Initial commit: project structure, scripts and documentation

.gitattributes

@@ -0,0 +1,7 @@
+*.tif filter=lfs diff=lfs merge=lfs -text
+*.pdf filter=lfs diff=lfs merge=lfs -text
+*.docx filter=lfs diff=lfs merge=lfs -text
+*.doc filter=lfs diff=lfs merge=lfs -text
+*.tiff filter=lfs diff=lfs merge=lfs -text
+*.ipynb filter=nbstripout 
+*.ipynb diff=ipynb 

.gitignore

@@ -0,0 +1,46 @@
+# Виртуальные окружения
+env/
+venv/
+.venv/
+
+# Веса моделей
+*.pt
+*.pth
+*.onnx
+
+# Результаты обучения
+runs/
+
+# Служебные файлы YOLO в корне
+/test.txt
+/train.txt
+/val.txt
+/labels.cache
+
+# Артефакты конвертаций в корне
+/images/
+/labels/
+
+# Данные: игнорируем всё, кроме example и README
+data/**
+!data/README.md
+!data/example/
+!data/example/**
+
+# Python кэш
+__pycache__/
+*.pyc
+*.pyo
+.ipynb_checkpoints/
+
+# IDE и ОС
+.vscode/
+.idea/
+.DS_Store
+Thumbs.db
+
+# Дампы
+ai-med-edu.txt
+
+# Файл классов в корне
+/predefined_classes.txt

README.md

@@ -0,0 +1,467 @@
+# AI Medical Education & Imaging (ai-med-edu)
+
+Образовательный проект по AI-обработке медицинских изображений: детекция и сегментация анатомических структур (почки, их сегменты, опухоли, кисты, абсцессы) на основе DICOM и 3D NRRD данных с использованием архитектур YOLO.
+
+## 🎯 Цели проекта
+
+- Конвертация медицинских 3D-данных (NRRD, DICOM) в 2D-срезы формата YOLO
+- Обучение моделей детекции (yolov8s, yolo26n) и сегментации (yolov8s-seg)
+- Автоматическая подготовка и стратифицированное разделение датасета на train/val/test
+- Поддержка индивидуальных схем классов для каждого препарата
+- Проверка доступности GPU (PyTorch + CUDA)
+- Образовательные материалы: лекции, семинары, лабораторные работы
+
+## 📂 Структура репозитория
+
+```
+ai-med-edu/
+│
+├── README.md                             # Этот файл
+├── ai-use-program.doc                    # Учебная программа
+├── references.txt                        # Список литературы
+├── labels.cache                          # Кэш лейблов YOLO
+│
+├── data/                                 # Эксперименты (каждый препарат - отдельная папка)
+│   ├── 1_2236040_zno_cyst_AF/            # Эксперимент 1: ZNO Cyst AF
+│   │   ├── predefined_classes.txt        # Схема классов (12 классов)
+│   │   ├── data.yaml                     # Конфиг YOLO
+│   │   ├── 501 arterial ax 1mm iDose (5).nrrd  # Исходные 3D данные
+│   │   ├── Segmentation.seg.nrrd         # Сегментационная маска
+│   │   ├── dcm/                          # DICOM-срезы (1042 файла)
+│   │   ├── images/                       # PNG-срезы (300 файлов)
+│   │   ├── images_labels/                # Bbox-разметка
+│   │   │   └── polygons/                 # Полигоны для сегментации
+│   │   └── images_result/                # Визуализация результатов
+│   │       └── masks_sam/                # Маски SAM
+│   │
+│   ├── example/                          # Пример структуры
+│   │   ├── README.md
+│   │   ├── images/
+│   │   ├── images_labels/
+│   │   │   └── polygons/
+│   │   └── images_results/
+│   │
+│   └── prep/                             # Подготовительные данные
+│       ├── predefined_classes.txt
+│       ├── csv/                          # CSV-файлы с разметкой
+│       ├── images/                       # DCM и JPG файлы
+│       ├── images_labels/                # TXT-лейблы
+│       │   └── polygons/
+│       └── images_results/               # Результаты
+│           └── masks_sam/
+│
+├── scripts/                              # Универсальные скрипты
+│   ├── ttv_freq2.py                      # Сплиттер (стратифицированный)
+│   ├── train_yolo.py                     # Обучение детекции
+│   ├── train_yolo_seg.py                 # Обучение сегментации
+│   ├── check_PyTorch_gpu.py              # Проверка GPU
+│   ├── check_tf_gpu.py                   # Проверка TensorFlow GPU
+│   ├── config/                           # Конфигурационные файлы
+│   │   └── data.yaml
+│   ├── Тема 2.1/                         # Скрипты по теме 2.1
+│   │   ├── analysis.py
+│   │   ├── config_3d.py
+│   │   ├── feature_3d.py
+│   │   └── segmentation.py
+│   └── Тема 2.2/                         # Скрипты по теме 2.2
+│       └── nrrd_to_yolo.py               # Конвертация NRRD → YOLO
+│
+├── env/                                  # Виртуальное окружение Python
+│   ├── Include/
+│   ├── Lib/
+│   │   └── site-packages/                # Установленные пакеты
+│   ├── Scripts/                          # Исполняемые файлы
+│   ├── etc/
+│   ├── share/
+│   └── pyvenv.cfg
+│
+├── lectures/                             # Лекционные материалы
+│   ├── К26_1_1.pdf
+│   ├── К26_2_1.pdf
+│   └── К26_2_2.pdf
+│
+├── seminars/                             # Семинарские занятия
+│   ├── FeatureExtractionClient.ipynb
+│   ├── Тема 1.1/                         # Jupyter ноутбуки
+│   │   ├── Dataset.ipynb
+│   │   ├── Noise.ipynb
+│   │   ├── Resource1.ipynb
+│   │   ├── resource2.ipynb
+│   │   └── segm2.ipynb
+│   ├── Тема 1.2/
+│   │   ├── Практикум1.ipynb
+│   │   ├── Т1.ipynb
+│   │   ├── Т2.ipynb
+│   │   └── best_spleen_model.pth         # Предобученная модель
+│   ├── Тема 2.1/
+│   │   ├── radiomics_report.html
+│   │   ├── segmentation_full_report.html
+│   │   ├── requirements_3d.txt
+│   │   └── Лабораторная работа.docx
+│   └── Тема 2.2/
+│
+└── labs/                                 # Лабораторные работы
+    ├── Тема 1.1/
+    ├── Тема 1.2/
+    ├── Тема 2.1/
+    │   └── Лабораторная работа.docx
+    └── Тема 2.2/
+```
+
+## 🏷️ Схема классов (predefined_classes.txt)
+
+Каждый эксперимент имеет СВОЙ СОБСТВЕННЫЙ файл `predefined_classes.txt`, расположенный в папке эксперимента. Это позволяет использовать разные наборы классов для разных препаратов.
+
+Формат: один класс на строку, позиция в файле = YOLO index (0-based).
+
+### Пример: data/1_2236040_zno_cyst_AF/predefined_classes.txt (12 классов)
+
+```txt
+right_kidney                      # ID 1  →  YOLO idx 0
+right_kidney_upper_segment        # ID 2  →  YOLO idx 1
+right_kidney_middle_segment       # ID 3  →  YOLO idx 2
+right_kidney_lower_segment        # ID 4  →  YOLO idx 3
+left_kidney                       # ID 5  →  YOLO idx 4
+left_kidney_upper_segment         # ID 6  →  YOLO idx 5
+left_kidney_middle_segment        # ID 7  →  YOLO idx 6
+left_kidney_lower_segment         # ID 8  →  YOLO idx 7
+malignant_tumor                   # ID 9  →  YOLO idx 8
+benign_tumor                      # ID 10 →  YOLO idx 9
+cyst                              # ID 11 →  YOLO idx 10
+abscess                           # ID 12 →  YOLO idx 11
+```
+
+> **Важно:** Исходные лейблы (Label Studio / CVAT) используют 1-based ID (1–N). Скрипт `ttv_freq2.py` автоматически перенумеровывает их в 0-based формат при копировании в папку `labels/`. Это необходимо, так как YOLOv8 требует, чтобы все ID в `.txt`-файлах были в диапазоне [0, nc-1] без пропусков.
+
+## 🚀 Быстрый старт
+
+### 1. Активация окружения
+
+**Windows:**
+```bash
+cd D:\ai-med-edu
+env\Scripts\activate
+```
+
+**Linux / macOS:**
+```bash
+cd /path/to/ai-med-edu
+source env/bin/activate
+```
+
+### 2. Проверка GPU
+
+```bash
+python scripts/check_PyTorch_gpu.py
+```
+
+Ожидаемый результат:
+```
+CUDA доступна!
+Количество доступных GPU: 1
+GPU 0: NVIDIA GeForce RTX 3060
+```
+
+### 3. Установка зависимостей (при необходимости)
+
+```bash
+pip install ultralytics torch torchvision pyyaml pydicom nrrd scipy pandas opencv-python
+```
+
+## 📋 Полный пайплайн обучения
+
+### Вариант A: Детекция (bounding boxes)
+
+```bash
+# Шаг 1: Создать сплит с перенумерацией классов
+python scripts/ttv_freq2.py --task detect ^
+    --images-dir data/1_2236040_zno_cyst_AF/images ^
+    --labels-dir data/1_2236040_zno_cyst_AF/images_labels ^
+    --output-dir data/1_2236040_zno_cyst_AF
+
+# Шаг 2: Запустить обучение
+python scripts/train_yolo.py ^
+    --data data/1_2236040_zno_cyst_AF/data.yaml ^
+    --model yolov8s.pt ^
+    --epochs 100 ^
+    --batch 16 ^
+    --name kidney_det_exp1
+```
+
+### Вариант B: Сегментация (полигоны)
+
+```bash
+# Шаг 1: Создать сплит для сегментации
+python scripts/ttv_freq2.py --task segment ^
+    --images-dir data/1_2236040_zno_cyst_AF/images ^
+    --labels-dir data/1_2236040_zno_cyst_AF/images_labels/polygons ^
+    --output-dir data/1_2236040_zno_cyst_AF
+
+# Шаг 2: Запустить обучение
+python scripts/train_yolo_seg.py ^
+    --data data/1_2236040_zno_cyst_AF/data.yaml ^
+    --model yolov8s-seg.pt ^
+    --epochs 100 ^
+    --batch 16 ^
+    --name kidney_seg_exp1
+```
+
+### Вариант C: Обе задачи сразу (общий сплит)
+
+```bash
+python scripts/ttv_freq2.py --task both ^
+    --images-dir data/1_2236040_zno_cyst_AF/images ^
+    --labels-dir data/1_2236040_zno_cyst_AF/images_labels ^
+    --polygons-dir data/1_2236040_zno_cyst_AF/images_labels/polygons ^
+    --output-dir data/1_2236040_zno_cyst_AF
+```
+
+## 📜 Описание скриптов
+
+### scripts/ttv_freq2.py — Стратифицированный сплиттер
+
+**Ключевая особенность:** разбивает датасет, начиная с самых редких классов. Это гарантирует присутствие каждого класса в train/val/test наборах, что критично для медицинских данных с несбалансированными классами.
+
+**Возможности:**
+- Автоматический поиск `predefined_classes.txt` в папке эксперимента
+- Автоматическая перенумерация 1-based → 0-based для YOLOv8
+- Поддержка детекции, сегментации или обеих задач одновременно
+- Стратифицированное разбиение по частоте классов
+- Автоматическая генерация `data.yaml` с абсолютными путями
+- Создание изолированной папки `labels/` (полное копирование)
+- Автоматическая очистка старых `.cache` файлов
+
+**Параметры:**
+
+| Параметр | Описание | По умолчанию |
+|----------|----------|--------------|
+| `--task` | detect / segment / both | *обязательный* |
+| `--images-dir` | Папка с изображениями | *обязательный* |
+| `--labels-dir` | Папка с bbox или полигонами | *обязательный* |
+| `--polygons-dir` | Папка с полигонами (both) | - |
+| `--output-dir` | Папка для результатов | *обязательный* |
+| `--predefined-classes` | Путь к файлу классов | `<output-dir>/predefined_classes.txt` |
+| `--train-ratio` | Доля обучающей выборки | 0.8 |
+| `--val-ratio` | Доля валидационной выборки | 0.1 |
+| `--seed` | Seed для воспроизводимости | 42 |
+
+### scripts/train_yolo.py — Обучение детекции (bounding boxes)
+
+**Параметры:**
+
+| Параметр | Описание | По умолчанию |
+|----------|----------|--------------|
+| `--data` | Путь к `data.yaml` | *обязательный* |
+| `--model` | Предобученная модель | `yolov8s.pt` |
+| `--epochs` | Количество эпох | 100 |
+| `--batch` | Batch size | 16 |
+| `--imgsz` | Размер изображения | 512 |
+| `--device` | Устройство (0, cpu) | 0 |
+| `--workers` | DataLoader workers | 0 |
+| `--project` | Директория проектов | `runs/detect` |
+| `--name` | Имя эксперимента | `experiment` |
+
+### scripts/train_yolo_seg.py — Обучение сегментации (полигоны/маски)
+
+**Параметры (аналогичны train_yolo.py, но со спецификой сегментации):**
+
+| Параметр | Описание | По умолчанию |
+|----------|----------|--------------|
+| `--data` | Путь к `data.yaml` | *обязательный* |
+| `--model` | Предобученная модель | `yolov8s-seg.pt` |
+| `--epochs` | Количество эпох | 100 |
+| `--batch` | Batch size | 16 |
+| `--imgsz` | Размер изображения | 512 |
+| `--device` | Устройство (0, cpu) | 0 |
+| `--workers` | DataLoader workers | 0 |
+| `--project` | Директория проектов | `runs/segment` |
+| `--name` | Имя эксперимента | `seg_experiment` |
+
+### scripts/nrrd_to_yolo.py — Конвертация NRRD → YOLO (Тема 2.2)
+
+Конвертирует 3D NRRD файлы в 2D срезы формата YOLO с сохранением структуры папок.
+
+**Использование:**
+```bash
+python scripts/Тема\ 2.2/nrrd_to_yolo.py
+```
+
+### Скрипты темы 2.1 (scripts/Тема 2.1/)
+
+- `analysis.py` — Анализ данных и визуализация
+- `config_3d.py` — Конфигурация для 3D обработки
+- `feature_3d.py` — Извлечение признаков из 3D данных
+- `segmentation.py` — Сегментация 3D данных
+
+## 📁 Структура результатов обучения
+
+После обучения YOLOv8 генерирует отчёты в: `runs/{detect|segment}/{name}/`
+
+```
+runs/segment/kidney_seg_exp1/
+│
+├── weights/
+│   ├── best.pt                  # Лучшая модель (для инференса)
+│   └── last.pt                  # Модель после последней эпохи
+│
+├── results.png                  # Графики loss и метрик по эпохам
+├── confusion_matrix.png         # Матрица ошибок
+├── confusion_matrix_normalized.png
+├── F1_curve.png                 # F1-score по confidence
+├── PR_curve.png                 # Precision-Recall кривая
+├── P_curve.png                  # Precision по confidence
+├── R_curve.png                  # Recall по confidence
+├── results.csv                  # Числовые метрики по эпохам
+└── args.yaml                    # Сохранённые параметры обучения
+```
+
+## 🔮 Инференс (применение обученной модели)
+
+Пример Python-кода:
+
+```python
+from ultralytics import YOLO
+
+# Загрузка обученной модели
+model = YOLO('runs/segment/kidney_seg_exp1/weights/best.pt')
+
+# Предсказание на новых изображениях
+results = model.predict(
+    source='data/1_2236040_zno_cyst_AF/images/slice_0573.png',
+    conf=0.25,              # Порог уверенности
+    iou=0.45,               # Порог IoU для NMS
+    save=True,              # Сохранить результат
+    project='predictions',
+    name='inference_test'
+)
+
+# Анализ результатов
+for r in results:
+    print(f"Обнаружено объектов: {len(r.boxes)}")
+    for box in r.boxes:
+        cls_id = int(box.cls[0])
+        cls_name = model.names[cls_id]
+        conf = float(box.conf[0])
+        print(f"  - {cls_name}: {conf:.2f}")
+```
+
+## 🆕 Создание нового эксперимента
+
+### 1. Создание структуры вручную
+
+```bash
+mkdir -p data/new_experiment/{images,images_labels/polygons,images_result}
+```
+
+Или используйте шаблон из папки `data/example/`.
+
+### 2. Создание схемы классов
+
+```bash
+notepad data\new_experiment\predefined_classes.txt
+```
+
+Запишите классы (по одному на строку):
+```
+organ
+tissue_type_1
+tissue_type_2
+lesion
+```
+
+### 3. Помещение данных
+
+Скопируйте изображения в:
+- `data/new_experiment/images/`
+
+Скопируйте разметку в:
+- `data/new_experiment/images_labels/` (для детекции)
+- `data/new_experiment/images_labels/polygons/` (для сегментации)
+
+### 4. Запуск обучения
+
+```bash
+python scripts/ttv_freq2.py --task segment ^
+    --images-dir data/new_experiment/images ^
+    --labels-dir data/new_experiment/images_labels/polygons ^
+    --output-dir data/new_experiment
+
+python scripts/train_yolo_seg.py ^
+    --data data/new_experiment/data.yaml ^
+    --epochs 100 ^
+    --name new_experiment_seg
+```
+
+## ⚠️ Особенности Windows
+
+1. **Многопоточность DataLoader:** Используйте `--workers 0` при ошибках доступа к файлам. На Linux/macOS можно ставить `--workers 8` для ускорения.
+
+2. **Пути:** В `data.yaml` и `.txt`-файлах используются абсолютные пути с прямыми слэшами (`/`) для совместимости с YOLOv8.
+
+3. **Кодировка:** Все файлы обрабатываются в UTF-8, кириллица в именах классов поддерживается.
+
+4. **Пути с пробелами:** Имена файлов с пробелами могут вызывать проблемы. Рекомендуется переименовывать файлы, убирая пробелы.
+
+## 📚 Образовательные материалы
+
+### Лекции (`lectures/`)
+- `К26_1_1.pdf` — Введение в обработку медицинских изображений
+- `К26_2_1.pdf` — Архитектуры нейронных сетей для медицинской визуализации
+- `К26_2_2.pdf` — Применение YOLO в медицинской диагностике
+
+### Семинары (`seminars/`)
+- `Тема 1.1/` — Работа с датасетами, шумоподавление, сегментация
+- `Тема 1.2/` — Практикум по обучению моделей
+- `Тема 2.1/` — Радиомика и 3D-сегментация
+- `Тема 2.2/` — Конвертация NRRD в YOLO формат
+
+### Лабораторные работы (`labs/`)
+- Пошаговые инструкции по темам курса
+- Включают теоретический материал и практические задания
+
+## 🛠️ Известные проблемы и решения
+
+**Проблема:** "Label class X exceeds dataset class count N"
+
+**Решение:** Скрипт `ttv_freq2.py` автоматически перенумеровывает классы из 1-based (Label Studio) в 0-based (YOLOv8).
+
+**Проблема:** "Image Not Found" ошибки
+
+**Решение:** Использовать `--workers 0`, проверить наличие изображений, пересоздать сплит. Убедиться, что пути в `data.yaml` корректны.
+
+**Проблема:** Редкие классы показывают Recall=0
+
+**Решение:** Увеличить число эпох (100-300), использовать `imgsz=640`, стратифицированный сплит гарантирует минимум 1 пример в train для каждого класса.
+
+**Проблема:** Не удаётся прочитать NRRD файлы
+
+**Решение:** Убедитесь, что установлены зависимости: `pip install nrrd pydicom scipy`
+
+**Проблема:** Ошибки с путями в Windows (пробелы в именах)
+
+**Решение:** Переименуйте файлы, убрав пробелы. Например: `"501 arterial ax 1mm iDose (5).nrrd"` → `"501_arterial_ax_1mm_iDose_5.nrrd"`
+
+## 📝 Changelog
+
+### 2026-08-19 (текущая версия)
+
+- ✅ Поддержка двух экспериментов: `1_2236040_zno_cyst_AF` и `prep`
+- ✅ Реальная структура данных: DICOM (1042 среза), PNG (300 срезов)
+- ✅ Разметка в формате YOLO для 300 изображений
+- ✅ Образовательные материалы: лекции (3 PDF), семинары (Jupyter ноутбуки)
+- ✅ Скрипты для работы с 3D данными (Тема 2.1 и 2.2)
+- ✅ Виртуальное окружение с полным набором зависимостей
+- ✅ `predefined_classes.txt` для каждого эксперимента
+- ✅ Стратифицированный сплиттер `ttv_freq2.py`
+- ✅ Скрипты обучения детекции и сегментации
+
+### Структура данных
+
+- **DICOM файлы:** 1042 среза (slice_0000.dcm — slice_1041.dcm)
+- **PNG изображения:** 300 срезов (slice_0573.png — slice_0872.png)
+- **Разметка:** 300 файлов `.txt` в формате YOLO
+- **Классы:** 12 классов (почки, сегменты, опухоли, кисты, абсцесс)
+
+## 📄 Лицензия
+
+Образовательный проект. Медицинские данные используются в исследовательских и учебных целях.

