Spleen Segmentation (ม้าม)

.idea/.gitignore

@@ -0,0 +1,8 @@
+# Default ignored files
+/shelf/
+/workspace.xml
+# Editor-based HTTP Client requests
+/httpRequests/
+# Datasource local storage ignored files
+/dataSources/
+/dataSources.local.xml

.idea/inspectionProfiles/Project_Default.xml

@@ -0,0 +1,6 @@
+<component name="InspectionProjectProfileManager">
+  <profile version="1.0">
+    <option name="myName" value="Project Default" />
+    <inspection_tool class="Eslint" enabled="true" level="WARNING" enabled_by_default="true" />
+  </profile>
+</component>

.idea/misc.xml

@@ -0,0 +1,9 @@
+<?xml version="1.0" encoding="UTF-8"?>
+<project version="4">
+  <component name="Black">
+    <option name="sdkName" value="Python 3.12" />
+  </component>
+  <component name="ProjectRootManager" version="2" languageLevel="JDK_21" default="true" project-jdk-name="Python 3.12 (2)" project-jdk-type="Python SDK">
+    <output url="file://$PROJECT_DIR$/out" />
+  </component>
+</project>

.idea/modules.xml

@@ -0,0 +1,8 @@
+<?xml version="1.0" encoding="UTF-8"?>
+<project version="4">
+  <component name="ProjectModuleManager">
+    <modules>
+      <module fileurl="file://$PROJECT_DIR$/.idea/monorepo-starter-template.iml" filepath="$PROJECT_DIR$/.idea/monorepo-starter-template.iml" />
+    </modules>
+  </component>
+</project>

.idea/monorepo-starter-template.iml

@@ -0,0 +1,9 @@
+<?xml version="1.0" encoding="UTF-8"?>
+<module type="JAVA_MODULE" version="4">
+  <component name="NewModuleRootManager" inherit-compiler-output="true">
+    <exclude-output />
+    <content url="file://$MODULE_DIR$" />
+    <orderEntry type="jdk" jdkName="Python 3.12" jdkType="Python SDK" />
+    <orderEntry type="sourceFolder" forTests="false" />
+  </component>
+</module>

.idea/vcs.xml

@@ -0,0 +1,6 @@
+<?xml version="1.0" encoding="UTF-8"?>
+<project version="4">
+  <component name="VcsDirectoryMappings">
+    <mapping directory="" vcs="Git" />
+  </component>
+</project>

README.md

@@ -71,3 +71,48 @@ docker compose up -d cockroach-1 cockroach-2 cockroach-3 init-cluster redis mini
     docker compose up -d
    ```
 คำสั่ง docker compose down -v จะลบ Volume และฐานข้อมูลทั้งหมด ใช้เฉพาะตอนต้องการเริ่มต้นฐานข้อมูลใหม่
+
+
+# บริการโมเดล AI ทางการแพทย์ (Medical AI Models)
+
+โครงการนี้มุ่งมั่นที่จะนำเสนอโมเดล AI คุณภาพสูงเพื่อช่วยในการวิเคราะห์ภาพทางการแพทย์
+
+➡️ **สถานะ:** กำลังพัฒนาโมเดลใหม่ ๆ เพิ่มเติมอย่างต่อเนื่อง
+
+---
+
+## 1. ⚙️ Spleen Segmentation (ม้าม)
+
+### ภาพรวม
+
+API นี้ให้บริการ **Segmentation** (การระบุขอบเขต) ของอวัยวะ **ม้าม** จากไฟล์ภาพ CT (NIfTI format) โดยเฉพาะ โดยใช้โมเดล **MONAI UNet** ที่ผ่านการฝึกฝนมาเพื่อตอบโจทย์ทางคลินิก
+
+### ตอบคำถาม: "ม้ามอยู่ที่ไหนและมีปริมาตรเท่าไหร่ในภาพนี้"
+
+บริการนี้ถูกออกแบบมาเพื่อส่งคืนข้อมูลที่สำคัญสำหรับรายงานทางการแพทย์โดยอัตโนมัติ:
+
+1.  **การระบุตำแหน่ง:** ตำแหน่งของม้ามถูกระบุผ่าน **Segmentation Map** ซึ่งแสดงตำแหน่งของม้ามในระบบพิกัด RAS ที่ได้มาตรฐาน
+2.  **การคำนวณปริมาตร:** คำนวณปริมาตรของม้ามในหน่วยลูกบาศก์เซนติเมตร ($\text{cm}^3$) โดยใช้ข้อมูล Voxel Spacing
+3.  **การวิเคราะห์ม้ามโต (Splenomegaly):** ประเมินขนาดม้ามตามเกณฑ์มาตรฐาน และส่งคืนผลการวินิจฉัยเบื้องต้น (เช่น Normal Spleen Size, Borderline Enlarged, หรือ Splenomegaly Detected)
+
+### Endpoint
+
+| Method | Path | Description |
+| :--- | :--- | :--- |
+| `POST` | `/inference/spleen` | รับไฟล์ NIfTI และส่งคืนผลลัพธ์ Segmentation และ Volume Analysis |
+
+### 🛠️ เทคโนโลยีโมเดล
+
+* **เฟรมเวิร์ก:** MONAI / PyTorch
+* **ไฟล์โมเดล:** `spleen_ct_spleen_model.ts` (โหลดจาก MinIO)
+* **Input:** 3D CT Scan (NIfTI)
+* **Output:** JSON ที่มีปริมาตร ($\text{cm}^3$) และการวินิจฉัยม้ามโต
+
+---
+
+## 2. ⏳ โมเดลที่กำลังพัฒนา
+
+เราวางแผนที่จะขยายบริการไปยังอวัยวะและพยาธิสภาพอื่น ๆ ในอนาคตอันใกล้ เช่น:
+* Liver and Tumor Segmentation
+* Kidney Segmentation
+* Lung Nodule Detection

