Initial commit: project structure, scripts and documentation

scripts/Тема 2.1/segmentation.py

@@ -0,0 +1,734 @@
+# =============================================================================
+# ПОЛНЫЙ ОТЧЕТ ПО СЕГМЕНТАЦИИ ОПУХОЛЕЙ BRATS
+# ИСПРАВЛЕНА ВЕРСИЯ: НЕТ ПУСТЫХ ГРАФИКОВ
+# =============================================================================
+
+import numpy as np
+import matplotlib.pyplot as plt
+import nibabel as nib
+from pathlib import Path
+from datetime import datetime
+from scipy.ndimage import binary_closing, binary_opening, label, generate_binary_structure
+import warnings
+import base64
+from io import BytesIO
+
+warnings.filterwarnings('ignore')
+
+# =============================================================================
+# 1. КОНФИГУРАЦИЯ
+# =============================================================================
+
+DATA_ROOT = "D:/Radiomics_Data/Experiments/experiment-17-06-2026/Task01_BrainTumour/Task01_BrainTumour"
+
+IMAGES_TR = Path(DATA_ROOT) / "imagesTr"
+LABELS_TR = Path(DATA_ROOT) / "labelsTr"
+
+OUTPUT_DIR = Path(DATA_ROOT) / "radiomics_output" / "segmentation_full_report"
+OUTPUT_DIR.mkdir(parents=True, exist_ok=True)
+
+print("=" * 70)
+print("🧠 ГЕНЕРАЦИЯ ПОЛНОГО ОТЧЕТА ПО СЕГМЕНТАЦИИ")
+print("=" * 70)
+print(f"  Результаты: {OUTPUT_DIR}")
+print("=" * 70)
+
+
+# =============================================================================
+# 2. ФУНКЦИИ ДЛЯ РАБОТЫ С ДАННЫМИ
+# =============================================================================
+
+def is_valid_nifti_file(filepath):
+    name = filepath.name
+    if name.startswith('._'):
+        return False
+    if not name.endswith('.nii.gz'):
+        return False
+    if filepath.stat().st_size < 1000:
+        return False
+    return True
+
+
+def load_nifti(filepath):
+    if not is_valid_nifti_file(filepath):
+        raise ValueError(f"Файл не является валидным NIfTI: {filepath}")
+    img = nib.load(str(filepath))
+    return img.get_fdata(), img.affine
+
+
+def normalize_slice(slice_data):
+    slice_data = np.nan_to_num(slice_data)
+    min_val = slice_data.min()
+    max_val = slice_data.max()
+    if max_val > min_val:
+        return ((slice_data - min_val) / (max_val - min_val) * 255).astype(np.uint8)
+    return np.zeros_like(slice_data, dtype=np.uint8)
+
+
+def threshold_otsu_manual(image):
+    hist, _ = np.histogram(image, bins=256, range=(0, 256))
+    hist = hist.astype(float)
+    total = hist.sum()
+    hist_norm = hist / total
+
+    best_thresh = 0
+    best_var = 0
+
+    for t in range(1, 256):
+        w0 = hist_norm[:t].sum()
+        w1 = hist_norm[t:].sum()
+
+        if w0 == 0 or w1 == 0:
+            continue
+
+        mu0 = (np.arange(t) * hist_norm[:t]).sum() / w0
+        mu1 = (np.arange(t, 256) * hist_norm[t:]).sum() / w1
+        var_between = w0 * w1 * (mu0 - mu1) ** 2
+
+        if var_between > best_var:
+            best_var = var_between
+            best_thresh = t
+
+    return best_thresh
+
+
+def find_best_slice(image_data, axis=2):
+    best_score = 0
+    best_idx = 0
+
+    for i in range(image_data.shape[axis]):
+        if axis == 0:
+            slice_data = image_data[i, :, :]
+        elif axis == 1:
+            slice_data = image_data[:, i, :]
+        else:
+            slice_data = image_data[:, :, i]
+
+        slice_norm = normalize_slice(slice_data)
+        score = np.std(slice_norm) * np.max(slice_norm)
+
+        if score > best_score:
+            best_score = score
+            best_idx = i
+
+    return best_idx
+
+
+# =============================================================================
+# 3. МЕТОДЫ СОЗДАНИЯ МАСОК
+# =============================================================================
+
+def create_mask_by_threshold(image_slice, method='otsu'):
+    img_norm = normalize_slice(image_slice)
+
+    if method == 'otsu':
+        try:
+            from skimage.filters import threshold_otsu
+            thresh = threshold_otsu(img_norm)
+        except ImportError:
+            thresh = threshold_otsu_manual(img_norm)
