File size: 2,678 Bytes
41be8cb | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 | import nibabel as nib
import numpy as np
import os
import cv2
def run(files):
data = []
for f in files:
img = nib.load(f).get_fdata()
data.append(img)
seg = np.zeros_like(data[0], dtype=np.uint8)
# Segmentation fictive (tu remplaceras par ton modèle réel)
seg[data[0] > np.percentile(data[0], 99)] = 4 # Enhancing Tumor (ET)
seg[data[1] > np.percentile(data[1], 99)] = 1 # NCR/NET
seg[data[2] > np.percentile(data[2], 99)] = 2 # Edema
voxel_volume_ml = np.prod(nib.load(files[0]).header.get_zooms()) / 1000.0
voxels = int((seg > 0).sum())
volume_ml = voxels * voxel_volume_ml
# Décomposition par classes
ncr_voxels = int((seg == 1).sum())
ed_voxels = int((seg == 2).sum())
et_voxels = int((seg == 4).sum())
ncr_vol = ncr_voxels * voxel_volume_ml
ed_vol = ed_voxels * voxel_volume_ml
et_vol = et_voxels * voxel_volume_ml
# Rapport enrichi
report_text = f"""
==== Compte-rendu automatique de segmentation ====
Modalités utilisées : FLAIR, T1, T1CE, T2
--- Volumétrie ---
Volume tumoral total : {volume_ml:.2f} ml ({voxels} voxels)
- Nécrose / non rehaussé (NCR/NET) : {ncr_vol:.2f} ml ({ncr_voxels} voxels)
- Œdème péri-tumoral (ED) : {ed_vol:.2f} ml ({ed_voxels} voxels)
- Masse rehaussée (ET) : {et_vol:.2f} ml ({et_voxels} voxels)
--- Interprétation clinique ---
- Masse suspectée détectée.
{ "- Présence de zones nécrotiques." if ncr_voxels > 0 else "" }
{ "- Œdème détecté." if ed_voxels > 0 else "" }
{ "- Rehaussement détecté → suspicion de tumeur de haut grade." if et_voxels > 0 else "- Pas de rehaussement visible." }
- Volume > 100 ml → effet de masse probable.
--- Recommandations ---
1. Discussion multidisciplinaire (neuro-oncologie).
2. IRM avec injection + séquence de perfusion si dispo.
3. Biopsie/examen histologique recommandé.
⚠️ Rapport généré automatiquement, non destiné à remplacer un avis médical.
"""
# Sauvegardes dans /tmp
output_dir = "/tmp/output"
os.makedirs(output_dir, exist_ok=True)
nii_path = os.path.join(output_dir, "irm_image.nii.gz")
report_path = os.path.join(output_dir, "rapport.txt")
mask_path = os.path.join(output_dir, "mask_preview.png")
nib.save(nib.Nifti1Image(data[0], np.eye(4)), nii_path)
with open(report_path, "w") as f: f.write(report_text)
# Sauvegarde du masque visible (couleur)
slice_idx = seg.shape[2] // 2
mask_rgb = cv2.applyColorMap((seg[:,:,slice_idx] * 60).astype(np.uint8), cv2.COLORMAP_JET)
cv2.imwrite(mask_path, mask_rgb)
return seg, report_text, (nii_path, report_path, mask_path)
|