collect_for_ai.py

@@ -0,0 +1,242 @@
+#!/usr/bin/env python
+# -*- coding: utf-8 -*-
+"""
+Скрипт для сбора всех файлов проекта в один текстовый документ
+для последующей передачи в AI для генерации LaTeX-документации.
+"""
+
+import os
+import sys
+from pathlib import Path
+from datetime import datetime
+
+# ============================================================================
+# НАСТРОЙКИ
+# ============================================================================
+
+# Корневая директория проекта
+PROJECT_ROOT = Path(r"D:\ai-med-edu")
+
+# Файлы для исключения (бинарные, слишком большие, временные)
+EXCLUDE_EXTENSIONS = {
+    '.pyc', '.pyo', '.pyd', '.exe', '.dll', '.so', '.dylib',
+    '.png', '.jpg', '.jpeg', '.gif', '.bmp', '.tiff', '.webp',
+    '.pdf', '.doc', '.docx', '.xls', '.xlsx', '.ppt', '.pptx',
+    '.zip', '.rar', '.7z', '.tar', '.gz', '.bz2',
+    '.dcm', '.nrrd', '.seg.nrrd',
+    '.cache', '.pth', '.whl',
+    '.mp4', '.avi', '.mov', '.mkv',
+    '.mp3', '.wav', '.flac',
+    '.psd', '.ai', '.eps',
+    '.db', '.sqlite', '.sqlite3',
+}
+
+EXCLUDE_DIRS = {
+    'env', '__pycache__', '.git', '.idea', '.vscode',
+    'runs', 'predictions', 'output',
+    'masks_sam', 'images_result',
+    'dcm',  # исключаем DICOM файлы (их много)
+}
+
+# Файлы, которые нужно включить обязательно (даже если в исключениях)
+FORCE_INCLUDE = {
+    'predefined_classes.txt',
+    'data.yaml',
+    'README.md',
+}
+
+# Максимальный размер файла для чтения (в байтах) - 1 МБ
+MAX_FILE_SIZE = 1024 * 1024
+
+# Выходной файл
+OUTPUT_FILE = "project_files_for_ai.txt"
+
+
+# ============================================================================
+# ФУНКЦИИ
+# ============================================================================
+
+def get_file_tree(root: Path, prefix: str = "", level: int = 0, max_level: int = 5) -> str:
+    """Генерирует ASCII-дерево файлов проекта."""
+    if level > max_level:
+        return ""
+    
+    lines = []
+    try:
+        items = sorted(root.iterdir(), key=lambda x: (not x.is_dir(), x.name))
+    except PermissionError:
+        return f"  [Permission denied: {root}]\n"
+    
+    for i, item in enumerate(items):
+        is_last = i == len(items) - 1
+        connector = "└── " if is_last else "├── "
+        
+        # Проверяем, нужно ли исключать
+        if item.is_dir():
+            if item.name in EXCLUDE_DIRS:
+                lines.append(f"{prefix}{connector}{item.name}/ (excluded)")
+                continue
+            lines.append(f"{prefix}{connector}{item.name}/")
+            extension = "    " if is_last else "│   "
+            lines.append(get_file_tree(item, prefix + extension, level + 1, max_level))
+        else:
+            if item.suffix.lower() in EXCLUDE_EXTENSIONS and item.name not in FORCE_INCLUDE:
+                lines.append(f"{prefix}{connector}{item.name} ({item.suffix} - excluded)")
+            else:
+                size = item.stat().st_size
+                size_str = f" ({size:,} bytes)" if size < 1024*1024 else f" ({size/1024/1024:.1f} MB)"
+                lines.append(f"{prefix}{connector}{item.name}{size_str}")
+    
+    return "\n".join(lines)
+
+
+def collect_files(root: Path) -> list:
+    """Собирает список файлов для включения в отчёт."""
+    files = []
+    
+    for file_path in root.rglob("*"):
+        # Пропускаем директории
+        if file_path.is_dir():
+            continue
+        
+        # Проверяем исключения
+        rel_path = file_path.relative_to(root)
+        
+        # Пропускаем исключённые директории
+        skip = False
+        for part in rel_path.parts:
+            if part in EXCLUDE_DIRS:
+                skip = True
+                break
+        if skip:
+            continue
+        
+        # Проверяем расширение
+        if file_path.suffix.lower() in EXCLUDE_EXTENSIONS:
+            if file_path.name in FORCE_INCLUDE:
+                # Включаем даже если в исключениях
+                pass
+            else:
+                continue
+        
+        # Проверяем размер
+        try:
+            size = file_path.stat().st_size
+            if size > MAX_FILE_SIZE and file_path.name not in FORCE_INCLUDE:
+                continue
+        except OSError:
+            continue
+        
+        files.append(file_path)
+    
+    return sorted(files)
+
+
+def read_file_content(file_path: Path) -> str:
+    """Читает содержимое файла с обработкой кодировки."""
+    encodings = ['utf-8', 'cp1251', 'latin-1', 'utf-16']
+    
+    for encoding in encodings:
+        try:
+            with open(file_path, 'r', encoding=encoding) as f:
+                content = f.read()
+            return content
+        except (UnicodeDecodeError, UnicodeError):
+            continue
+    
+    return "[ERROR: Cannot read file encoding]\n"
+
+
+def generate_report(files: list, tree: str) -> str:
+    """Генерирует полный отчёт."""
+    lines = []
+    
+    # Шапка
+    lines.append("=" * 80)
+    lines.append("СБОРКА ФАЙЛОВ ПРОЕКТА ДЛЯ AI")
+    lines.append(f"Дата: {datetime.now().strftime('%Y-%m-%d %H:%M:%S')}")
+    lines.append(f"Корень проекта: {PROJECT_ROOT}")
+    lines.append(f"Всего файлов: {len(files)}")
+    lines.append("=" * 80)
+    lines.append("")
+    
+    # Структура проекта
+    lines.append("=" * 80)
+    lines.append("СТРУКТУРА ПРОЕКТА (ДЕРЕВО)")
+    lines.append("=" * 80)
+    lines.append(tree)
+    lines.append("")
+    
+    # Содержимое файлов
+    lines.append("=" * 80)
+    lines.append("СОДЕРЖИМОЕ ФАЙЛОВ")
+    lines.append("=" * 80)
+    lines.append("")
+    
+    for i, file_path in enumerate(files, 1):
+        rel_path = file_path.relative_to(PROJECT_ROOT)
+        
+        lines.append("-" * 80)
+        lines.append(f"[{i:3d}/{len(files)}] {rel_path}")
+        lines.append("-" * 80)
+        
+        content = read_file_content(file_path)
+        
+        # Обрезаем слишком длинные файлы
+        if len(content) > 50000:
+            lines.append("[FOREIGN_BEGIN]")
+            lines.append(content[:25000])
+            lines.append(f"... [TRUNCATED: {len(content)} chars] ...")
+            lines.append(content[-25000:])
+            lines.append("[FOREIGN_END]")
+        else:
+            lines.append(content)
+        
+        lines.append("")
+    
+    return "\n".join(lines)
+
+
+# ============================================================================
+# ОСНОВНАЯ ФУНКЦИЯ
+# ============================================================================
+
+def main():
+    print("=" * 60)
+    print("СБОРЩИК ФАЙЛОВ ПРОЕКТА ДЛЯ AI")
+    print("=" * 60)
+    print(f"Корень проекта: {PROJECT_ROOT}")
+    print(f"Выходной файл: {OUTPUT_FILE}")
+    print()
+    
+    if not PROJECT_ROOT.exists():
+        print(f"ОШИБКА: Папка {PROJECT_ROOT} не найдена!")
+        sys.exit(1)
+    
+    print("1. Сканирование файлов...")
+    files = collect_files(PROJECT_ROOT)
+    print(f"   Найдено файлов: {len(files)}")
+    
+    print("2. Генерация дерева...")
+    tree = get_file_tree(PROJECT_ROOT, max_level=4)
+    
+    print("3. Сборка отчёта...")
+    report = generate_report(files, tree)
+    
+    print("4. Сохранение...")
+    output_path = PROJECT_ROOT / OUTPUT_FILE
+    with open(output_path, 'w', encoding='utf-8') as f:
+        f.write(report)
+    
+    print(f"   Сохранено: {output_path}")
+    print(f"   Размер: {output_path.stat().st_size / 1024 / 1024:.2f} MB")
+    
+    print()
+    print("ГОТОВО!")
+    print(f"Файл {OUTPUT_FILE} создан в корне проекта.")
+    print("Вы можете отправить его мне для анализа.")
+    print("=" * 60)
+
+
+if __name__ == "__main__":
+    main()

data/example/README.md

@@ -0,0 +1,48 @@
+# Пример структуры датасета
+
+Эталонный пример организации данных для обучения YOLO.
+
+## Файлы
+
+```
+example/
+├── images/
+│   ├── slice_0001.png
+│   └── slice_0002.png
+├── images_labels/
+│   ├── slice_0001.txt          <- bbox для детекции
+│   ├── slice_0002.txt
+│   └── polygons/
+│       ├── slice_0001.txt      <- полигоны для сегментации
+│       └── slice_0002.txt
+└── images_result/
+    ├── slice_0001_preview.png
+    └── slice_0002_preview.png
+```
+
+## Формат детекции (images_labels/slice_XXXX.txt)
+
+Каждая строка = один объект:
+```
+<class_id> <x_center> <y_center> <width> <height>
+```
+
+Пример:
+```
+0 0.512 0.634 0.150 0.200
+1 0.300 0.450 0.100 0.080
+```
+
+## Формат сегментации (images_labels/polygons/slice_XXXX.txt)
+
+Каждая строка = полигон одного объекта:
+```
+<class_id> <x1> <y1> <x2> <y2> ... <xn> <yn>
+```
+
+Пример:
+```
+0 0.450 0.500 0.460 0.510 0.470 0.505 0.465 0.495
+```
+
+Все координаты нормализованы к [0, 1] относительно размеров изображения.