+        mask = img_norm > thresh
+    elif method == 'mean':
+        thresh = np.mean(img_norm) + 0.5 * np.std(img_norm)
+        mask = img_norm > thresh
+    else:
+        mask = img_norm > np.percentile(img_norm, 85)
+
+    return mask
+
+
+def create_mask_by_gradient(image_slice):
+    img_norm = normalize_slice(image_slice).astype(float)
+    gy, gx = np.gradient(img_norm)
+    gradient = np.sqrt(gx ** 2 + gy ** 2)
+    grad_norm = normalize_slice(gradient)
+    thresh = np.percentile(grad_norm, 85)
+    mask = grad_norm > thresh
+    return mask
+
+
+def create_mask_combined(image_slice):
+    mask_intensity = create_mask_by_threshold(image_slice, 'otsu')
+    mask_gradient = create_mask_by_gradient(image_slice)
+    mask = mask_intensity & mask_gradient
+    return mask
+
+
+def postprocess_mask(mask, min_size=50):
+    struct = generate_binary_structure(2, 2)
+    labeled, num_features = label(mask, struct)
+
+    if num_features > 0:
+        sizes = np.bincount(labeled.ravel())
+        for i in range(1, num_features + 1):
+            if sizes[i] < min_size:
+                mask[labeled == i] = False
+
+    mask = binary_closing(mask, structure=struct, iterations=1)
+    mask = binary_opening(mask, structure=struct, iterations=1)
+    return mask
+
+
+# =============================================================================
+# 4. ФУНКЦИИ ДЛЯ ВИЗУАЛИЗАЦИИ (БЕЗ ПУСТЫХ ГРАФИКОВ)
+# =============================================================================
+
+def fig_to_base64(fig):
+    buf = BytesIO()
+    fig.savefig(buf, format='png', dpi=150, bbox_inches='tight')
+    buf.seek(0)
+    img_base64 = base64.b64encode(buf.read()).decode('utf-8')
+    buf.close()
+    plt.close(fig)
+    return img_base64
+
+
+def create_modality_comparison(image_data, patient_id, slice_idx):
+    """Создает график сравнения модальностей"""
+    fig, axes = plt.subplots(2, 4, figsize=(16, 8))
+
+    modalities = ['T1', 'T1c', 'T2', 'FLAIR']
+
+    for col, mod in enumerate(modalities):
+        slice_data = image_data[:, :, slice_idx, col]
+
+        # Исходное изображение
+        axes[0, col].imshow(normalize_slice(slice_data), cmap='gray')
+        axes[0, col].set_title(f'{mod}', fontsize=12)
+        axes[0, col].axis('off')
+
+        # Маска
+        mask = create_mask_combined(slice_data)
+        mask_processed = postprocess_mask(mask, min_size=50)
+
+        axes[1, col].imshow(normalize_slice(slice_data), cmap='gray')
+        axes[1, col].imshow(mask_processed, cmap='jet', alpha=0.5)
+        area = np.sum(mask_processed)
+        axes[1, col].set_title(f'Маска (пл. {area})', fontsize=10)
+        axes[1, col].axis('off')
+
+    plt.suptitle(f'Сегментация по модальностям - {patient_id}', fontsize=14, fontweight='bold')
+    plt.tight_layout()
+    return fig
+
+
+def create_method_comparison(slice_data, real_mask_slice, patient_id, slice_idx):
+    """Создает график сравнения методов сегментации (без пустых графиков)"""
+
+    has_real_mask = real_mask_slice is not None and np.sum(real_mask_slice) > 0
+
+    fig, axes = plt.subplots(2, 3, figsize=(15, 10))
+
+    # Верхний ряд
+    # 1. Исходное изображение
+    axes[0, 0].imshow(normalize_slice(slice_data), cmap='gray')
+    axes[0, 0].set_title('Исходное (T1c)', fontsize=12)
+    axes[0, 0].axis('off')
+
+    # 2. Реальная маска (если есть)
+    if has_real_mask:
+        axes[0, 1].imshow(normalize_slice(slice_data), cmap='gray')
+        axes[0, 1].imshow(real_mask_slice, cmap='hot', alpha=0.5)
+        area = np.sum(real_mask_slice)
+        axes[0, 1].set_title(f'Реальная маска\n(пл. {area})', fontsize=11)
+        axes[0, 1].axis('off')
+    else:
+        axes[0, 1].set_visible(False)
+
+    # 3. Пустой подграфик (скрываем)
+    axes[0, 2].set_visible(False)
+
+    # Нижний ряд: методы сегментации
+    mask_methods = [
+        ('otsu', create_mask_by_threshold(slice_data, 'otsu'), 'Порог Оцу'),
+        ('mean', create_mask_by_threshold(slice_data, 'mean'), 'Среднее+Std'),
+        ('combined', create_mask_combined(slice_data), 'Комбинир.')
