Update irm_cancer_module.py

irm_cancer_module.py

@@ -1,36 +1,35 @@
-import os
 import nibabel as nib
 import numpy as np
-
-def load_patient_data(files):
-    """Charge les 4 fichiers NIfTI (FLAIR, T1, T1CE, T2)."""
-    images = []
-    for f in files:
-        img = nib.load(f)
-        images.append(img.get_fdata())
-    return np.stack(images, axis=0)
+import os
+import cv2
 
 def run(files):
-    """
-    Exécute l'analyse IRM 3D.
-    Retourne : segmentation, rapport texte, et chemins (nii, rapport, mask).
-    """
-    # 📂 Dossier de sortie sécurisé
-    output_dir = "/tmp/irm_outputs"
-    os.makedirs(output_dir, exist_ok=True)
+    data = []
+    for f in files:
+        img = nib.load(f).get_fdata()
+        data.append(img)
 
-    # Charger les données
-    data = load_patient_data(files)
+    seg = np.zeros_like(data[0], dtype=np.uint8)
 
-    # Exemple segmentation factice (masque simple)
-    seg = (data[0] > np.percentile(data[0], 99)).astype(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
 
-    # Volumétrie
-    voxels = int(seg.sum())
-    voxel_volume_ml = 0.001  # ≈ volume fictif par voxel
+    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
 
-    # Rapport détaillé
+    # 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 ====
 
@@ -38,33 +37,38 @@ 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.
-- Volume > 100 ml → effet de masse probable, suivi neurochirurgical conseillé.
-- Possible nécrose/tissu non rehaussé si zones hypo-intenses détectées.
+{ "- 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 disponible.
+2. IRM avec injection + séquence de perfusion si dispo.
 3. Biopsie/examen histologique recommandé.
 
-⚠️ Rapport généré automatiquement, non destiné à remplacer un avis médical humain.
+⚠️ Rapport généré automatiquement, non destiné à remplacer un avis médical.
 """
 
-    # Sauvegardes
+    # 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, "segmentation_report.txt")
-    mask_path = os.path.join(output_dir, "mask_segmentation.nii.gz")
+    report_path = os.path.join(output_dir, "rapport.txt")
+    mask_path = os.path.join(output_dir, "mask_preview.png")
 
-    # Sauvegarder image de référence (ici FLAIR uniquement pour exemple)
     nib.save(nib.Nifti1Image(data[0], np.eye(4)), nii_path)
+    with open(report_path, "w") as f: f.write(report_text)
 
-    # Sauvegarder masque segmentation
-    nib.save(nib.Nifti1Image(seg, np.eye(4)), mask_path)
-
-    # Sauvegarder rapport texte
-    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)