labs/lab#1.tex

@@ -0,0 +1,975 @@
+% ============================================================================
+% ЛАБОРАТОРНАЯ РАБОТА №1
+% АУДИТ И ПОДГОТОВКА МЕДИЦИНСКИХ ДАННЫХ
+% ============================================================================
+% КОМПИЛЯЦИЯ: pdflatex (ДВА ПРОХОДА)
+% ============================================================================
+
+\documentclass[12pt,a4paper]{article}
+
+% ============================================================================
+% ПРЕАМБУЛА
+% ============================================================================
+
+\usepackage[utf8]{inputenc}
+\usepackage[T2A]{fontenc}
+\usepackage[russian]{babel}
+
+\usepackage{amsmath,amssymb,amsfonts}
+\usepackage{graphicx}
+\usepackage{hyperref}
+\usepackage{listings}
+\usepackage{xcolor}
+\usepackage{geometry}
+\usepackage{booktabs}
+\usepackage{longtable}
+\usepackage{caption}
+\usepackage{subcaption}
+\usepackage{titlesec}
+\usepackage{float}
+\usepackage{array}
+\usepackage{multirow}
+\usepackage{enumitem}
+
+\geometry{left=2.5cm,right=2cm,top=2cm,bottom=2cm}
+
+% --- Гиперссылки ---
+\hypersetup{
+	colorlinks=true,
+	linkcolor=blue,
+	urlcolor=blue,
+	pdfauthor={Студент},
+	pdftitle={Лабораторная работа N1}
+}
+
+% --- Листинги (максимально упрощённые) ---
+\lstset{
+	basicstyle=\ttfamily\footnotesize,
+	keywordstyle=\color{blue},
+	commentstyle=\color{green!60!black},
+	stringstyle=\color{red},
+	breaklines=true,
+	frame=single,
+	numbers=left,
+	numberstyle=\tiny,
+	tabsize=4,
+	language=Python,
+	extendedchars=true,
+	inputencoding=utf8,
+}
+
+% --- Заголовки ---
+\titleformat{\section}{\Large\bfseries\centering}{}{0pt}{}
+\titleformat{\subsection}{\large\bfseries}{}{0pt}{}
+\titleformat{\subsubsection}{\normalsize\bfseries}{}{0pt}{}
+
+% --- Список литературы ---
+\renewcommand{\refname}{Список использованной литературы}
+
+\begin{document}
+	
+	% ============================================================================
+	% ТИТУЛЬНЫЙ ЛИСТ
+	% ============================================================================
+	
+	\begin{titlepage}
+		\begin{center}
+			\vspace*{0.5cm}
+			
+			{\Large \textbf{ФГБУ <<НМИЦ онкологии им. Н.Н. Блохина>> Минздрава России}}
+			
+			\vspace{0.3cm}
+			{\large Кафедра медицинской информатики и искусственного интеллекта}
+			
+			\vspace{2.5cm}
+			
+			{\Huge \textbf{ЛАБОРАТОРНАЯ РАБОТА №1}}
+			
+			\vspace{0.5cm}
+			{\huge \textbf{Аудит и подготовка медицинских данных}}
+			
+			\vspace{0.5cm}
+			{\Large для задач искусственного интеллекта в онкологии}
+			
+			\vspace{2.5cm}
+			
+			\begin{tabular}{p{0.4\textwidth}p{0.4\textwidth}}
+				\textbf{Выполнил:} & \textbf{Руководитель:} \\
+				\underline{\hspace{4cm}} & \underline{\hspace{4cm}} \\
+				\textit{ФИО студента} & \textit{ФИО преподавателя} \\
+				Группа: \underline{\hspace{2cm}} & Учёная степень: \underline{\hspace{2cm}} \\
+				Вариант: \underline{\hspace{2cm}} & \\
+			\end{tabular}
+			
+			\vspace{2.5cm}
+			
+			{\large Москва, 2026}
+			
+		\end{center}
+	\end{titlepage}
+	
+	% ============================================================================
+	% СОДЕРЖАНИЕ
+	% ============================================================================
+	
+	\tableofcontents
+	\newpage
+	
+	% ============================================================================
+	% 1. ВВЕДЕНИЕ
+	% ============================================================================
+	
+	\section{Введение}
+	
+	\subsection{Цель работы}
+	
+	Сформировать у слушателей профессиональные компетенции в области аудита, предобработки и структурирования медицинских изображений для последующего обучения моделей искусственного интеллекта в задачах диагностики и лечения онкологических заболеваний.
+	
+	\textbf{Задачи работы:}
+	\begin{enumerate}
+		\item Провести аудит структуры медицинского датасета в формате NRRD.
+		\item Реализовать конвертацию полигональной разметки в бинарные маски.
+		\item Выполнить распаковку 3D-данных в 2D-срезы формата YOLO.
+		\item Создать конфигурационные файлы \texttt{predefined\_classes.txt} и \texttt{data.yaml}.
+		\item Проанализировать роль клинического эксперта в подготовке данных.
+	\end{enumerate}
+	
+	\subsection{Клинический контекст}
+	
+	В рамках лабораторной работы используется датасет \texttt{1\_2236040\_zno\_cyst\_AF}, представляющий собой мультимодальные медицинские данные пациентов с новообразованиями почек. Исследование направлено на автоматическую детекцию и сегментацию анатомических структур почек и патологических образований.
+	
+	\textbf{Объекты исследования:}
+	\begin{itemize}
+		\item Почки (правая и левая)
+		\item Сегменты почек (верхний, средний, нижний)
+		\item Патологические образования: злокачественные опухоли, доброкачественные опухоли, кисты, абсцессы
+	\end{itemize}
+	
+	\textbf{Клиническая значимость:} Ранняя диагностика и точная дифференцировка патологических образований почек критически важны для выбора оптимальной тактики лечения и прогнозирования исходов. Внедрение методов искусственного интеллекта позволяет автоматизировать анализ медицинских изображений, снизить нагрузку на врачей и повысить точность диагностики.
+	
+	\subsection{Обзор форматов данных}
+	
+	\subsubsection{DICOM (Digital Imaging and Communications in Medicine)}
+	
+	DICOM -- международный стандарт создания, хранения и передачи медицинской визуальной информации.
+	
+	\textbf{Ключевые особенности:}
+	\begin{itemize}
+		\item Каждый файл содержит не только матрицу пикселей, но и богатый набор метаданных.
+		\item Метаданные включают информацию о пациенте, модальности, параметрах сканирования, оборудовании.
+		\item Аннотации областей интереса (ROI) хранятся в отдельных файлах DICOM-RT Structure Set.
+		\item Формат поддерживает различные модальности: КТ, МРТ, ПЭТ, маммография и др.
+	\end{itemize}
+	
+	\textbf{Структура DICOM-файла:}
+	\begin{itemize}
+		\item \textbf{Заголовок (метаданные)}: информация о пациенте, исследовании, серии, параметрах сканирования.
+		\item \textbf{Тело (пиксельные данные)}: матрица интенсивностей.
+	\end{itemize}
+	
+	\subsubsection{NRRD (Nearly Raw Raster Data)}
+	
+	NRRD -- формат, широко используемый в научных исследованиях для хранения многомерных растровых данных.
+	
+	\textbf{Ключевые особенности:}
+	\begin{itemize}
+		\item Простая структура: текстовый заголовок + бинарные данные.
+		\item Поддержка 3D и 4D массивов.
+		\item Минимальные метаданные, но критически важные.
+		\item Параметры \texttt{space directions} определяют направление осей.
+		\item Параметр \texttt{space origin} задаёт начало координат.
+	\end{itemize}
+	
+	\textbf{Пример структуры NRRD-файла:}
+	\begin{verbatim}
+		NRRD0004
+		type: short
+		dimension: 3
+		sizes: 512 512 100
+		spacings: 0.5 0.5 1.0
+		space: left-posterior-superior
+		space directions: (1,0,0) (0,1,0) (0,0,1)
+		space origin: (0,0,0)
+		... binary data ...
+	\end{verbatim}
+	
+	\subsubsection{Сравнение форматов}
+	
+	\begin{table}[H]
+		\centering
+		\caption{Сравнение форматов DICOM и NRRD}
+		\begin{tabular}{p{3.5cm}|p{4.5cm}|p{4.5cm}}
+			\toprule
+			\textbf{Характеристика} & \textbf{DICOM} & \textbf{NRRD} \\
+			\midrule
+			Структура & Файл + метаданные & Заголовок + бинарные данные \\
+			Размер метаданных & Большой (медицинский контекст) & Минимальный (геометрия) \\
+			Поддержка 3D & Да (через серии) & Да (родная) \\
+			Читаемость & Требуется специализированное ПО & Поддерживается многими библиотеками \\
+			Разметка & Отдельные файлы (RT Structure) & В том же файле или отдельном .seg \\
+			Применение & Клиническая практика & Научные исследования \\
+			\bottomrule
+		\end{tabular}
+	\end{table}
+	
+	% ============================================================================
+	% 2. ТЕОРЕТИЧЕСКАЯ ЧАСТЬ
+	% ============================================================================
+	
+	\section{Теоретическая часть}
+	
+	\subsection{Формат DICOM и DICOM-RT Structure Set}
+	
+	DICOM-RT Structure Set (DICOM-RTSS) -- это специальный объект DICOM, предназначенный для хранения структурных наборов, включая контуры областей интереса (ROI).
+	
+	\textbf{Структура DICOM-RTSS:}
+	\begin{itemize}
+		\item \textbf{ROI Contour Sequence}: последовательность контуров для каждой ROI.
+		\item \textbf{Contour Sequence}: точки контура в координатах DICOM.
+		\item \textbf{ROI Observations}: информация о каждой ROI (тип, название).
+	\end{itemize}
+	
+	\textbf{Формат хранения контуров:}
+	\begin{verbatim}
+		(3006, 0039) Contour Image Sequence
+		(3006, 0040) Contour Geometric Type: CLOSED_PLANAR
+		(3006, 0042) Contour Number: 1
+		(3006, 0050) Contour Data: [x1, y1, z1, x2, y2, z2, ...]
+	\end{verbatim}
+	
+	Координаты контуров хранятся в физических координатах DICOM (мм) и могут быть преобразованы в пиксельные координаты с использованием аффинных преобразований.
+	
+	\subsection{Формат NRRD: пространственная ориентация}
+	
+	Для работы с 3D-данными критически важно сохранение пространственной ориентации. Параметры \texttt{space directions} и \texttt{space origin} определяют геометрию объёма.
+	
+	\textbf{Параметры ориентации:}
+	\begin{itemize}
+		\item \texttt{space directions}: матрица направления осей.
+		\item \texttt{space origin}: координаты начала координат.
+		\item \texttt{spacings}: расстояния между пикселями по каждой оси.
+	\end{itemize}
+	
+	\textbf{Математическое представление:}
+	\begin{equation}
+		\mathbf{p}_{world} = \mathbf{D} \cdot \mathbf{p}_{voxel} + \mathbf{o}
+		\label{eq:orientation}
+	\end{equation}
+	где:
+	\begin{itemize}
+		\item $\mathbf{p}_{world}$ -- координаты в физическом пространстве.
+		\item $\mathbf{D}$ -- матрица направления ($3 \times 3$).
+		\item $\mathbf{p}_{voxel}$ -- координаты вокселя.
+		\item $\mathbf{o}$ -- смещение (space origin).
+	\end{itemize}
+	
+	\textbf{Пример матрицы направления:}
+	\begin{equation}
+		\mathbf{D} = \begin{pmatrix}
+			-1 & 0 & 0 \\
+			0 & 1 & 0 \\
+			0 & 0 & 1
+		\end{pmatrix}
+	\end{equation}
+	
+	Потеря этих параметров при конвертации делает невозможным использование данных для обучения 3D-нейронных сетей.
+	
+	\subsection{Пайплайн подготовки данных для YOLO}
+	
+	Стандартный пайплайн подготовки данных включает следующие этапы:
+	
+	\begin{enumerate}
+		\item \textbf{Аудит данных}: проверка структуры, целостности, соответствия форматам.
+		\item \textbf{Извлечение срезов}: конвертация 3D-данных в 2D-срезы.
+		\item \textbf{Синхронизация изображений и разметки}: соответствие срезов и масок.
+		\item \textbf{Нормализация изображений}: приведение интенсивностей к единому диапазону.
+		\item \textbf{Создание разметки в формате YOLO}: конвертация полигонов в bbox и полигоны.
+		\item \textbf{Структурирование данных}: организация файлов по стандартной структуре.
+		\item \textbf{Создание конфигурационных файлов}: \texttt{predefined\_classes.txt} и \texttt{data.yaml}.
+	\end{enumerate}
+	
+	\textbf{Стандартная структура директорий:}
+	\begin{verbatim}
+		experiment/
+		- images/              # 2D-срезы для обучения
+		- images_labels/       # Bbox-разметка (YOLO формат)
+		- polygons/          # Полигоны для сегментации
+		- images_result/       # Визуализация результатов
+		- masks_sam/         # Бинарные маски
+		- predefined_classes.txt  # Схема классов
+		- data.yaml            # Конфиг YOLO
+	\end{verbatim}
+	
+	\subsection{Роль врача-эксперта и понятие клинической <<легенды>>}
+	
+	Автоматизированная обработка не может заменить клиническую экспертизу. Под клинической <<легендой>> датасета понимается полное и точное описание данных.
+	
+	\textbf{Компоненты клинической <<легенды>>:}
+	\begin{itemize}
+		\item Модальность исследования (КТ, МРТ, ПЭТ и др.)
+		\item Протокол сканирования
+		\item Подтверждённый диагноз
+		\item Критерии включения и исключения
+		\item Правила разметки областей интереса
+		\item Источник данных
+		\item Версия программного обеспечения сканера
+	\end{itemize}
+	
+	\textbf{Риски отсутствия экспертизы:}
+	\begin{enumerate}
+		\item \textbf{Формирование ложных паттернов}: нейросеть может научиться распознавать не патологию, а артефакты сканирования или особенности оборудования (<<shortcut learning>>).
+		\item \textbf{Ошибки в неструктурированных данных}: файлы без расширений или с некорректными именами могут быть неверно интерпретированы.
+		\item \textbf{Потеря клинического контекста}: без верификации <<легенды>> датасета обучение модели становится бессмысленным.
+	\end{enumerate}
+	
+	\textbf{Обязательные меры:}
+	\begin{itemize}
+		\item Верификация выборки квалифицированным врачом-радиологом или онкологом.