+    ]
+
+    for col, (name, mask, label) in enumerate(mask_methods):
+        mask_processed = postprocess_mask(mask, min_size=50)
+        ax = axes[1, col]
+        ax.imshow(normalize_slice(slice_data), cmap='gray')
+        ax.imshow(mask_processed, cmap='jet', alpha=0.5)
+        area = np.sum(mask_processed)
+        ax.set_title(f'{label}\n(пл. {area})', fontsize=11)
+        ax.axis('off')
+
+    plt.suptitle(f'Создание маски - {patient_id}, срез {slice_idx}', fontsize=14, fontweight='bold')
+    plt.tight_layout()
+    return fig
+
+
+def create_comparison_patients(selected_patients):
+    """Создает сравнительный график для двух пациентов (без пустых графиков)"""
+
+    fig, axes = plt.subplots(2, 4, figsize=(16, 8))
+
+    methods_to_show = [
+        ('otsu', 'Порог Оцу'),
+        ('mean', 'Среднее+Std'),
+        ('combined', 'Комбинир.')
+    ]
+
+    for row, img_path in enumerate(selected_patients[:2]):
+        patient_id = img_path.stem.replace('.nii', '')
+
+        try:
+            image_data, _ = load_nifti(img_path)
+            slice_idx = find_best_slice(image_data, axis=2)
+
+            if image_data.ndim == 4:
+                slice_data = image_data[:, :, slice_idx, 1]  # T1c
+            else:
+                slice_data = image_data[:, :, slice_idx]
+        except:
+            continue
+
+        # Исходное изображение (столбец 0)
+        axes[row, 0].imshow(normalize_slice(slice_data), cmap='gray')
+        axes[row, 0].set_title(f'{patient_id}\nИсходное', fontsize=10)
+        axes[row, 0].axis('off')
+
+        # Методы сегментации (столбцы 1, 2, 3)
+        for col, (name, label_text) in enumerate(methods_to_show, start=1):
+            if name == 'otsu':
+                mask = create_mask_by_threshold(slice_data, 'otsu')
+            elif name == 'mean':
+                mask = create_mask_by_threshold(slice_data, 'mean')
+            else:
+                mask = create_mask_combined(slice_data)
+
+            mask_processed = postprocess_mask(mask, min_size=50)
+
+            axes[row, col].imshow(normalize_slice(slice_data), cmap='gray')
+            axes[row, col].imshow(mask_processed, cmap='jet', alpha=0.5)
+            area = np.sum(mask_processed)
+            axes[row, col].set_title(f'{label_text}\n(пл. {area})', fontsize=9)
+            axes[row, col].axis('off')
+
+    plt.suptitle('Сравнение методов сегментации', fontsize=16, fontweight='bold')
+    plt.tight_layout()
+    return fig
+
+
+# =============================================================================
+# 5. ГЕНЕРАЦИЯ HTML-ОТЧЕТА
+# =============================================================================
+
+def generate_html_report(patients_data, all_plots, selected_patients):
+    """Генерирует полный HTML-отчет с интерпретацией"""
+
+    interpretations = []
+
+    for patient_data in patients_data:
+        patient_id = patient_data['patient_id']
+        areas = patient_data['areas']
+
+        total = sum(areas.values())
+        max_mod = max(areas, key=areas.get)
+        min_mod = min(areas, key=areas.get)
+
+        interpretation = f"""
