precheck_model.py

"""
precheck_model.py
------------------
Model Pre-Check (gatekeeper) berbasis EfficientNet-B0.

Sesuai proposal, salah satu kebaruan utama proyek ini adalah modul pre-check
BERBASIS EfficientNet-B0 (bukan Vision Transformer) untuk memverifikasi bahwa
citra yang diunggah benar-benar CT-Scan/MRI otak yang valid, sebelum diteruskan
ke model klasifikasi utama (BrainHybridModel). Tujuannya mengurangi risiko
"halusinasi" model saat menerima citra non-otak atau modalitas yang tidak sesuai.

Klasifikasi biner: indeks 0 = Invalid, indeks 1 = Valid.
"""

import torch
import torch.nn as nn

try:
    from torchvision.models import efficientnet_b0, EfficientNet_B0_Weights
    HAS_WEIGHTS = True
except ImportError:
    from torchvision.models import efficientnet_b0
    HAS_WEIGHTS = False


class BrainPreCheckModel(nn.Module):
    """
    Pre-Check Model berbasis EfficientNet-B0 (pretrained ImageNet) sebagai
    backbone ekstraksi fitur, dengan head klasifikasi biner (Valid vs Invalid).

    Nama atribut `backbone` dan `classifier` sengaja dipertahankan (sama seperti
    versi sebelumnya) agar kompatibel dengan train_precheck.py, yang membekukan
    `model.backbone` dan hanya melatih `model.classifier`.
    """

    def __init__(self):
        super(BrainPreCheckModel, self).__init__()

        # Backbone EfficientNet-B0 (pretrained ImageNet)
        if HAS_WEIGHTS:
            self.backbone = efficientnet_b0(weights=EfficientNet_B0_Weights.DEFAULT)
        else:
            self.backbone = efficientnet_b0(pretrained=True)

        # EfficientNet-B0 classifier bawaan: Sequential(Dropout, Linear(1280, 1000))
        in_features = self.backbone.classifier[1].in_features  # 1280
        self.backbone.classifier = nn.Identity()

        # Head klasifikasi biner: Valid (1) vs Invalid (0)
        self.classifier = nn.Sequential(
            nn.LayerNorm(in_features),
            nn.Linear(in_features, 2),
        )

    def forward(self, x):
        feats = self.backbone(x)       # [B, 1280]
        return self.classifier(feats)  # [B, 2]


if __name__ == "__main__":
    # Uji coba apakah arsitektur model berhasil dimuat tanpa error
    model = BrainPreCheckModel()
    dummy_input = torch.randn(1, 3, 224, 224)  # Simulasi 1 gambar ukuran 224x224
    output = model(dummy_input)
    print(f"✨ Model Pre-Check (EfficientNet-B0) Sukses Dibuat! Ukuran Output: {output.shape}")