+		\item Документирование всех этапов подготовки данных.
+		\item Фиксация модальности, версии ПО и источника данных в метаданных проекта.
+	\end{itemize}
+	
+	% ============================================================================
+	% 3. ПРАКТИЧЕСКАЯ ЧАСТЬ
+	% ============================================================================
+	
+	\section{Практическая часть}
+	
+	\subsection{Аудит структуры датасета}
+	
+	\subsubsection{Анализ директории \texttt{1\_2236040\_zno\_cyst\_AF}}
+	
+	Первым шагом является анализ структуры полученной директории с данными.
+	
+	\textbf{Исходная структура:}
+	\begin{verbatim}
+		1_2236040_zno_cyst_AF/
+		- 501 arterial ax 1mm iDose (5).nrrd   # Исходные 3D данные
+		- Segmentation.seg.nrrd                # Сегментационная маска
+		- dcm/                                 # DICOM-срезы (1042 файла)
+		- images/                              # PNG-срезы (300 файлов)
+		- images_labels/                       # Bbox-разметка
+		- polygons/                          # Полигоны для сегментации
+		- images_result/                       # Визуализация результатов
+		- masks_sam/                         # Маски SAM
+	\end{verbatim}
+	
+	\textbf{Статистика данных:}
+	\begin{table}[H]
+		\centering
+		\caption{Статистика датасета}
+		\begin{tabular}{l|r}
+			\toprule
+			\textbf{Тип данных} & \textbf{Количество} \\
+			\midrule
+			DICOM-файлы & 1042 \\
+			PNG-изображения & 300 \\
+			Файлы разметки (bbox) & 300 \\
+			Файлы разметки (polygons) & 300 \\
+			Классы & 12 \\
+			\bottomrule
+		\end{tabular}
+	\end{table}
+	
+	\textbf{Выявленные особенности:}
+	\begin{enumerate}
+		\item Исходные данные представлены в формате NRRD (изображение и сегментационная маска).
+		\item DICOM-файлы сгенерированы из NRRD.
+		\item PNG-изображения извлечены из определённого диапазона срезов (573--872).
+		\item Разметка представлена в формате YOLO как для детекции (bbox), так и для сегментации (полигоны).
+		\item Присутствуют \texttt{.gitkeep} файлы для сохранения пустых директорий.
+	\end{enumerate}
+	
+	\subsubsection{Проверка целостности данных}
+	
+	Для проверки целостности необходимо:
+	\begin{enumerate}
+		\item Сопоставить количество изображений и файлов разметки.
+		\item Проверить соответствие идентификаторов срезов.
+		\item Валидировать форматы координат в файлах разметки.
+		\item Проверить отсутствие повреждённых файлов.
+	\end{enumerate}
+	
+	\textbf{Пример проверки соответствия:}
+	\begin{lstlisting}
+		from pathlib import Path
+		
+		images_dir = Path("data/1_2236040_zno_cyst_AF/images")
+		labels_dir = Path("data/1_2236040_zno_cyst_AF/images_labels")
+		
+		images = set(f.stem for f in images_dir.glob("*.png"))
+		labels = set(f.stem for f in labels_dir.glob("*.txt"))
+		
+		missing_labels = images - labels
+		missing_images = labels - images
+		
+		print(len(images), len(labels))
+		print(len(missing_labels), len(missing_images))
+	\end{lstlisting}
+	
+	\subsection{Конвертация полигонов в бинарные маски}
+	
+	\subsubsection{Извлечение координат из DICOM-RT}
+	
+	Для конвертации полигонов из DICOM-RT Structure Set в бинарные маски используется библиотека \texttt{pydicom}.
+	
+	\textbf{Алгоритм конвертации:}
+	\begin{enumerate}
+		\item Чтение DICOM-RT Structure Set.
+		\item Извлечение контуров областей интереса (ROI).
+		\item Преобразование физических координат в пиксельные.
+		\item Растеризация полигонов в бинарные маски.
+		\item Визуальный контроль качества.
+	\end{enumerate}
+	
+	\textbf{Реализация:}
+	\begin{lstlisting}
+		import numpy as np
+		from skimage.draw import polygon
+		
+		def rasterize_contour(coords, shape):
+		mask = np.zeros(shape, dtype=np.uint8)
+		rr, cc = polygon(coords[:, 1], coords[:, 0], shape)
+		mask[rr, cc] = 1
+		return mask
+	\end{lstlisting}
+	
+	\subsubsection{Визуальный контроль качества}
+	
+	После конвертации необходимо визуально проверить качество полученных масок.
+	
+	\textbf{Скрипт для визуализации:}
+	\begin{lstlisting}
+		import matplotlib.pyplot as plt
+		
+		def show_mask(image, mask):
+		fig, axes = plt.subplots(1, 2, figsize=(12, 5))
+		axes[0].imshow(image, cmap='gray')
+		axes[0].set_title('Original')
+		axes[0].axis('off')
+		axes[1].imshow(image, cmap='gray')
+		axes[1].imshow(mask, cmap='jet', alpha=0.5)
+		axes[1].set_title('Mask')
+		axes[1].axis('off')
+		plt.show()
+	\end{lstlisting}
+	
+	\textbf{Типичные проблемы:}
+	\begin{itemize}
+		\item <<Разрывы>> контуров из-за повреждённых тегов.
+		\item Смещение контуров из-за ошибок в аффинных преобразованиях.
+		\item Пропущенные срезы в многослойных структурах.
+	\end{itemize}
+	
+	\subsection{Распаковка NRRD в 2D-срезы}
+	
+	\subsubsection{Загрузка NRRD-файлов}
+	
+	Для работы с NRRD-файлами используется библиотека \texttt{nrrd}.
+	
+	\textbf{Загрузка изображения и маски:}
+	\begin{lstlisting}
+		import nrrd
+		
+		def load_nrrd(path):
+		data, header = nrrd.read(path)
+		return data, header
+		
+		img_data, img_header = load_nrrd("image.nrrd")
+		seg_data, seg_header = load_nrrd("seg.seg.nrrd")
+	\end{lstlisting}
+	
+	\subsubsection{Синхронизация срезов}
+	
+	Критически важно сохранить соответствие между срезами изображения и маски.
+	
+	\textbf{Синхронизация:}
+	\begin{lstlisting}
+		def extract_slice(data, z):
+		return data[:, :, z].T
+		
+		img_slice = extract_slice(img_data, 600)
+		seg_slice = extract_slice(seg_data, 600)
+	\end{lstlisting}
+	
+	\subsubsection{Сохранение пространственной ориентации}
+	
+	При конвертации необходимо сохранить параметры ориентации.
+	
+	\textbf{Сохранение параметров:}
+	\begin{lstlisting}
+		def save_orientation(header, path):
+		params = {
+			'space': header.get('space', ''),
+			'space_directions': header.get('space directions', ''),
+			'space_origin': header.get('space origin', ''),
+			'spacings': header.get('spacings', ''),
+		}
+		with open(path, 'w') as f:
+		for k, v in params.items():
+		f.write(k + ': ' + str(v) + '\n')
+	\end{lstlisting}
+	
+	\subsection{Создание конфигурационных файлов}
+	
+	\subsubsection{\texttt{predefined\_classes.txt}}
+	
+	Файл \texttt{predefined\_classes.txt} содержит полную схему классов для эксперимента.
+	
+	\textbf{Содержимое файла:}
+	\begin{lstlisting}
+		right_kidney_ID1
+		right_kidney_upper_segment_ID2
+		right_kidney_middle_segment_ID3
+		right_kidney_lower_segment_ID4
+		left_kidney_ID5
+		left_kidney_upper_segment_ID6
+		left_kidney_middle_segment_ID7
+		left_kidney_lower_segment_ID8
+		malignant_tumor_ID9
+		benign_tumor_ID10
+		cyst_ID11
+		abscess_ID12
+	\end{lstlisting}
+	
+	\textbf{Формат:} один класс на строку, позиция в файле = YOLO index (0-based).
+	
+	\textbf{Особенности:}
+	\begin{enumerate}
+		\item Каждый эксперимент имеет свой собственный файл классов.
+		\item Позволяет использовать разные наборы классов для разных препаратов.
+		\item Скрипт \texttt{ttv\_freq2.py} автоматически загружает этот файл.
+		\item Обеспечивает согласованность классов между различными задачами (детекция, сегментация).
+	\end{enumerate}
+	
+	\subsubsection{\texttt{data.yaml}}
+	
+	Файл \texttt{data.yaml} является основным конфигурационным файлом для YOLO.
+	
+	\textbf{Содержимое файла:}
+	\begin{lstlisting}
+		path: D:/ai-med-edu/data/1_2236040_zno_cyst_AF
+		train: images
+		val: images
+		test: images
+		nc: 12
+		names: ['right_kidney_ID1', 'right_kidney_upper_segment_ID2']
+	\end{lstlisting}
+	
+	\textbf{Параметры:}
+	\begin{itemize}
+		\item \texttt{path}: абсолютный путь к папке эксперимента.
+		\item \texttt{train}/\texttt{val}/\texttt{test}: пути к файлам со списками изображений.
+		\item \texttt{nc}: количество классов (должно совпадать с количеством строк в \texttt{predefined\_classes.txt}).
+		\item \texttt{names}: список названий классов в порядке их индексов (0-based).
+	\end{itemize}
+	
+	% ============================================================================
+	% 4. РЕЗУЛЬТАТЫ
+	% ============================================================================
+	
+	\section{Результаты}
+	
+	\subsection{Структура директорий после обработки}
+	
+	После выполнения всех шагов обработки структура директорий имеет следующий вид:
+	
+	\begin{verbatim}
+		1_2236040_zno_cyst_AF/
+		- images/                              # PNG-срезы (300 файлов)
+		- slice_0573.png
+		- slice_0574.png
+		- ...
+		- images_labels/                       # Bbox-разметка
+		- slice_0573.txt
+		- slice_0574.txt
+		- ...
+		- polygons/                          # Полигоны
+		- slice_0573.txt
+		- slice_0574.txt
+		- ...
+		- images_result/                       # Визуализация
+		- slice_0573_preview.png
+		- slice_0574_preview.png
+		- ...
+		- masks_sam/                         # Бинарные маски
+		- slice_0573_class_8_obj_0000.png
+		- ...
+		- dcm/                                 # DICOM-срезы (1042 файла)
+		- slice_0000.dcm
+		- slice_0001.dcm
+		- ...
+		- predefined_classes.txt               # Схема классов (12 классов)
+		- data.yaml                            # Конфиг YOLO
+	\end{verbatim}
+	
+	\subsection{Примеры разметки}
+	
+	\subsubsection{Формат BBOX (детекция)}
+	
+	Файл: \texttt{images\_labels/slice\_0573.txt}
+	\begin{verbatim}
+		8 0.354492 0.541992 0.017578 0.021484
+	\end{verbatim}
+	
+	\textbf{Формат:} \texttt{<class\_id> <x\_center> <y\_center> <width> <height>}
+	
+	\textbf{Где:}
+	\begin{itemize}
+		\item \texttt{class\_id}: индекс класса (0-based).
+		\item \texttt{x\_center}, \texttt{y\_center}: координаты центра объекта (нормализованные от 0 до 1).
+		\item \texttt{width}, \texttt{height}: размеры объекта (нормализованные от 0 до 1).
+	\end{itemize}
+	
+	\subsubsection{Формат POLYGON (сегментация)}
+	
+	Файл: \texttt{images\_labels/polygons/slice\_0573.txt}
+	\begin{verbatim}
+		8 0.349609 0.531250 0.345703 0.535156 0.345703 0.542969 ...
+	\end{verbatim}
+	
+	\textbf{Формат:} \texttt{<class\_id> <x1> <y1> <x2> <y2> ... <xn> <yn>}
+	
+	\textbf{Где:}
+	\begin{itemize}
+		\item \texttt{class\_id}: индекс класса (0-based).
+		\item \texttt{x1}, \texttt{y1}, \texttt{x2}, \texttt{y2}, ...: координаты точек полигона (нормализованные от 0 до 1).
+	\end{itemize}
+	
+	\subsection{Статистика по классам}
+	
+	\begin{table}[H]
+		\centering
+		\caption{Распределение классов в датасете}
+		\begin{tabular}{l|r|r|r|r}
+			\toprule
+			\textbf{Класс} & \textbf{ID (1-based)} & \textbf{YOLO idx} & \textbf{Количество} & \textbf{Процент} \\
+			\midrule
+			right\_kidney & 1 & 0 & 300 & 100.0\% \\
+			right\_kidney\_upper\_segment & 2 & 1 & 35 & 11.7\% \\
+			right\_kidney\_middle\_segment & 3 & 2 & 55 & 18.3\% \\
+			right\_kidney\_lower\_segment & 4 & 3 & 47 & 15.7\% \\
+			left\_kidney & 5 & 4 & 26 & 8.7\% \\
+			left\_kidney\_upper\_segment & 6 & 5 & 28 & 9.3\% \\
+			left\_kidney\_middle\_segment & 7 & 6 & 36 & 12.0\% \\
+			left\_kidney\_lower\_segment & 8 & 7 & 44 & 14.7\% \\
+			malignant\_tumor & 9 & 8 & 52 & 17.3\% \\
+			benign\_tumor & 10 & 9 & 38 & 12.7\% \\
+			cyst & 11 & 10 & 41 & 13.7\% \\
+			abscess & 12 & 11 & 12 & 4.0\% \\
+			\bottomrule
+		\end{tabular}
+	\end{table}
+	
+	\textbf{Примечание:} Проценты указаны относительно общего количества изображений (300).
+	
+	% ============================================================================
+	% 5. ВЫВОДЫ
+	% ============================================================================
+	
+	\section{Выводы}
+	
+	В ходе выполнения лабораторной работы были получены следующие результаты:
+	
+	\begin{enumerate}
+		\item \textbf{Проведён аудит структуры датасета}: выявлены форматы данных (NRRD, DICOM, PNG), количество файлов и их соответствие.
+		
+		\item \textbf{Реализована конвертация полигонов в бинарные маски}: разработан пайплайн для преобразования полигональной разметки в растровые маски, пригодные для расчёта радиометрических характеристик и обучения сегментационных моделей.
+		
+		\item \textbf{Выполнена распаковка NRRD в 2D-срезы}: разработан автоматизированный скрипт, который извлекает 2D-срезы из 3D-массива, синхронизирует их с соответствующими масками и организует файловую систему по единому шаблону.
+		
+		\item \textbf{Созданы конфигурационные файлы}: \texttt{predefined\_classes.txt} (12 классов) и \texttt{data.yaml} -- единая точка управления классами и путями к данным.
+		
+		\item \textbf{Подтверждена роль врача-эксперта}: верификация клинической <<легенды>> датасета является обязательным условием для запуска обучения модели, предотвращая формирование ложных паттернов.
+		
+		\item \textbf{Выявлены системные риски}: потеря пространственной ориентации при распаковке NRRD, повреждённые теги в DICOM-RT, отсутствие клинической экспертизы.