+        <div class="interpretation">
+            <h3>🧠 Пациент: {patient_id}</h3>
+            <table class="stats-table">
+                <tr><th>Параметр</th><th>Значение</th><th>Интерпретация</th></tr>
+                <tr>
+                    <td>Максимальная площадь</td>
+                    <td><b>{max_mod}</b> ({areas[max_mod]:,} пикселей)</td>
+                    <td>Наиболее полное отображение опухоли и перифокальных изменений</td>
+                </tr>
+                <tr>
+                    <td>Минимальная площадь</td>
+                    <td><b>{min_mod}</b> ({areas[min_mod]:,} пикселей)</td>
+                    <td>Отражает только активную опухолевую ткань без отека</td>
+                </tr>
+                <tr>
+                    <td>Общая площадь поражения</td>
+                    <td><b>{total:,}</b> пикселей</td>
+                    <td>Суммарная оценка распространенности процесса</td>
+                </tr>
+        """
+
+        if 'FLAIR' in areas and 'T1c' in areas:
+            ratio = areas['FLAIR'] / areas['T1c']
+            if ratio > 1.5:
+                interpretation += f"""
+                <tr>
+                    <td>Соотношение FLAIR/T1c</td>
+                    <td><b>{ratio:.2f}</b></td>
+                    <td>🔴 Выраженный перитуморальный отек (инфильтративный рост)</td>
+                </tr>
+                """
+            elif ratio > 1.0:
+                interpretation += f"""
+                <tr>
+                    <td>Соотношение FLAIR/T1c</td>
+                    <td><b>{ratio:.2f}</b></td>
+                    <td>🟡 Умеренный отек, границы опухоли нечеткие</td>
+                </tr>
+                """
+            else:
+                interpretation += f"""
+                <tr>
+                    <td>Соотношение FLAIR/T1c</td>
+                    <td><b>{ratio:.2f}</b></td>
+                    <td>🟢 Компактная опухоль, минимальный отек</td>
+                </tr>
+                """
+
+        if total > 30000:
+            growth = "🔴 Крупная опухоль, обширное поражение"
+        elif total > 20000:
+            growth = "🟡 Опухоль средних размеров"
+        else:
+            growth = "🟢 Относительно небольшая опухоль"
+
+        interpretation += f"""
+                <tr>
+                    <td>Характер роста</td>
+                    <td>{growth}</td>
+                    <td>Требуется оценка с учетом клинических данных</td>
+                </tr>
+            </table>
+
+            <div class="conclusion-box">
+                <div class="label">📊 КЛИНИЧЕСКАЯ ИНТЕРПРЕТАЦИЯ</div>
+                <div class="text">
+                    <p>У пациента <b>{patient_id}</b> выявлено новообразование головного мозга с 
+                    максимальной площадью поражения в режиме <b>{max_mod}</b> ({areas[max_mod]:,} пикселей).</p>
+                    <p>Активная опухолевая ткань (T1c) составляет <b>{areas.get('T1c', 0):,}</b> пикселей,
+                    что отражает нарушение гематоэнцефалического барьера.</p>
+                    <p>Перитуморальный отек (FLAIR) составляет <b>{areas.get('FLAIR', 0):,}</b> пикселей.