ai-medical/app.py

@@ -4,10 +4,15 @@ import torch
 import logging
 import boto3
 from botocore.client import Config
-from fastapi import FastAPI, HTTPException
+from fastapi import FastAPI, HTTPException, UploadFile, File
 from contextlib import asynccontextmanager
 from pydantic_settings import BaseSettings
 
+import numpy as np
+import torch.nn.functional as F
+# MONAI Dependencies ที่จำเป็นสำหรับการประมวลผล
+from monai.inferers import sliding_window_inference
+from monai.transforms import Compose, LoadImage, EnsureChannelFirst, ScaleIntensityRange, SpatialPad, Spacing,Resize,CenterSpatialCrop, Orientation, NormalizeIntensity
 
 # --- Logging setup ---
 logger = logging.getLogger("uvicorn")
@@ -101,3 +106,131 @@ async def reload_model():
         return {"message": f"Model '{settings.MODEL_FILE}' reloaded successfully"}
     except Exception as e:
         raise HTTPException(status_code=500, detail=str(e))
+
+# --- 7. MONAI Inference Endpoint ---
+@app.post("/inference/spleen")
+async def spleen_segmentation(file: UploadFile = File(...)):
+    """
+    รับไฟล์ภาพทางการแพทย์ (NIfTI) และดำเนินการ Segmentation ม้าม
+    พร้อมคำนวณปริมาตรจริงและวิเคราะห์ภาวะม้ามโต
+    """
+    if model is None:
+        raise HTTPException(status_code=503, detail="Model is not loaded. Please wait or check logs.")
+
+    # เกณฑ์การวิเคราะห์ม้ามโต (Splenomegaly Thresholds)
+    SPLENOMEGALY_THRESHOLD_CM3 = 450.0
+
+    # 1. บันทึกไฟล์ที่ได้รับชั่วคราว
+    with tempfile.TemporaryDirectory() as temp_dir:
+        input_path = os.path.join(temp_dir, file.filename)
+
+        try:
+            content = await file.read()
+            with open(input_path, "wb") as f:
+                f.write(content)
+            logger.info(f"Received file: {file.filename} saved to {input_path}")
+        except Exception as e:
+            raise HTTPException(status_code=500, detail=f"Failed to read/save uploaded file: {e}")
+
+        # 2. Pre-processing, Load Image และดึง Voxel Spacing (NEW)
+        try:
+            target_spacing = (1.5, 1.5, 2.0)
+            target_size = (96, 96, 96) # roi_size ที่โมเดลคาดหวัง
+
+            # --- ดึง Original Spacing ก่อน Transform ---
+            try:
+                nifti_img = nib.load(input_path)
+                # Dims [1, 2, 3] คือ Spacing สำหรับ x, y, z (มักเป็น mm)
+                original_spacing_mm = tuple(nifti_img.header['pixdim'][1:4].tolist())
+                logger.info(f"Original Voxel Spacing (mm): {original_spacing_mm}")
+
+                # คำนวณปริมาตรของ 1 Voxel ในภาพเดิม (mm³)
+                original_voxel_volume_mm3 = float(np.prod(original_spacing_mm))
+            except Exception as e:
+                logger.warning(f"Failed to load NIfTI Header/Spacing via nibabel. Falling back to target_spacing for volume calculation. Error: {e}")
+                # หากดึง Spacing เดิมไม่ได้ ให้ใช้ Spacing ของภาพที่ Resample แล้วเป็นค่าประมาณ
+                original_voxel_volume_mm3 = float(np.prod(target_spacing))
+
+                # --- MONAI Transforms (Resampling to target_spacing เกิดขึ้นที่นี่) ---
+            transform = Compose([
+                LoadImage(image_only=True, ensure_channel_first=True, reader='NibabelReader'),
+                Orientation(axcodes='RAS'),
+                Spacing(pixdim=target_spacing, mode='bilinear'), # <--- Resampling ที่นี่!
+
+                NormalizeIntensity(subtrahend=None, divisor=None, channel_wise=False),
+                SpatialPad(spatial_size=target_size),
+                CenterSpatialCrop(roi_size=target_size),
+            ])
+
+            img_data = transform(input_path)
+