+	\end{enumerate}
+	
+	\textbf{Рекомендации по масштабированию:}
+	\begin{enumerate}
+		\item Использовать \texttt{predefined\_classes.txt} как единый источник истины для всех экспериментов.
+		\item Автоматизировать проверку целостности данных перед обработкой.
+		\item Внедрить обязательную визуальную верификацию масок врачом-экспертом.
+		\item Сохранять параметры пространственной ориентации при любой конвертации.
+	\end{enumerate}
+	
+	% ============================================================================
+	% 6. КОНТРОЛЬНЫЕ ВОПРОСЫ
+	% ============================================================================
+	
+	\section{Контрольные вопросы}
+	
+	\begin{enumerate}
+		\item В чём заключаются принципиальные различия между форматами DICOM и NRRD? В каких случаях предпочтительнее использовать каждый из них при организации радиомических исследований?
+		
+		\item Почему файлы DICOM-RT Structure Set требуют особой проверки целостности перед конвертацией в бинарные маски? Какие последствия могут возникнуть при наличии повреждённых тегов?
+		
+		\item Какую роль играют метаданные \texttt{space directions} и \texttt{space origin} в формате NRRD? Почему их потеря критична при работе с 3D-моделями и обучении нейронных сетей?
+		
+		\item Что такое <<клиническая легенда>> датасета и почему её верификация врачом-экспертом является обязательным этапом перед обучением модели ИИ?
+		
+		\item Какие преимущества даёт использование конфигурационных файлов \texttt{data.yaml} и \texttt{predefined\_classes.txt} при масштабировании проекта и подключении новых когорт пациентов?
+		
+		\item Проанализируйте структуру закреплённого за вами датасета. К какой группе (DICOM или NRRD) он относится? Какие особенности хранения данных и разметки вы выявили?
+		
+		\item Опишите пошагово процесс конвертации полигональной разметки в бинарную маску для вашего формата данных. Какие библиотеки Python вы использовали и почему?
+		
+		\item Какие радиометрические характеристики были рассчитаны клиент-серверным приложением для областей интереса вашего датасета? Какие из этих признаков, на ваш взгляд, наиболее информативны для решения клинической задачи?
+		
+		\item Если бы вам потребовалось подключить к проекту новый датасет в неизвестном формате, какую последовательность действий вы бы предприняли? На каком этапе потребовалось бы привлечение врача-эксперта?
+		
+		\item Предложите стратегию масштабирования текущего датасета для его последующего использования в реальном клиническом внедрении. Какие дополнительные данные и в каком объёме необходимо привлечь?
+	\end{enumerate}
+	
+	% ============================================================================
+	% 7. СПИСОК ЛИТЕРАТУРЫ
+	% ============================================================================
+	
+	\section{Список литературы}
+	
+	\begin{enumerate}
+		\item Владзимирский, А. В. Компьютерное зрение в лучевой диагностике: первый этап Московского эксперимента / А. В. Владзимирский, Ю. А. Васильев, К. М. Арзамасов [и др.]. -- 2-е изд. -- Москва : ООО <<Издательские решения>>, 2023. -- 388 с. -- ISBN 978-5-0059-3043-9.
+		
+		\item Гавриченков, Ю. Д. Системы искусственного интеллекта : учебно-методическое пособие / Ю. Д. Гавриченков, В. Ю. Переверзев. -- Самара : Медицинский университет <<Реавиз>>, 2024. -- 55 с.
+		
+		\item Поляков, Е. В. Цифровая обработка медицинских изображений : учебное пособие / Е. В. Поляков, В. В. Дмитриева, А. А. Фроня. -- Москва : НИЯУ МИФИ, 2024. -- 100 с.
+		
+		\item Савченко, Е. Ю. Основы и применение нейронных сетей: теория, практика, инновации : учебное пособие / Е. Ю. Савченко. -- Бишкек : Нео Принт, 2024. -- 116 с.
+		
+		\item Молодяков, С. А. Применение функций OpenCV в компьютерном зрении (60 примеров на Python) / С. А. Молодяков. -- Санкт-Петербург : Изд-во Политехн. ун-та, 2022. -- 296 с.
+		
+		\item Jocher, G. Ultralytics YOLOv8 Documentation. -- URL: https://docs.ultralytics.com/ (дата обращения: 21.08.2026).
+		
+		\item van Griethuysen, J. J. M. Computational Radiomics System to Decode the Radiographic Phenotype / J. J. M. van Griethuysen, A. Fedorov, C. Parmar [et al.] // Cancer Research. -- 2017. -- Vol. 77, No. 21. -- P. e104--e107.
+	\end{enumerate}
+	
+	% ============================================================================
+	% ПРИЛОЖЕНИЕ
+	% ============================================================================
+	
+	\appendix
+	\section{Приложение: Код скрипта \texttt{nrrd\_to\_yolo.py}}
+	
+	\begin{lstlisting}[basicstyle=\ttfamily\footnotesize]
+		import os
+		import re
+		import numpy as np
+		import nrrd
+		import pydicom
+		from pydicom.uid import ExplicitVRLittleEndian
+		from pydicom.uid import generate_uid
+		from pathlib import Path
+		import matplotlib
+		matplotlib.use('Agg')
+		import matplotlib.pyplot as plt
+		from matplotlib.patches import Rectangle
+		from matplotlib.colors import ListedColormap
+		from scipy import ndimage
+		import cv2
+		
+		BASE_DIR = "data/1_2236040_zno_cyst_AF"
+		IMG_NRRD = "501 arterial ax 1mm iDose (5).nrrd"
+		SEG_NRRD = "Segmentation.seg.nrrd"
+		CT_CMAP = 'gray'
+		POLY_EPSILON = 0.01
+		
+		def extract_segment_metadata(header):
+		names = {}
+		colors = {}
+		for key, value in header.items():
+		if key.startswith('Segment') and key.endswith('_LabelValue'):
+		match = re.search(r'Segment(\d+)_LabelValue', key)
+		if match:
+		seg_idx = int(match.group(1))
+		label_val = int(float(value))
+		name_key = f'Segment{seg_idx}_Name'
+		names[label_val] = header.get(name_key, '')
+		color_key = f'Segment{seg_idx}_Color'
+		color_str = header.get(color_key, '')
+		if color_str:
+		parts = color_str.strip().split()
+		if len(parts) >= 3:
+		r, g, b = [int(float(c) * 255) for c in parts[:3]]
+		colors[label_val] = f"#{r:02x}{g:02x}{b:02x}"
+		return names, colors
+		
+		def create_dicom_from_slice(slice_data, z_index):
+		ds = pydicom.Dataset()
+		ds.file_meta = pydicom.Dataset()
+		ds.file_meta.TransferSyntaxUID = ExplicitVRLittleEndian
+		ds.file_meta.MediaStorageSOPClassUID = '1.2.840.10008.5.1.4.1.1.2'
+		ds.file_meta.MediaStorageSOPInstanceUID = generate_uid()
+		ds.file_meta.ImplementationClassUID = generate_uid()
+		ds.SOPClassUID = ds.file_meta.MediaStorageSOPClassUID
+		ds.SOPInstanceUID = ds.file_meta.MediaStorageSOPInstanceUID
+		ds.PatientName = "ANON^PATIENT"
+		ds.PatientID = "000000"
+		ds.StudyDate = "20260602"
+		ds.Modality = "CT"
+		ds.InstanceNumber = str(z_index)
+		ds.Rows, ds.Columns = slice_data.shape
+		ds.PixelSpacing = [1.0, 1.0]
+		ds.SliceThickness = 1.0
+		ds.BitsAllocated = 16
+		ds.BitsStored = 16
+		ds.HighBit = 15
+		ds.PixelRepresentation = 1
+		ds.ImagePositionPatient = [0.0, 0.0, float(z_index)]
+		ds.ImageOrientationPatient = [1.0, 0.0, 0.0, 0.0, 1.0, 0.0]
+		ds.SamplesPerPixel = 1
+		ds.PhotometricInterpretation = "MONOCHROME2"
+		ds.PixelData = slice_data.tobytes()
+		return ds
+		
+		def extract_polygon(mask_uint8):
+		contours, _ = cv2.findContours(mask_uint8, cv2.RETR_EXTERNAL,
+		cv2.CHAIN_APPROX_SIMPLE)
+		if not contours:
+		return None
+		largest_contour = max(contours, key=cv2.contourArea)
+		epsilon = POLY_EPSILON * cv2.arcLength(largest_contour, True)
+		approx = cv2.approxPolyDP(largest_contour, epsilon, True)
+		if len(approx) < 3:
+		return None
+		points = [(int(pt[0][0]), int(pt[0][1])) for pt in approx]
+		return points
+		
+		def save_png_safe(path, image):
+		success, buffer = cv2.imencode('.png', image)
+		if not success:
+		raise RuntimeError("cv2.imencode failed")
+		path.write_bytes(buffer.tobytes())
+		
+		def main():
+		base_path = Path(BASE_DIR)
+		if not base_path.exists():
+		print("Error: directory not found")
+		return
+		print("Working directory:", base_path.absolute())
+		for d in ["images", "dcm", "images_labels", "images_labels/polygons",
+		"images_result", "images_result/masks_sam"]:
+		(base_path / d).mkdir(exist_ok=True)
+		print("Loading NRRD...")
+		img_data, _ = nrrd.read(base_path / IMG_NRRD)
+		seg_data, seg_header = nrrd.read(base_path / SEG_NRRD)
+		if img_data.shape != seg_data.shape:
+		raise ValueError("Shape mismatch")
+		SEGMENT_NAMES, SEGMENT_COLORS = extract_segment_metadata(seg_header)
+		if not SEGMENT_NAMES:
+		print("No metadata, using placeholders")
+		unique = np.unique(seg_data[seg_data > 0])
+		SEGMENT_NAMES = {int(l): f"Class_{int(l)}" for l in unique}
+		SEGMENT_COLORS = {int(l): f"#{np.random.randint(0, 0xFFFFFF):06x}"
+			for l in unique}
+		sorted_labels = sorted(SEGMENT_NAMES.keys())
+		class_names = [SEGMENT_NAMES[l] for l in sorted_labels]
+		max_label = max(sorted_labels)
+		color_map_list = ['#000000'] * (max_label + 1)
+		for lbl, col in SEGMENT_COLORS.items():
+		if lbl <= max_label:
+		color_map_list[lbl] = col
+		custom_cmap = ListedColormap(color_map_list)
+		print("Found classes:", class_names)
+		(base_path / "predefined_classes.txt").write_text("\n".join(class_names))
+		W, H, D = img_data.shape
+		count = 0
+		mask_count = 0
+		for z in range(D):
+		img_slice = img_data[:, :, z].T
+		seg_slice = seg_data[:, :, z].T
+		create_dicom_from_slice(img_slice.astype(np.int16), z).save_as(
+		base_path / "dcm" / f"slice_{z:04d}.dcm")
+		p_min, p_max = np.percentile(img_slice, [0.5, 99.5])
+		img_uint8 = (np.clip(img_slice, p_min, p_max) - p_min) / (p_max - p_min + 1e-8) * 255
+		img_uint8 = img_uint8.astype(np.uint8)
+		slice_labels = np.unique(seg_slice[seg_slice > 0])
+		slice_labels = [int(l) for l in slice_labels]
+		if len(slice_labels) > 0:
+		bbox_lines = []
+		polygon_lines = []
+		fig, ax = plt.subplots(figsize=(img_slice.shape[1]/100,
+		img_slice.shape[0]/100))
+		ax.imshow(img_uint8, cmap=CT_CMAP)
+		ax.imshow(seg_slice, cmap=custom_cmap, alpha=0.4)
+		H_curr, W_curr = img_slice.shape
+		for label in slice_labels:
+		mask_class = (seg_slice == label)
+		labeled_objs, num_objs = ndimage.label(mask_class,
+		structure=np.ones((3,3)))
+		for obj_idx in range(1, num_objs + 1):
+		obj_mask = (labeled_objs == obj_idx)
+		ys, xs = np.where(obj_mask)
+		if len(ys) == 0:
+		continue
+		x_min, y_min, x_max, y_max = xs.min(), ys.min(), xs.max(), ys.max()
+		xc = (x_min + x_max) / 2.0
+		yc = (y_min + y_max) / 2.0
+		bw = x_max - x_min
+		bh = y_max - y_min
+		yolo_class_id = sorted_labels.index(label)
+		bbox_lines.append(
+		f"{yolo_class_id} {xc/W_curr:.6f} {yc/H_curr:.6f} "
+		f"{bw/W_curr:.6f} {bh/H_curr:.6f}")
+		obj_mask_uint8 = (obj_mask * 255).astype(np.uint8)
+		polygon = extract_polygon(obj_mask_uint8)
+		if polygon:
+		norm_points = []
+		for (px, py) in polygon:
+		norm_points.append(f"{px/W_curr:.6f}")
+		norm_points.append(f"{py/H_curr:.6f}")
+		polygon_lines.append(f"{yolo_class_id} " + " ".join(norm_points))
+		single_mask = np.zeros((H_curr, W_curr), dtype=np.uint8)
+		single_mask[obj_mask] = 255
+		mask_filename = (f"slice_{z:04d}_class_{yolo_class_id}_"
+		f"obj_{(obj_idx-1):04d}.png")
+		mask_path = base_path / "images_result" / "masks_sam" / mask_filename
+		try:
+		save_png_safe(mask_path, single_mask)
+		mask_count += 1
+		except Exception as e:
+		print("Error saving mask:", e)
+		color_hex = color_map_list[label]
+		rect = Rectangle((x_min, y_min), bw, bh, linewidth=2,
+		edgecolor=color_hex, facecolor='none',
+		linestyle='-', alpha=0.7)
+		ax.add_patch(rect)
+		if polygon:
+		poly_pts = np.array(polygon)
+		closed_pts = np.vstack([poly_pts, poly_pts[0:1]])
+		ax.plot(closed_pts[:, 0], closed_pts[:, 1],
+		color=color_hex, linewidth=2.5,
+		linestyle='--', alpha=0.9)
+		(base_path / "images_labels" / f"slice_{z:04d}.txt").write_text(
+		"\n".join(bbox_lines) + "\n")
+		if polygon_lines:
+		(base_path / "images_labels" / "polygons" / f"slice_{z:04d}.txt").write_text(
+		"\n".join(polygon_lines) + "\n")
+		plt.imsave(base_path / "images" / f"slice_{z:04d}.png",
+		img_uint8, cmap=CT_CMAP, format='png')
+		ax.set_title(f"Slice {z}")
+		ax.axis('off')
+		plt.tight_layout(pad=0)
+		plt.savefig(base_path / "images_result" / f"slice_{z:04d}_preview.png",
+		dpi=150, bbox_inches='tight')
+		plt.close(fig)
+		count += 1
+		(base_path / "data.yaml").write_text(
+		f"path: {base_path.absolute()}\n"
+		f"train: images\n"
+		f"val: images\n"
+		f"test: images\n"
+		f"nc: {len(class_names)}\n"
+		f"names: {class_names}\n")
+		print("Done! Processed slices:", count)
+		print("Created binary masks:", mask_count)
+		
+		if __name__ == "__main__":
+		try:
+		main()
+		except Exception as e:
+		print("Error:", e)
+		import traceback
+		traceback.print_exc()
+	\end{lstlisting}
+	
+\end{document}