+                    {'Выраженный отек указывает на инфильтративный характер роста.' if areas.get('FLAIR', 0) > areas.get('T1c', 0) * 1.5 else 'Умеренный отек.'}</p>
+                    <p><b>Рекомендации:</b> Для точной оценки рекомендуется использование комбинированного 
+                    метода сегментации с учетом всех модальностей МРТ.</p>
+                </div>
+            </div>
+        </div>
+        """
+
+        interpretations.append(interpretation)
+
+    interpretation_html = "\n".join(interpretations)
+
+    # Генерация HTML
+    html = f"""
+<!DOCTYPE html>
+<html lang="ru">
+<head>
+    <meta charset="UTF-8">
+    <meta name="viewport" content="width=device-width, initial-scale=1.0">
+    <title>Полный отчет по сегментации опухолей BRATS</title>
+    <style>
+        * {{ margin: 0; padding: 0; box-sizing: border-box; }}
+        body {{ font-family: 'Segoe UI', Tahoma, Geneva, Verdana, sans-serif; background: #f0f2f5; padding: 20px; }}
+        .container {{ max-width: 1200px; margin: 0 auto; background: white; border-radius: 15px; box-shadow: 0 10px 40px rgba(0,0,0,0.1); padding: 40px; }}
+        h1 {{ color: #2c3e50; border-bottom: 3px solid #e74c3c; padding-bottom: 15px; margin-bottom: 30px; }}
+        h2 {{ color: #34495e; margin: 30px 0 15px 0; border-left: 4px solid #e74c3c; padding-left: 15px; }}
+        h3 {{ color: #2c3e50; margin: 20px 0 10px 0; }}
+        h4 {{ color: #34495e; margin: 15px 0 10px 0; }}
+        .meta {{ color: #7f8c8d; margin-bottom: 20px; font-size: 14px; }}
+
+        .summary-box {{ background: linear-gradient(135deg, #667eea 0%, #764ba2 100%); color: white; padding: 25px; border-radius: 12px; margin-bottom: 30px; display: grid; grid-template-columns: repeat(auto-fit, minmax(150px, 1fr)); gap: 20px; }}
+        .summary-box .item {{ text-align: center; }}
+        .summary-box .item .number {{ font-size: 28px; font-weight: bold; }}
+        .summary-box .item .label {{ font-size: 13px; opacity: 0.8; }}
+
+        .plot-container {{ background: #fafafa; border-radius: 10px; padding: 20px; margin-bottom: 25px; border: 1px solid #e8e8e8; }}
+        .plot-container img {{ width: 100%; height: auto; border-radius: 8px; }}
+
+        .interpretation {{ background: #f8f9fa; border-radius: 10px; padding: 25px; margin: 20px 0; border: 1px solid #e8e8e8; }}
+
+        .stats-table {{ width: 100%; border-collapse: collapse; margin: 15px 0; font-size: 14px; }}
+        .stats-table th {{ background: #3498db; color: white; padding: 10px 15px; text-align: left; }}
+        .stats-table td {{ padding: 10px 15px; border-bottom: 1px solid #e8e8e8; }}
+        .stats-table tr:hover {{ background: #f5f5f5; }}
+
+        .conclusion-box {{ background: #fff8e1; border-left: 4px solid #ffc107; padding: 15px 20px; border-radius: 8px; margin-top: 15px; }}
+        .conclusion-box .label {{ font-weight: bold; color: #e65100; font-size: 14px; }}
+        .conclusion-box .text {{ margin-top: 5px; font-size: 14px; line-height: 1.6; color: #333; }}
+        .conclusion-box .text p {{ margin: 5px 0; }}
+
+        .key-findings {{ background: #e8f5e9; border-radius: 12px; padding: 25px; margin-top: 30px; }}
+        .key-findings h3 {{ color: #2e7d32; margin-bottom: 15px; }}
+        .key-findings ul {{ list-style: none; padding: 0; }}
+        .key-findings ul li {{ padding: 8px 0; padding-left: 25px; position: relative; line-height: 1.5; }}
+        .key-findings ul li:before {{ content: "▸"; position: absolute; left: 0; color: #2e7d32; font-weight: bold; }}
+
+        .footer {{ text-align: center; margin-top: 30px; padding-top: 20px; border-top: 2px solid #e8e8e8; color: #95a5a6; font-size: 13px; }}
+
+        .method-comparison {{ display: grid; grid-template-columns: repeat(auto-fit, minmax(200px, 1fr)); gap: 15px; margin: 20px 0; }}
+        .method-card {{ background: #f8f9fa; padding: 15px; border-radius: 8px; text-align: center; border: 1px solid #e8e8e8; }}
