid medical mammogram based on initial checks.",
-                    "details": "Heurystyczne testy OOD nie powiodły się. Obraz odrzucony przed analizą przez model AI."
-                }]
+                content=[
+                    {
+                        "interpretation": "Obraz odrzucony przez wstępne testy heurystyczne. Nie wygląda na poprawny obraz medyczny.",
+                        "class_probabilities": {}, # Puste, bo nie było predykcji klas
+                        "error": "Image does not appear to be a valid medical mammogram based on initial checks.",
+                        "details": "Heurystyczne testy OOD nie powiodły się. Obraz odrzucony przed analizą przez model AI.",
+                        "birads": None,
+                        "confidence": None,
+                        "grad_cam_image_base64": None
+                    }
+                ]
             )
         image = image_pil_original.convert("RGB") # Teraz konwertuj do RGB dla modelu głównego
     except Exception as e:
@@ -293,7 +304,7 @@ async def predict_image(file: UploadFile = File(...)):
     mc_output_dict, predicted_idx_from_mc = predict_with_mc_dropout(
         model_instance,
         input_tensor,
-        # n_samples i uncertainty_threshold_std są teraz brane z globalnych zmiennych
+        mc_dropout_samples, uncertainty_threshold_std # Przekazujemy parametry
     )
 
     results = []