labs/lab#2.tex

@@ -0,0 +1,660 @@
+% ============================================================================
+% ЛАБОРАТОРНАЯ РАБОТА №2
+% АНАЛИЗ РАДИОМЕТРИЧЕСКИХ ПРИЗНАКОВ
+% ============================================================================
+% КОМПИЛЯЦИЯ: pdflatex (ДВА ПРОХОДА)
+% ============================================================================
+
+\documentclass[12pt,a4paper]{article}
+
+% ============================================================================
+% ПРЕАМБУЛА
+% ============================================================================
+
+\usepackage[utf8]{inputenc}
+\usepackage[T2A]{fontenc}
+\usepackage[russian]{babel}
+
+\usepackage{amsmath,amssymb,amsfonts}
+\usepackage{graphicx}
+\usepackage{hyperref}
+\usepackage{listings}
+\usepackage{xcolor}
+\usepackage{geometry}
+\usepackage{booktabs}
+\usepackage{longtable}
+\usepackage{caption}
+\usepackage{subcaption}
+\usepackage{titlesec}
+\usepackage{float}
+\usepackage{array}
+\usepackage{multirow}
+\usepackage{enumitem}
+
+\geometry{left=2.5cm,right=2cm,top=2cm,bottom=2cm}
+
+\hypersetup{
+	colorlinks=true,
+	linkcolor=blue,
+	urlcolor=blue,
+	pdfauthor={Студент},
+	pdftitle={Лабораторная работа N2}
+}
+
+\lstset{
+	basicstyle=\ttfamily\footnotesize,
+	keywordstyle=\color{blue},
+	commentstyle=\color{green!60!black},
+	stringstyle=\color{red},
+	breaklines=true,
+	frame=single,
+	numbers=left,
+	numberstyle=\tiny,
+	tabsize=4,
+	language=Python,
+	extendedchars=true,
+	inputencoding=utf8,
+}
+
+\titleformat{\section}{\Large\bfseries\centering}{}{0pt}{}
+\titleformat{\subsection}{\large\bfseries}{}{0pt}{}
+\titleformat{\subsubsection}{\normalsize\bfseries}{}{0pt}{}
+
+\renewcommand{\refname}{Список использованной литературы}
+
+\begin{document}
+	
+	% ============================================================================
+	% ТИТУЛЬНЫЙ ЛИСТ
+	% ============================================================================
+	
+	\begin{titlepage}
+		\begin{center}
+			\vspace*{0.5cm}
+			
+			{\Large \textbf{ФГБУ <<НМИЦ онкологии им. Н.Н. Блохина>> Минздрава России}}
+			
+			\vspace{0.3cm}
+			{\large Кафедра медицинской информатики и искусственного интеллекта}
+			
+			\vspace{2.5cm}
+			
+			{\Huge \textbf{ЛАБОРАТОРНАЯ РАБОТА №2}}
+			
+			\vspace{0.5cm}
+			{\huge \textbf{Анализ радиометрических признаков}}
+			
+			\vspace{0.5cm}
+			{\Large и построение модели обнаружения областей интереса}
+			
+			\vspace{2.5cm}
+			
+			\begin{tabular}{p{0.4\textwidth}p{0.4\textwidth}}
+				\textbf{Выполнил:} & \textbf{Руководитель:} \\
+				\underline{\hspace{4cm}} & \underline{\hspace{4cm}} \\
+				\textit{ФИО студента} & \textit{ФИО преподавателя} \\
+				Группа: \underline{\hspace{2cm}} & Учёная степень: \underline{\hspace{2cm}} \\
+				Вариант: \underline{\hspace{2cm}} & \\
+			\end{tabular}
+			
+			\vspace{2.5cm}
+			
+			{\large Москва, 2026}
+			
+		\end{center}
+	\end{titlepage}
+	
+	% ============================================================================
+	% СОДЕРЖАНИЕ
+	% ============================================================================
+	
+	\tableofcontents
+	\newpage
+	
+	% ============================================================================
+	% 1. ВВЕДЕНИЕ
+	% ============================================================================
+	
+	\section{Введение}
+	
+	\subsection{Цель работы}
+	
+	Сформировать у слушателей практические навыки количественного анализа медицинских изображений методами радиомики и построения прогностических моделей машинного обучения для дифференциальной диагностики патологических образований.
+	
+	\textbf{Задачи работы:}
+	\begin{enumerate}
+		\item Провести разведочный анализ данных (EDA) радиометрических признаков.
+		\item Выполнить предобработку данных (импутация пропусков, масштабирование).
+		\item Обучить модель бинарной классификации для дифференцировки патологических состояний.
+		\item Оценить качество модели и интерпретировать результаты.
+		\item Проанализировать важность радиометрических признаков для клинической задачи.
+	\end{enumerate}
+	
+	\subsection{Клинический контекст}
+	
+	В рамках лабораторной работы используются данные радиомического анализа пациентов с новообразованиями почек из датасета \texttt{1\_2236040\_zno\_cyst\_AF}. Задача состоит в построении модели, способной дифференцировать патологические образования (злокачественные опухоли, доброкачественные опухоли, кисты, абсцессы) на основе количественных признаков, извлечённых из медицинских изображений.
+	
+	\textbf{Объекты дифференцировки:}
+	\begin{itemize}
+		\item Злокачественные опухоли (агрессивные новообразования)
+		\item Доброкачественные опухоли и кисты (неагрессивные образования)
+		\item Абсцессы (воспалительные процессы)
+	\end{itemize}
+	
+	\textbf{Клиническая значимость:} Неинвазивная дифференцировка типов патологических образований почек на основе радиомических признаков позволяет:
+	\begin{itemize}
+		\item Снизить количество инвазивных диагностических процедур (биопсий).
+		\item Ускорить процесс принятия клинических решений.
+		\item Повысить точность дифференциальной диагностики.
+		\item Персонализировать тактику лечения.
+	\end{itemize}
+	
+	\subsection{Концепция радиомики}
+	
+	Радиомика — это высокопроизводительный метод извлечения количественных признаков из медицинских изображений (КТ, МРТ, ПЭТ). Её ключевая идея заключается в том, что визуальная информация содержит скрытые паттерны, неразличимые для человеческого глаза, но поддающиеся математическому описанию. Эти паттерны могут служить неинвазивными биомаркерами, отражающими гистологию, генетику и агрессивность заболевания.
+	
+	\textbf{Пайплайн радиомического анализа:}
+	\begin{enumerate}
+		\item Получение медицинских изображений (КТ, МРТ).
+		\item Сегментация областей интереса (ROI).
+		\item Извлечение количественных признаков.
+		\item Предобработка и отбор признаков.
+		\item Построение прогностических моделей.
+		\item Клиническая валидация и интерпретация.
+	\end{enumerate}
+	
+	% ============================================================================
+	% 2. ТЕОРЕТИЧЕСКАЯ ЧАСТЬ
+	% ============================================================================
+	
+	\section{Теоретическая часть}
+	
+	\subsection{Классификация радиометрических признаков}
+	
+	Современные библиотеки (например, PyRadiomics) извлекают более 100 признаков. Они делятся на несколько основных групп.
+	
+	\subsubsection{Геометрические признаки (Shape)}
+	
+	Описывают форму и размер области интереса (ROI).
+	
+	\textbf{Элонгация (вытянутость):}
+	\begin{equation}
+		E = \frac{L_{minor}}{L_{major}}
+	\end{equation}
+	где:
+	\begin{itemize}
+		\item $E$ -- элонгация (от 0 до 1)
+		\item $L_{minor}$ и $L_{major}$ -- малая и большая оси аппроксимирующего эллипса
+	\end{itemize}
+	Значение, близкое к 1, указывает на округлую (часто доброкачественную) форму.
+	
+	\textbf{Сферичность:}
+	\begin{equation}
+		S = \frac{36\pi V^2}{A^3}
+	\end{equation}
+	где:
+	\begin{itemize}
+		\item $V$ -- объём ROI
+		\item $A$ -- площадь поверхности
+	\end{itemize}
+	Низкая сферичность указывает на инфильтративный, нерегулярный рост.
+	
+	\subsubsection{Статистики первого порядка (First-order)}
+	
+	Описывают распределение интенсивности пикселей без учёта их расположения.
+	
+	\textbf{Среднее значение:}
+	\begin{equation}
+		\mu = \frac{1}{N} \sum_{i=1}^{N} X_i
+	\end{equation}
+	где:
+	\begin{itemize}
+		\item $\mu$ -- средняя интенсивность
+		\item $N$ -- число пикселей в маске
+		\item $X_i$ -- интенсивность $i$-го пикселя
+	\end{itemize}
+	
+	\textbf{Дисперсия:}
+	\begin{equation}
+		\sigma^2 = \frac{1}{N-1} \sum_{i=1}^{N} (X_i - \mu)^2
+	\end{equation}
+	где $\sigma^2$ -- мера разброса значений (неоднородности ткани).
+	
+	\textbf{Энтропия (мера хаотичности):}
+	\begin{equation}
+		H = -\sum_{k} p_k \cdot \log_2(p_k)
+	\end{equation}
+	где:
+	\begin{itemize}
+		\item $H$ -- энтропия Шеннона
+		\item $p_k$ -- вероятность появления интенсивности $k$
+	\end{itemize}
+	Высокая энтропия часто коррелирует с некрозом или фиброзом внутри опухоли.
+	
+	\subsubsection{Текстурные признаки}
+	
+	\textbf{Матрица пространственной смежности (GLCM)} оценивает, как часто пиксели с определёнными уровнями яркости встречаются рядом.
+	
+	\textbf{Контраст:}
+	\begin{equation}
+		Contrast = \sum_{i} \sum_{j} |i - j|^2 \cdot P(i, j)
+	\end{equation}
+	где $P(i, j)$ -- вероятность совместного появления пикселей с интенсивностями $i$ и $j$. Высокий контраст указывает на резкие перепады яркости.
+	
+	\textbf{Энергия (однородность):}
+	\begin{equation}
+		Energy = \sum_{i} \sum_{j} P(i, j)^2
+	\end{equation}
+	Высокая энергия указывает на однородность текстуры.
+	
+	\textbf{Корреляция:}
+	\begin{equation}
+		Correlation = \frac{\sum_{i} \sum_{j} (i - \mu_i)(j - \mu_j) P(i, j)}{\sigma_i \sigma_j}
+	\end{equation}
+	Характеризует линейную зависимость между соседними пикселями.
+	
+	\subsection{Метрики оценки моделей в клиническом контексте}
+	
+	При бинарной классификации ($0$ -- норма/доброкачественное, $1$ -- патология/злокачественное) критически важен выбор метрики.
+	
+	\textbf{Полнота (Recall):}
+	\begin{equation}
+		Recall = \frac{TP}{TP + FN}
+	\end{equation}
+	Приоритетна для скрининга: минимизирует пропуск патологии (ложноотрицательные результаты).
+	
+	\textbf{Точность (Precision):}
+	\begin{equation}
+		Precision = \frac{TP}{TP + FP}
+	\end{equation}
+	Приоритетна для подтверждающей диагностики: минимизирует ложные тревоги, ведущие к ненужным биопсиям.
+	
+	\textbf{F1-мера (баланс):}
+	\begin{equation}
+		F1 = 2 \cdot \frac{Precision \cdot Recall}{Precision + Recall}
+	\end{equation}
+	
+	\textbf{ROC-AUC:} Площадь под ROC-кривой. Значение 0.5 соответствует случайному угадыванию, 1.0 -- идеальному классификатору.
+	
+	\subsection{Предобработка данных}
+	
+	\textbf{Стандартизация (Z-score):}
+	\begin{equation}
+		z = \frac{x - \mu}{\sigma}
+	\end{equation}
+	где:
+	\begin{itemize}
+		\item $z$ -- нормализованное значение
+		\item $x$ -- исходное значение
+		\item $\mu$ и $\sigma$ -- среднее и стандартное отклонение признака по обучающей выборке
+	\end{itemize}
+	Обязательна для линейных моделей и нейросетей.
+	
+	\textbf{Импутация пропусков:}
+	\begin{equation}
+		x_{imputed} = \text{median}(X)
+	\end{equation}
+	Медианная импутация устойчива к выбросам.
+	
+	% ============================================================================
+	% 3. ПРАКТИЧЕСКАЯ ЧАСТЬ
+	% ============================================================================
+	
+	\section{Практическая часть}
+	
+	\subsection{Загрузка и разведочный анализ данных (EDA)}
+	
+	\subsubsection{Загрузка данных}
+	
+	Радиометрические характеристики сохраняются в CSV-формате после обработки на платформе <<БиоМедАналитика>>.
+	
+	\begin{lstlisting}
+		import pandas as pd
+		import numpy as np
+		import matplotlib.pyplot as plt
+		import seaborn as sns
+		
+		df = pd.read_csv('result.csv')
+		print(df.shape)
+		print(df.columns.tolist()[:10])
+		print(df.info())
+		print(df.describe())
+	\end{lstlisting}
+	
+	\subsubsection{Анализ распределения классов}
+	
+	\begin{lstlisting}
+		print("Distribution of classes:")
+		print(df['label'].value_counts())
+		print(df['label'].value_counts(normalize=True))
+		
+		sns.countplot(data=df, x='label')
+		plt.title('Distribution of classes')
+		plt.show()
+	\end{lstlisting}
+	
+	\subsubsection{Визуализация распределений признаков}
+	
+	\begin{lstlisting}
+		features = ['original_firstorder_Mean', 'original_firstorder_Entropy',
+		'original_glcm_Contrast', 'original_glcm_Correlation']
+		
+		fig, axes = plt.subplots(2, 2, figsize=(12, 10))
+		for i, feat in enumerate(features):
+		ax = axes[i//2, i%2]
+		sns.histplot(data=df, x=feat, hue='label', kde=True, ax=ax)
+		ax.set_title(feat)
+		plt.tight_layout()
+		plt.show()
+	\end{lstlisting}
+	
+	\subsection{Предобработка данных}
+	
+	\subsubsection{Выделение признаков и целевой переменной}
+	
+	\begin{lstlisting}
+		feature_cols = [col for col in df.columns if col not in ['label', 'path_to_cell', 'source_file']]
+		X = df[feature_cols]
+		y = df['label']
+		
+		print("Features shape:", X.shape)
+		print("Target shape:", y.shape)
+		print("Classes:", y.unique())
+	\end{lstlisting}
+	
+	\subsubsection{Разделение на обучающую и тестовую выборки}
+	
+	\begin{lstlisting}
+		from sklearn.model_selection import train_test_split
+		
+		X_train, X_test, y_train, y_test = train_test_split(
+		X, y, test_size=0.3, random_state=42, stratify=y
+		)
+		
+		print("Train size:", X_train.shape[0])
+		print("Test size:", X_test.shape[0])
+		print("Train class distribution:\n", y_train.value_counts(normalize=True))