+        .method-card .name {{ font-weight: bold; font-size: 16px; }}
+        .method-card .stars {{ color: #f39c12; font-size: 18px; margin: 5px 0; }}
+        .method-card .desc {{ font-size: 13px; color: #7f8c8d; }}
+        .method-card.best {{ border-color: #2ecc71; background: #f0fff4; }}
+
+        .legend {{ display: flex; gap: 20px; justify-content: center; margin: 20px 0; flex-wrap: wrap; }}
+        .legend-item {{ display: flex; align-items: center; gap: 8px; font-size: 14px; }}
+        .legend-color {{ width: 30px; height: 15px; border-radius: 3px; }}
+
+        .grid-2 {{ display: grid; grid-template-columns: 1fr 1fr; gap: 20px; }}
+
+        @media (max-width: 768px) {{
+            .grid-2 {{ grid-template-columns: 1fr; }}
+        }}
+    </style>
+</head>
+<body>
+    <div class="container">
+        <h1>🧠 Полный отчет по сегментации опухолей головного мозга</h1>
+        <div class="meta">
+            <strong>Дата:</strong> {datetime.now().strftime('%d.%m.%Y %H:%M')} &nbsp;|&nbsp;
+            <strong>Пациентов:</strong> {len(patients_data)} &nbsp;|&nbsp;
+            <strong>Модальности:</strong> T1, T1c, T2, FLAIR &nbsp;|&nbsp;
+            <strong>Методов сегментации:</strong> 4
+        </div>
+
+        <div class="summary-box">
+            <div class="item"><div class="number">{len(patients_data)}</div><div class="label">Пациентов</div></div>
+            <div class="item"><div class="number">4</div><div class="label">Модальности МРТ</div></div>
+            <div class="item"><div class="number">{len(all_plots)}</div><div class="label">Графиков</div></div>
+            <div class="item"><div class="number">3</div><div class="label">Методов сегментации</div></div>
+        </div>
+
+        <h2>1. Введение</h2>
+        <p>Данный отчет представляет результаты сегментации опухолей головного мозга на основе 
+        данных <b>BRATS (Brain Tumor Segmentation)</b>. Анализ выполнен для пациентов 
+        с использованием четырех модальностей МРТ: 
+        <b>T1</b> (анатомия), <b>T1c</b> (контрастное усиление), <b>T2</b> (отек + опухоль) и 
+        <b>FLAIR</b> (подавление сигнала от жидкости, наилучшая визуализация отека).</p>
+
+        <div class="legend">
+            <div class="legend-item">
+                <div class="legend-color" style="background: rgba(255,0,0,0.5);"></div>
+                <span>Опухоль (сегментация)</span>
+            </div>
+            <div class="legend-item">
+                <div class="legend-color" style="background: #888;"></div>
+                <span>Здоровые ткани</span>
+            </div>
+        </div>
+
+        <h2>2. Методы сегментации</h2>
+        <div class="method-comparison">
+            <div class="method-card">
+                <div class="name">Порог Оцу</div>
+                <div class="stars">★★★☆☆</div>
+                <div class="desc">Автоматический порог по гистограмме<br>Быстрый, но чувствителен к шуму</div>
+            </div>
+            <div class="method-card">
+                <div class="name">Среднее + Std</div>
+                <div class="stars">★★☆☆☆</div>
+                <div class="desc">Порог = среднее + 0.5×std<br>Простой, но не всегда оптимален</div>
+            </div>
+            <div class="method-card">
+                <div class="name">Градиентный</div>
+                <div class="stars">★★★☆☆</div>
+                <div class="desc">Выделение границ по градиенту<br>Хорошо выделяет края</div>
+            </div>
+            <div class="method-card best">
+                <div class="name">⭐ Комбинированный</div>
+                <div class="stars">★★★★★</div>
+                <div class="desc">Пересечение порогового и градиентного<br><b>Наиболее точный метод</b></div>
+            </div>
+        </div>
+
+        <h2>3. Результаты сегментации</h2>
+