+            logger.info(f"Input shape after transform: {img_data.shape}, dtype: {img_data.dtype}, min={img_data.min().item():.4f}, max={img_data.max().item():.4f}")
+            input_tensor = torch.as_tensor(img_data, dtype=torch.float32, device=settings.DEVICE).unsqueeze(0)
+
+        except Exception as e:
+            logger.error(f"Pre-processing failed: {e}")
+            raise HTTPException(status_code=500, detail=f"Image Pre-processing Error: {e}")
+
+        # 3. Inference (Same)
+        # 4. Post-processing (Same)
+        model.eval()
+        with torch.no_grad():
+            roi_size = (96, 96, 96)
+            sw_batch_size = 4
+            prediction_raw = sliding_window_inference(
+                inputs=input_tensor, roi_size=roi_size, sw_batch_size=sw_batch_size,
+                predictor=model, overlap=0.5, mode="gaussian"
+            )
+
+            # ... (Softmax/Sigmoid/Argmax Logic - เหมือนเดิม) ...
+            if prediction_raw.shape[1] > 1:
+                prediction_prob = torch.softmax(prediction_raw, dim=1)
+                segmentation_map = torch.argmax(prediction_prob, dim=1).cpu().numpy()[0]
+            elif prediction_raw.shape[1] == 1:
+                prediction_prob = torch.sigmoid(prediction_raw)
+                segmentation_map = (prediction_prob > 0.5).cpu().numpy()[0, 0]
+            else:
+                raise RuntimeError(f"Unexpected model output channel count: {prediction_raw.shape[1]}")
+
+            unique_labels = np.unique(segmentation_map)
+            logger.info(f"Unique labels in segmentation map: {unique_labels}")
+
+        # 5. Post-processing (คำนวณสถิติและปริมาตรจริง) (MODIFIED)
+        if not isinstance(segmentation_map, np.ndarray) or segmentation_map.ndim != 3:
+            logger.error("Segmentation map is not a 3D numpy array.")
+            raise RuntimeError("Post-processing failed to produce a valid 3D map.")
+
+        spleen_voxels = int(np.sum(segmentation_map == 1))
+
+        # ต้อง Inverse Transform Segmentation Map กลับไปยัง Spacing เดิม
+        # อย่างไรก็ตาม ในการใช้งานจริง มักใช้ Voxel Volume ของ Resampled Image (ซึ่งมี Spacing คงที่)
+        # เนื่องจาก Monai/Inferer มักจะทำการ Resample ก่อน และ Volume Calculation ในงานวิจัย
+        # ส่วนใหญ่จะใช้น้ำหนัก Spacing หลัง Resample แล้ว (target_spacing) เพื่อรักษาความสม่ำเสมอ
+
+        # เราจะใช้ target_spacing เพื่อความสอดคล้องกับ Segmentation Map ที่ได้
+        resampled_voxel_volume_mm3 = float(np.prod(target_spacing))
+
+        # ปริมาตรม้าม (cm³) คำนวณจาก Voxel ที่ Segmented และ Spacing หลัง Resample
+        spleen_volume_cm3 = (spleen_voxels * resampled_voxel_volume_mm3) / 1000.0  # mm³ → cm³
+
+        # วินิจฉัย Splenomegaly
+        if spleen_volume_cm3 < 350:
+            diagnosis = "Normal Spleen Size"
+        elif 350 <= spleen_volume_cm3 < SPLENOMEGALY_THRESHOLD_CM3:
+            diagnosis = "Borderline Enlarged"
+        else:
+            diagnosis = "Splenomegaly Detected"
+
+        logger.info(f"Spleen volume: {spleen_volume_cm3:.2f} cm³ → {diagnosis}")
+
+        # 6. ส่งผลลัพธ์กลับ
+        return {
+            "filename": file.filename,
+            "status": "Success",
+            "spleen_voxels_count": spleen_voxels,
+            "resampled_voxel_volume_cm3": round(resampled_voxel_volume_mm3 / 1000.0, 6),
+            "estimated_spleen_volume_cm3": round(spleen_volume_cm3, 2),
+            "diagnosis": diagnosis,
+            "splenomegaly_threshold_cm3": SPLENOMEGALY_THRESHOLD_CM3,
+            "message": "Segmentation, volume calculation using resampled spacing, and splenomegaly analysis complete."
+        }