+		print("Test class distribution:\n", y_test.value_counts(normalize=True))
+	\end{lstlisting}
+	
+	\subsubsection{Импутация пропусков}
+	
+	\begin{lstlisting}
+		from sklearn.impute import SimpleImputer
+		
+		imputer = SimpleImputer(strategy='median')
+		X_train_imputed = imputer.fit_transform(X_train)
+		X_test_imputed = imputer.transform(X_test)
+		
+		print("Missing values after imputation:", 
+		np.isnan(X_train_imputed).sum(), np.isnan(X_test_imputed).sum())
+	\end{lstlisting}
+	
+	\subsubsection{Стандартизация}
+	
+	\begin{lstlisting}
+		from sklearn.preprocessing import StandardScaler
+		
+		scaler = StandardScaler()
+		X_train_scaled = scaler.fit_transform(X_train_imputed)
+		X_test_scaled = scaler.transform(X_test_imputed)
+		
+		print("Mean after scaling:", X_train_scaled.mean(axis=0)[:5])
+		print("Std after scaling:", X_train_scaled.std(axis=0)[:5])
+	\end{lstlisting}
+	
+	\subsection{Обучение модели}
+	
+	\subsubsection{Случайный лес (Random Forest)}
+	
+	Случайный лес устойчив к выбросам, не требует строгой нормализации и позволяет оценить важность признаков.
+	
+	\begin{lstlisting}
+		from sklearn.ensemble import RandomForestClassifier
+		from sklearn.metrics import classification_report, confusion_matrix
+		from sklearn.metrics import roc_auc_score, RocCurveDisplay
+		
+		model = RandomForestClassifier(
+		n_estimators=100,
+		random_state=42,
+		class_weight='balanced'
+		)
+		
+		model.fit(X_train_scaled, y_train)
+	\end{lstlisting}
+	
+	\subsubsection{Оценка качества}
+	
+	\begin{lstlisting}
+		y_pred = model.predict(X_test_scaled)
+		y_prob = model.predict_proba(X_test_scaled)[:, 1]
+		
+		print("Classification Report:")
+		print(classification_report(y_test, y_pred, target_names=['Benign', 'Malignant']))
+		
+		cm = confusion_matrix(y_test, y_pred)
+		print("Confusion Matrix:")
+		print(cm)
+		
+		auc = roc_auc_score(y_test, y_prob)
+		print("ROC-AUC:", auc)
+	\end{lstlisting}
+	
+	\subsubsection{Визуализация результатов}
+	
+	\begin{lstlisting}
+		fig, axes = plt.subplots(1, 2, figsize=(12, 5))
+		
+		sns.heatmap(cm, annot=True, fmt='d', cmap='Blues', ax=axes[0])
+		axes[0].set_title('Confusion Matrix')
+		axes[0].set_xlabel('Predicted')
+		axes[0].set_ylabel('True')
+		
+		RocCurveDisplay.from_estimator(model, X_test_scaled, y_test, ax=axes[1])
+		axes[1].set_title('ROC Curve')
+		
+		plt.tight_layout()
+		plt.show()
+	\end{lstlisting}
+	
+	\subsection{Анализ важности признаков}
+	
+	\begin{lstlisting}
+		importance = pd.DataFrame({
+			'feature': feature_cols,
+			'importance': model.feature_importances_
+		}).sort_values('importance', ascending=False)
+		
+		print("Top 10 features:")
+		print(importance.head(10))
+		
+		plt.figure(figsize=(10, 8))
+		sns.barplot(data=importance.head(15), x='importance', y='feature')
+		plt.title('Feature Importance')
+		plt.xlabel('Importance')
+		plt.tight_layout()
+		plt.show()
+	\end{lstlisting}
+	
+	% ============================================================================
+	% 4. ВАРИАНТЫ ЗАДАНИЙ
+	% ============================================================================
+	
+	\section{Варианты заданий}
+	
+	Выберите один из вариантов в соответствии с указанием преподавателя. Каждый вариант акцентирует внимание на специфике определённой анатомической зоны.
+	
+	\begin{table}[H]
+		\centering
+		\caption{Варианты заданий}
+		\begin{tabular}{p{1.5cm}|p{5cm}|p{6cm}}
+			\toprule
+			\textbf{Вариант} & \textbf{Анатомическая зона} & \textbf{Акцент} \\
+			\midrule
+			1 & Почки & Геометрические признаки и статистики первого порядка \\
+			2 & Молочная железа & Текстурные признаки (GLCM, GLRLM) \\
+			3 & Головной мозг & Спектральные признаки и NGTDM \\
+			4 & Брюшная полость & Комбинированное использование всех групп признаков \\
+			5 & Мультимодальный анализ & Сравнительный анализ и формулировка гипотез \\
+			\bottomrule
+		\end{tabular}
+	\end{table}
+	
+	\textbf{Задание повышенной сложности (со звёздочкой):}
+	
+	Реализуйте отбор признаков методом рекурсивного исключения (RFE) или через \texttt{SelectFromModel}. Сравните метрики модели до и после уменьшения размерности.
+	
+	\begin{lstlisting}
+		from sklearn.feature_selection import RFE
+		from sklearn.linear_model import LogisticRegression
+		
+		selector = RFE(LogisticRegression(), n_features_to_select=20)
+		selector.fit(X_train_scaled, y_train)
+		selected_features = selector.get_support()
+		
+		print("Selected features:", np.sum(selected_features))
+		X_train_selected = X_train_scaled[:, selected_features]
+		X_test_selected = X_test_scaled[:, selected_features]
+		
+		model_selected = RandomForestClassifier(random_state=42)
+		model_selected.fit(X_train_selected, y_train)
+		y_pred_selected = model_selected.predict(X_test_selected)
+		
+		print("Accuracy with RFE:", accuracy_score(y_test, y_pred_selected))
+	\end{lstlisting}
+	
+	% ============================================================================
+	% 5. РЕЗУЛЬТАТЫ
+	% ============================================================================
+	
+	\section{Результаты}
+	
+	\subsection{Пример результатов}
+	
+	Ниже приведены типичные результаты, которые можно получить при выполнении работы.
+	
+	\begin{table}[H]
+		\centering
+		\caption{Метрики качества модели (пример)}
+		\begin{tabular}{l|r|r|r}
+			\toprule
+			\textbf{Метрика} & \textbf{Значение} & \textbf{95\% CI} & \textbf{Интерпретация} \\
+			\midrule
+			Accuracy & 0.89 & 0.85--0.93 & Хорошее качество \\
+			Precision (Malignant) & 0.87 & 0.82--0.92 & Низкий уровень ЛП \\
+			Recall (Malignant) & 0.92 & 0.88--0.96 & Высокая чувствительность \\
+			F1 (Malignant) & 0.89 & 0.85--0.93 & Хороший баланс \\
+			ROC-AUC & 0.94 & 0.91--0.97 & Отличная дискриминация \\
+			\bottomrule
+		\end{tabular}
+	\end{table}
+	
+	\subsection{Важность признаков (пример)}
+	
+	\begin{table}[H]
+		\centering
+		\caption{Топ-10 важнейших признаков}
+		\begin{tabular}{l|r}
+			\toprule
+			\textbf{Признак} & \textbf{Важность} \\
+			\midrule
+			original\_firstorder\_Entropy & 0.142 \\
+			original\_glcm\_Contrast & 0.118 \\
+			original\_firstorder\_Variance & 0.095 \\
+			original\_shape\_Sphericity & 0.087 \\
+			original\_glcm\_Correlation & 0.076 \\
+			original\_firstorder\_Mean & 0.068 \\
+			original\_glrlm\_RunEntropy & 0.062 \\
+			original\_glszm\_ZoneEntropy & 0.055 \\
+			original\_gldm\_DependenceEntropy & 0.048 \\
+			original\_shape\_Elongation & 0.041 \\
+			\bottomrule
+		\end{tabular}
+	\end{table}
+	
+	\textbf{Интерпретация:}
+	\begin{enumerate}
+		\item \textbf{Энтропия} (original\_firstorder\_Entropy) -- отражает гетерогенность ткани. Высокая энтропия указывает на неоднородность, характерную для злокачественных образований.
+		\item \textbf{Контраст} (original\_glcm\_Contrast) -- характеризует резкие перепады интенсивности, связанные с неоваскуляризацией и некрозом.
+		\item \textbf{Дисперсия} (original\_firstorder\_Variance) -- мера разброса значений интенсивности, отражающая неоднородность ткани.
+		\item \textbf{Сферичность} (original\_shape\_Sphericity) -- низкая сферичность характерна для инфильтративного роста злокачественных опухолей.
+	\end{enumerate}
+	
+	% ============================================================================
+	% 6. ВЫВОДЫ
+	% ============================================================================
+	
+	\section{Выводы}
+	
+	В ходе выполнения лабораторной работы были получены следующие результаты:
+	
+	\begin{enumerate}
+		\item \textbf{Проведён разведочный анализ данных}: выявлены закономерности в распределении признаков, определены классы и их соотношение.
+		
+		\item \textbf{Выполнена предобработка данных}: реализована импутация пропусков и стандартизация признаков.
+		
+		\item \textbf{Обучена модель случайного леса}: модель демонстрирует высокое качество классификации (ROC-AUC $> 0.9$).
+		
+		\item \textbf{Проведён анализ важности признаков}: выявлены ключевые радиометрические характеристики (энтропия, контраст, дисперсия, сферичность) для дифференцировки патологических состояний.
+		
+		\item \textbf{Результаты интерпретированы с клинической точки зрения}: подтверждена диагностическая ценность текстурных признаков и статистик первого порядка.
+	\end{enumerate}
+	
+	\textbf{Клинические рекомендации:}
+	\begin{enumerate}
+		\item Для скрининга рекомендуется использовать метрику Recall (минимизация пропуска патологии).
+		\item Для подтверждающей диагностики рекомендуется использовать метрику Precision (минимизация ложных тревог).
+		\item Текстурные признаки (GLCM\_Contrast, GLCM\_Entropy) являются наиболее информативными для дифференциальной диагностики.
+	\end{enumerate}
+	
+	% ============================================================================
+	% 7. КОНТРОЛЬНЫЕ ВОПРОСЫ
+	% ============================================================================
+	
+	\section{Контрольные вопросы}
+	
+	\begin{enumerate}
+		\item В чём заключается принципиальное различие между статистиками первого порядка и текстурными признаками? Приведите пример медицинской задачи, в которой каждый из этих типов признаков будет обладать максимальной диагностической ценностью.
+		
+		\item Почему метрика Accuracy может давать искажённое представление о качестве модели при работе с медицинскими данными? Какие альтернативные метрики предпочтительнее использовать в задачах скрининга и по какой причине?
+		
+		\item Какую информацию несёт коэффициент корреляции Пирсона между двумя признаками? Почему наличие сильной корреляции (мультиколлинеарности) может создавать проблемы при обучении линейных моделей?
+		
+		\item Дайте содержательное объяснение метрики ROC-AUC. В каких ситуациях её использование более оправдано по сравнению с F1-мерой?
+		
+		\item Перечислите обязательные этапы предобработки радиометрических данных перед обучением модели. Обоснуйте необходимость каждого из них с точки зрения статистики и машинного обучения.
+		
+		\item Проанализируйте матрицу ошибок вашей модели: какое количество ложноположительных и ложноотрицательных прогнозов было допущено? Какой из этих типов ошибок представляет большую опасность в контексте вашей задачи и почему?
+		
+		\item Назовите три признака, оказавшие наибольшее влияние на прогноз вашей модели. Как вы интерпретируете их вклад с медицинской точки зрения?
+		
+		\item Если бы у вас появилась возможность дополнить набор данных одним новым типом информации (помимо радиометрических признаков), что бы вы выбрали: клинические метаданные, результаты лабораторных исследований, геномные данные? Обоснуйте свой выбор.
+		
+		\item Как изменится ваша стратегия моделирования при увеличении объёма обучающей выборки в десять раз? Какие корректировки потребуются в случае сокращения данных вдвое?
+		
+		\item Какие шаги вы предпримете, если модель демонстрирует высокую полноту при низкой точности прогноза положительных случаев (или наоборот)? Как такой дисбаланс повлияет на возможности клинического применения модели?
+	\end{enumerate}
+	
+	% ============================================================================
+	% 8. СПИСОК ЛИТЕРАТУРЫ
+	% ============================================================================
+	
+	\section{Список литературы}
+	
+	\begin{enumerate}
+		\item Владзимирский, А. В. Компьютерное зрение в лучевой диагностике: первый этап Московского эксперимента / А. В. Владзимирский, Ю. А. Васильев, К. М. Арзамасов [и др.]. -- 2-е изд. -- Москва : ООО <<Издательские решения>>, 2023. -- 388 с. -- ISBN 978-5-0059-3043-9.
+		
+		\item Гавриченков, Ю. Д. Системы искусственного интеллекта : учебно-методическое пособие / Ю. Д. Гавриченков, В. Ю. Переверзев. -- Самара : Медицинский университет <<Реавиз>>, 2024. -- 55 с.
+		
+		\item Поляков, Е. В. Цифровая обработка медицинских изображений : учебное пособие / Е. В. Поляков, В. В. Дмитриева, А. А. Фроня. -- Москва : НИЯУ МИФИ, 2024. -- 100 с.
+		
+		\item Савченко, Е. Ю. Основы и применение нейронных сетей: теория, практика, инновации : учебное пособие / Е. Ю. Савченко. -- Бишкек : Нео Принт, 2024. -- 116 с.
+		
+		\item van Griethuysen, J. J. M. Computational Radiomics System to Decode the Radiographic Phenotype / J. J. M. van Griethuysen, A. Fedorov, C. Parmar [et al.] // Cancer Research. -- 2017. -- Vol. 77, No. 21. -- P. e104--e107.
+		
+		\item Lambin, P. Radiomics: the bridge between medical imaging and personalized medicine / P. Lambin, E. Rios-Velazquez, R. Leijenaar [et al.] // Nature Reviews Clinical Oncology. -- 2017. -- Vol. 14, No. 12. -- P. 749--762.
+		
+		\item Breiman, L. Random Forests / L. Breiman // Machine Learning. -- 2001. -- Vol. 45, No. 1. -- P. 5--32.
+	\end{enumerate}
+	
+\end{document}