+        <h3>3.1 Сравнение пациентов</h3>
+        <div class="plot-container">
+            <img src="data:image/png;base64,{all_plots.get('comparison', '')}" alt="Сравнение методов">
+        </div>
+"""
+
+    # Добавляем индивидуальные графики
+    for patient_data in patients_data:
+        patient_id = patient_data['patient_id']
+
+        html += f"""
+        <h3>3.2 Пациент: {patient_id}</h3>
+        <div class="grid-2">
+            <div class="plot-container">
+                <img src="data:image/png;base64,{all_plots.get(f'{patient_id}_methods', '')}" alt="{patient_id} методы">
+            </div>
+            <div class="plot-container">
+                <img src="data:image/png;base64,{all_plots.get(f'{patient_id}_modalities', '')}" alt="{patient_id} модальности">
+            </div>
+        </div>
+        """
+
+    # 4. ИНТЕРПРЕТАЦИЯ
+    html += f"""
+        <h2>4. Интерпретация результатов</h2>
+        {interpretation_html}
+
+        <h2>5. Ключевые выводы</h2>
+        <div class="key-findings">
+            <h3>🔑 Основные результаты</h3>
+            <ul>
+                <li><b>FLAIR модальность</b> показывает наибольшую площадь поражения → наилучшая визуализация перитуморального отека</li>
+                <li><b>T1c модальность</b> показывает активную опухолевую ткань → оценка агрессивности</li>
+                <li><b>Комбинированный метод</b> дает наиболее точные результаты → рекомендуется для клинического использования</li>
+                <li><b>Соотношение FLAIR/T1c</b> отражает степень инфильтративного роста опухоли</li>
+                <li>Разница между T1c и FLAIR отражает зону отека без активного контрастного усиления</li>
+            </ul>
+        </div>
+
+        <h2>6. Рекомендации</h2>
+        <div class="grid-2">
+            <div style="background: #e3f2fd; padding: 20px; border-radius: 10px;">
+                <h3 style="color: #1565c0;">Для клинической практики</h3>
+                <ul style="list-style: none; padding: 0;">
+                    <li style="padding: 5px 0;">• Использовать <b>T1c</b> для оценки активности опухоли</li>
+                    <li style="padding: 5px 0;">• Использовать <b>FLAIR</b> для оценки отека</li>
+                    <li style="padding: 5px 0;">• Оценивать <b>соотношение T1c/FLAIR</b></li>
+                    <li style="padding: 5px 0;">• Применять <b>комбинированный метод</b> сегментации</li>
+                </ul>
+            </div>
+            <div style="background: #f3e5f5; padding: 20px; border-radius: 10px;">
+                <h3 style="color: #6a1b9a;">Для научных исследований</h3>
+                <ul style="list-style: none; padding: 0;">
+                    <li style="padding: 5px 0;">• Использовать <b>все 4 модальности</b></li>
+                    <li style="padding: 5px 0;">• Применять <b>комбинированный метод</b> сегментации</li>
+                    <li style="padding: 5px 0;">• Анализировать <b>текстурные признаки</b></li>
+                    <li style="padding: 5px 0;">• Сравнивать <b>разные методы</b> сегментации</li>
+                </ul>
+            </div>
+        </div>
+
+        <div class="footer">
+            Отчет сгенерирован автоматически на основе радиомического анализа<br>
+            Данные: BRATS (Task01_BrainTumour) &nbsp;|&nbsp; Модальности: T1, T1c, T2, FLAIR &nbsp;|&nbsp;
+            Дата: {datetime.now().strftime('%d.%m.%Y %H:%M')}
+        </div>
+    </div>
+</body>
+</html>
+"""
+    return html
+
+
+# =============================================================================
+# 6. ОСНОВНАЯ ФУНКЦИЯ
+# =============================================================================
+
+def main():
+    """Основная функция: загрузка, обработка, визуализация, отчет"""
+
+    all_files = sorted(IMAGES_TR.glob("*.nii.gz"))
+    image_files = [f for f in all_files if is_valid_nifti_file(f)]
+
+    print(f"\n📁 Найдено пациентов: {len(image_files)}")
+
+    selected_patients = image_files[:2]
+
+    patients_data = []
+    all_plots = {}
+
+    for img_path in selected_patients:
+        patient_id = img_path.stem.replace('.nii', '')
+        mask_path = LABELS_TR / f"{patient_id}.nii.gz"
+
+        print(f"\n🧠 ОБРАБОТКА: {patient_id}")
+
+        try:
+            image_data, _ = load_nifti(img_path)
+            print(f"  Изображение: {image_data.shape}")
+        except Exception as e:
+            print(f"  ❌ Ошибка: {e}")
+            continue
+
+        real_mask_slice = None
+        if mask_path.exists() and is_valid_nifti_file(mask_path):
+            try:
+                real_mask_data, _ = load_nifti(mask_path)
+                real_mask_slice = real_mask_data[:, :, find_best_slice(image_data, axis=2)]
+                print(f"  Реальная маска: загружена")
+            except:
+                print(f"  ⚠️ Маска не загружена")
+
+        slice_idx = find_best_slice(image_data, axis=2)
+        print(f"  Срез: {slice_idx}")
+
+        if image_data.ndim == 4:
+            slice_data = image_data[:, :, slice_idx, 1]  # T1c
+        else:
+            slice_data = image_data[:, :, slice_idx]
+
+        # Собираем данные по площадям
+        areas = {}
+        if image_data.ndim == 4:
+            modalities = ['T1', 'T1c', 'T2', 'FLAIR']
+            for i, mod in enumerate(modalities):
+                mod_slice = image_data[:, :, slice_idx, i]
+                mask = create_mask_combined(mod_slice)
+                mask_processed = postprocess_mask(mask, min_size=50)
+                areas[mod] = np.sum(mask_processed)
+        else:
+            mod_slice = image_data[:, :, slice_idx]
+            mask = create_mask_combined(mod_slice)
+            mask_processed = postprocess_mask(mask, min_size=50)
+            areas['Original'] = np.sum(mask_processed)
+
+        patients_data.append({
+            'patient_id': patient_id,
+            'slice_idx': slice_idx,
+            'areas': areas
+        })
+
+        print("  Создание графиков...")
+
+        # 1. Сравнение методов
+        fig = create_method_comparison(slice_data, real_mask_slice, patient_id, slice_idx)
+        all_plots[f'{patient_id}_methods'] = fig_to_base64(fig)
+
+        # 2. Все модальности
+        if image_data.ndim == 4:
+            fig = create_modality_comparison(image_data, patient_id, slice_idx)
+            all_plots[f'{patient_id}_modalities'] = fig_to_base64(fig)
+
+        print(f"  ✅ {patient_id} обработан")
+
+    # Сравнительный график
+    print("\n📊 СОЗДАНИЕ СРАВНИТЕЛЬНОГО ГРАФИКА...")
+    if len(selected_patients) >= 2:
+        fig = create_comparison_patients(selected_patients)
+        all_plots['comparison'] = fig_to_base64(fig)
+        print("  ✅ Сравнительный график создан")
+
+    # Генерация отчета
+    print("\n📄 ГЕНЕРАЦИЯ HTML-ОТЧЕТА...")
+    html_content = generate_html_report(patients_data, all_plots, selected_patients)
+
+    report_path = OUTPUT_DIR / 'segmentation_full_report.html'
+    with open(report_path, 'w', encoding='utf-8') as f:
+        f.write(html_content)
+
+    print(f"  ✅ Отчет сохранен: {report_path}")
+
+    print("\n" + "=" * 70)
+    print("✨ ПОЛНЫЙ ОТЧЕТ СОЗДАН!")
+    print("=" * 70)
+    print(f"\n📁 РЕЗУЛЬТАТЫ:")
+    print(f"   {OUTPUT_DIR}")
+    print(f"\n📄 ОТКРОЙТЕ ОТЧЕТ В БРАУЗЕРЕ:")
+    print(f"   {report_path}")
+    print("\n📁 СОДЕРЖИМОЕ ОТЧЕТА:")
+    print("   ✅ 3 метода сегментации (Оцу, Среднее+Std, Комбинированный)")
+    print("   ✅ 2 пациента (BRATS_001, BRATS_002)")
+    print("   ✅ 4 модальности (T1, T1c, T2, FLAIR)")
+    print("   ✅ Полная клиническая интерпретация")
+    print("   ✅ Рекомендации по использованию")
+    print("=" * 70)
+
+
+if __name__ == "__main__":
+    try:
+        main()
+    except Exception as e:
+        print(f"\n❌ Ошибка: {e}")
+        import traceback
+
+        traceback.print_exc()