labs/lab#4.tex

@@ -0,0 +1,868 @@
+% ============================================================================
+% ЛАБОРАТОРНАЯ РАБОТА №4
+% ПОЛНЫЙ ПАЙПЛАЙН ПОДГОТОВКИ ДАННЫХ И ОБУЧЕНИЯ МОДЕЛЕЙ ИИ
+% ============================================================================
+
+\documentclass[12pt,a4paper]{article}
+
+% ============================================================================
+% ПРЕАМБУЛА
+% ============================================================================
+
+\usepackage[utf8]{inputenc}
+\usepackage[T2A]{fontenc}
+\usepackage[russian]{babel}
+
+\usepackage{amsmath,amssymb,amsfonts}
+\usepackage{graphicx}
+\usepackage{hyperref}
+\usepackage{listings}
+\usepackage{xcolor}
+\usepackage{geometry}
+\usepackage{booktabs}
+\usepackage{longtable}
+\usepackage{caption}
+\usepackage{subcaption}
+\usepackage{titlesec}
+\usepackage{float}
+\usepackage{array}
+\usepackage{multirow}
+\usepackage{enumitem}
+\usepackage{setspace}
+
+\geometry{left=2.5cm,right=2cm,top=2cm,bottom=2cm}
+
+\hypersetup{
+	colorlinks=true,
+	linkcolor=blue,
+	urlcolor=blue,
+	pdfauthor={Student},
+	pdftitle={Lab 4}
+}
+
+% --- НАСТРОЙКА ЛИСТИНГОВ С ПОДДЕРЖКОЙ КИРИЛЛИЦЫ ---
+\lstset{
+	breaklines=true,
+	breakatwhitespace=false,
+	basicstyle=\scriptsize\ttfamily,
+	keywordstyle=\bfseries\color{blue!70},
+	commentstyle=\itshape\color{gray!70},
+	stringstyle=\color{red!60!black},
+	frame=single,
+	rulecolor=\color{gray!50},
+	numbers=left,
+	numberstyle=\tiny\color{gray},
+	numbersep=5pt,
+	tabsize=4,
+	showstringspaces=false,
+	captionpos=b,
+	extendedchars=true,
+	literate=
+	{А}{{\selectfont\char192}}1 {Б}{{\selectfont\char193}}1 {В}{{\selectfont\char194}}1 {Г}{{\selectfont\char195}}1 {Д}{{\selectfont\char196}}1 {Е}{{\selectfont\char197}}1 {Ё}{{\selectfont\char168}}1 {Ж}{{\selectfont\char198}}1 {З}{{\selectfont\char199}}1 {И}{{\selectfont\char200}}1 {Й}{{\selectfont\char201}}1 {К}{{\selectfont\char202}}1 {Л}{{\selectfont\char203}}1 {М}{{\selectfont\char204}}1 {Н}{{\selectfont\char205}}1 {О}{{\selectfont\char206}}1 {П}{{\selectfont\char207}}1 {Р}{{\selectfont\char208}}1 {С}{{\selectfont\char209}}1 {Т}{{\selectfont\char210}}1 {У}{{\selectfont\char211}}1 {Ф}{{\selectfont\char212}}1 {Х}{{\selectfont\char213}}1 {Ц}{{\selectfont\char214}}1 {Ч}{{\selectfont\char215}}1 {Ш}{{\selectfont\char216}}1 {Щ}{{\selectfont\char217}}1 {Ъ}{{\selectfont\char218}}1 {Ы}{{\selectfont\char219}}1 {Ь}{{\selectfont\char220}}1 {Э}{{\selectfont\char221}}1 {Ю}{{\selectfont\char222}}1 {Я}{{\selectfont\char223}}1
+	{а}{{\selectfont\char224}}1 {б}{{\selectfont\char225}}1 {в}{{\selectfont\char226}}1 {г}{{\selectfont\char227}}1 {д}{{\selectfont\char228}}1 {е}{{\selectfont\char229}}1 {ё}{{\selectfont\char184}}1 {ж}{{\selectfont\char230}}1 {з}{{\selectfont\char231}}1 {и}{{\selectfont\char232}}1 {й}{{\selectfont\char233}}1 {к}{{\selectfont\char234}}1 {л}{{\selectfont\char235}}1 {м}{{\selectfont\char236}}1 {н}{{\selectfont\char237}}1 {о}{{\selectfont\char238}}1 {п}{{\selectfont\char239}}1 {р}{{\selectfont\char240}}1 {с}{{\selectfont\char241}}1 {т}{{\selectfont\char242}}1 {у}{{\selectfont\char243}}1 {ф}{{\selectfont\char244}}1 {х}{{\selectfont\char245}}1 {ц}{{\selectfont\char246}}1 {ч}{{\selectfont\char247}}1 {ш}{{\selectfont\char248}}1 {щ}{{\selectfont\char249}}1 {ъ}{{\selectfont\char250}}1 {ы}{{\selectfont\char251}}1 {ь}{{\selectfont\char252}}1 {э}{{\selectfont\char253}}1 {ю}{{\selectfont\char254}}1 {я}{{\selectfont\char255}}1
+}
+
+\titleformat{\section}{\Large\bfseries\centering}{}{0pt}{}
+\titleformat{\subsection}{\large\bfseries}{}{0pt}{}
+\titleformat{\subsubsection}{\normalsize\bfseries}{}{0pt}{}
+
+\renewcommand{\refname}{References}
+
+\begin{document}
+	
+	% ============================================================================
+	% ТИТУЛЬНЫЙ ЛИСТ
+	% ============================================================================
+	
+	\begin{titlepage}
+		\begin{center}
+			\vspace*{0.5cm}
+			
+			{\Large \textbf{ФГБУ <<НМИЦ онкологии им. Н.Н. Блохина>> Минздрава России}}
+			
+			\vspace{0.3cm}
+			{\large Кафедра медицинской информатики и искусственного интеллекта}
+			
+			\vspace{2.5cm}
+			
+			{\Huge \textbf{ЛАБОРАТОРНАЯ РАБОТА №4}}
+			
+			\vspace{0.5cm}
+			{\huge \textbf{Полный пайплайн подготовки данных}}
+			
+			\vspace{0.5cm}
+			{\Large и обучения моделей искусственного интеллекта в онкологии}
+			
+			\vspace{0.5cm}
+			{\Large \textbf{От сырых медицинских данных до готовой модели}}
+			
+			\vspace{2.5cm}
+			
+			\begin{tabular}{p{0.4\textwidth} p{0.4\textwidth}}
+				\textbf{Выполнил:} & \textbf{Руководитель:} \\
+				\underline{\hspace{4cm}} & \underline{\hspace{4cm}} \\
+				\textit{ФИО студента} & \textit{ФИО преподавателя} \\
+				Группа: \underline{\hspace{2cm}} & Учёная степень: \underline{\hspace{2cm}} \\
+				Вариант: \underline{\hspace{2cm}} & \\
+			\end{tabular}
+			
+			\vspace{2.5cm}
+			
+			{\large Москва, 2026}
+			
+		\end{center}
+	\end{titlepage}
+	
+	% ============================================================================
+	% СОДЕРЖАНИЕ
+	% ============================================================================
+	
+	\tableofcontents
+	\newpage
+	
+	% ============================================================================
+	% ВВЕДЕНИЕ
+	% ============================================================================
+	
+	\section{Введение}
+	
+	\subsection{Цель работы}
+	
+	Систематизировать и интегрировать знания, полученные в ходе выполнения предыдущих лабораторных работ, в единый производственный пайплайн обработки медицинских данных для задач искусственного интеллекта в онкологии. Сформировать целостное понимание всех этапов: от получения сырых медицинских данных до развёртывания обученной модели в клинической практике.
+	
+	\textbf{Задачи работы:}
+	\begin{enumerate}
+		\item Проанализировать полный жизненный цикл данных в проекте медицинского ИИ.
+		\item Рассмотреть все этапы пайплайна: сбор, аудит, предобработка, разметка, обучение, валидация, внедрение.
+		\item Изучить работу скриптов и инструментов, обеспечивающих автоматизацию процессов.
+		\item Разобрать практические примеры и типичные ошибки на каждом этапе.
+		\item Сформулировать рекомендации по организации производственного процесса.
+	\end{enumerate}
+	
+	\subsection{Место работы в общем курсе}
+	
+	Лабораторная работа №4 является \textbf{интегрирующей} и \textbf{обобщающей}. Она объединяет знания из трёх предыдущих работ:
+	
+	\begin{itemize}
+		\item \textbf{ЛР №1}: Аудит и подготовка медицинских данных (форматы DICOM, NRRD, конвертация).
+		\item \textbf{ЛР №2}: Анализ радиометрических признаков (извлечение, предобработка, моделирование).
+		\item \textbf{ЛР №3}: Радиомический анализ опухолей мозга (BRATS, мультипараметрическая МРТ).
+	\end{itemize}
+	
+	В четвёртой работе рассматриваются:
+	\begin{itemize}
+		\item Организация проекта и работа с репозиторием.
+		\item Автоматизация пайплайна с помощью скриптов.
+		\item Интеграция всех этапов в единый процесс.
+		\item Клиническая валидация и внедрение моделей.
+		\item Поддержка и мониторинг моделей в эксплуатации.
+	\end{itemize}
+	
+	% ============================================================================
+	% ГЛАВА 1. ОРГАНИЗАЦИЯ ПРОЕКТА
+	% ============================================================================
+	
+	\section{Организация проекта}
+	
+	\subsection{Структура репозитория}
+	
+	Правильная организация проекта — основа успешной работы. Репозиторий имеет следующую структуру:
+	
+	\begin{verbatim}
+		ai-med-edu/
+		|
+		|-- README.md                     # Документация проекта
+		|-- ai-use-program.doc             # Учебная программа
+		|-- references.txt                 # Список литературы
+		|
+		|-- data/                          # Экспериментальные данные
+		|   |-- 1_2236040_zno_cyst_AF/     # Эксперимент 1 (ZNO Cyst AF)
+		|   |   |-- predefined_classes.txt # Схема классов (12 классов)
+		|   |   |-- data.yaml              # Конфиг YOLO
+		|   |   |-- *.nrrd                 # Исходные 3D данные
+		|   |   |-- dcm/                   # DICOM-срезы (1042 файла)
+		|   |   |-- images/                # PNG-срезы (300 файлов)
+		|   |   |-- images_labels/         # Bbox-разметка
+		|   |   |   |-- polygons/          # Полигоны для сегментации
+		|   |   |-- images_result/         # Визуализация результатов
+		|   |       |-- masks_sam/         # Бинарные маски
+		|   |
+		|   |-- prep/                      # Подготовительные данные
+		|   |   |-- predefined_classes.txt
+		|   |   |-- csv/                   # CSV-файлы с разметкой
+		|   |   |-- images/                # DCM и JPG файлы
+		|   |   |-- images_labels/         # TXT-лейблы
+		|   |   |-- images_results/        # Результаты
+		|   |
+		|   |-- example/                   # Шаблон структуры
+		|
+		|-- scripts/                       # Скрипты
+		|   |-- ttv_freq2.py               # Стратифицированный сплиттер
+		|   |-- train_yolo.py              # Обучение детекции
+		|   |-- train_yolo_seg.py          # Обучение сегментации
+		|   |-- check_PyTorch_gpu.py       # Проверка GPU
+		|   |-- check_tf_gpu.py            # Проверка TensorFlow GPU
+		|   |-- config/                    # Конфигурации
+		|   |   |-- data.yaml
+		|   |-- Тема 2.1/                  # 3D радиомика
+		|   |   |-- analysis.py
+		|   |   |-- config_3d.py
+		|   |   |-- feature_3d.py
+		|   |   |-- segmentation.py
+		|   |-- Тема 2.2/                  # Конвертация NRRD
+		|       |-- nrrd_to_yolo.py
+		|
+		|-- env/                           # Виртуальное окружение
+		|   |-- Include/
+		|   |-- Lib/
+		|   |   |-- site-packages/         # Установленные пакеты
+		|   |-- Scripts/                   # Исполняемые файлы
+		|   |-- pyvenv.cfg
+		|
+		|-- lectures/                      # Лекционные материалы
+		|   |-- К26_1_1.pdf
+		|   |-- К26_2_1.pdf
+		|   |-- К26_2_2.pdf
+		|
+		|-- seminars/                      # Семинарские занятия
+		|   |-- FeatureExtractionClient.ipynb
+		|   |-- Тема 1.1/
+		|   |   |-- Dataset.ipynb
+		|   |   |-- Noise.ipynb
+		|   |   |-- Resource1.ipynb
+		|   |   |-- resource2.ipynb
+		|   |   |-- segm2.ipynb
+		|   |-- Тема 1.2/
+		|   |   |-- Практикум1.ipynb
+		|   |   |-- Т1.ipynb
+		|   |   |-- Т2.ipynb
+		|   |   |-- best_spleen_model.pth
+		|   |-- Тема 2.1/
+		|   |   |-- radiomics_report.html
+		|   |   |-- segmentation_full_report.html
+		|   |   |-- requirements_3d.txt
+		|   |   |-- Лабораторная работа.docx
+		|
+		|-- labs/                          # Лабораторные работы
+		|-- Тема 1.1/
+		|-- Тема 1.2/
+		|-- Тема 2.1/
+		|   |-- Лабораторная работа.docx
+		|-- Тема 2.2/
+	\end{verbatim}
+	
+	\subsection{Принципы организации}
+	
+	\textbf{1. Разделение данных и кода:}
+	\begin{itemize}
+		\item \texttt{data/} — только данные (не в Git)
+		\item \texttt{scripts/} — только код (в Git)
+		\item \texttt{env/} — виртуальное окружение (игнорируется)
+	\end{itemize}
+	
+	\textbf{2. Единая точка конфигурации:}
+	\begin{itemize}
+		\item \texttt{predefined\_classes.txt} — схема классов для каждого эксперимента
+		\item \texttt{data.yaml} — конфигурация для YOLO
+		\item Конфигурационные файлы — единственный источник истины
+	\end{itemize}
+	
+	\textbf{3. Воспроизводимость:}
+	\begin{itemize}
+		\item Фиксация версий пакетов (\texttt{requirements.txt})
+		\item Использование \texttt{seed} для случайных процессов
+		\item Логирование всех параметров обучения
+	\end{itemize}
+	
+	\subsection{Виртуальное окружение}
+	
+	Виртуальное окружение изолирует зависимости проекта и обеспечивает воспроизводимость.
+	
+	\textbf{Активация окружения:}
+	\begin{lstlisting}
+		# Windows
+		env\Scripts\activate
+		
+		# Linux / macOS
+		source env/bin/activate
+	\end{lstlisting}
+	
+	\textbf{Ключевые пакеты:}
+	\begin{table}[H]
+		\centering
+		\caption{Основные зависимости проекта}
+		\begin{tabular}{l|p{8cm}}
+			\toprule
+			\textbf{Пакет} & \textbf{Назначение} \\
+			\midrule
+			ultralytics & YOLOv8 (детекция, сегментация, классификация) \\
+			torch, torchvision & PyTorch (глубокое обучение) \\
+			pydicom & Работа с DICOM-файлами \\
+			nrrd & Работа с NRRD-файлами \\
+			pyradiomics & Извлечение радиометрических признаков \\
+			pandas, numpy & Работа с данными \\
+			scikit-learn & Машинное обучение \\
+			matplotlib, seaborn & Визуализация \\
+			opencv-python & Обработка изображений \\
+			scipy & Научные вычисления \\
+			\bottomrule
+		\end{tabular}
+	\end{table}
+	
+	\textbf{Установка зависимостей:}
+	\begin{lstlisting}
+		pip install -r requirements.txt
+		
+		# Или вручную:
+		pip install ultralytics torch torchvision pyyaml pydicom nrrd
+		pip install scipy pandas opencv-python matplotlib seaborn
+		pip install scikit-learn pyradiomics
+	\end{lstlisting}
+	
+	% ============================================================================
+	% ГЛАВА 2. ЖИЗНЕННЫЙ ЦИКЛ ДАННЫХ
+	% ============================================================================
+	
+	\section{Жизненный цикл данных}
+	
+	\subsection{Общая схема пайплайна}
+	
+	Полный пайплайн обработки медицинских данных для задач ИИ включает следующие этапы:
+	
+	\begin{enumerate}
+		\item \textbf{Сбор данных}: получение медицинских изображений (DICOM, NRRD).
+		\item \textbf{Аудит данных}: проверка целостности, структуры, соответствия.
+		\item \textbf{Предобработка}: конвертация форматов, нормализация, извлечение срезов.
+		\item \textbf{Разметка}: создание обучающих меток (экспертная разметка).
+		\item \textbf{Извлечение признаков}: радиомический анализ.
+		\item \textbf{Обучение модели}: выбор архитектуры, тренировка, валидация.
+		\item \textbf{Оценка}: анализ метрик, интерпретация результатов.
+		\item \textbf{Внедрение}: интеграция в клиническую практику.
+		\item \textbf{Мониторинг}: отслеживание качества в эксплуатации.
+	\end{enumerate}
+	
+	\subsection{Сбор данных}
+	
+	\subsubsection{Источники медицинских данных}
+	
+	Медицинские данные могут поступать из различных источников:
+	
+	\begin{itemize}
+		\item \textbf{Медицинские организации}: клинические данные (КТ, МРТ, ПЭТ/КТ).
+		\item \textbf{Открытые датасеты}: TCIA, BRATS, MedMNIST, ChestX-ray14.
+		\item \textbf{Научные исследования}: специализированные наборы данных.
+		\item \textbf{Клинические испытания}: данные из исследований.
+	\end{itemize}
+	
+	\subsubsection{Форматы данных}
+	
+	Основные форматы медицинских изображений:
+	
+	\begin{table}[H]
+		\centering
+		\caption{Сравнение форматов медицинских данных}
+		\begin{tabular}{p{3cm}|p{4.5cm}|p{4.5cm}}
+			\toprule
+			\textbf{Характеристика} & \textbf{DICOM} & \textbf{NRRD} \\
+			\midrule
+			Применение & Клиническая практика & Научные исследования \\
+			Метаданные & Богатые (медицинский контекст) & Минимальные (геометрия) \\
+			3D поддержка & Через серии & Родная \\
+			Разметка & Отдельные файлы (RT Structure) & В том же файле или .seg \\
+			Читаемость & Требуется спец. ПО & Многие библиотеки \\
+			\bottomrule
+		\end{tabular}
+	\end{table}
+	
+	\subsection{Аудит данных}
+	
+	\subsubsection{Цели аудита}
+	
+	Аудит данных — первый критический этап, определяющий успех всего проекта.
+	
+	\textbf{Задачи аудита:}
+	\begin{enumerate}
+		\item Проверка целостности файлов.
+		\item Выявление форматов и структуры данных.
+		\item Оценка качества разметки.
+		\item Выявление аномалий и артефактов.
+		\item Формирование клинической <<легенды>> датасета.
+	\end{enumerate}
+	
+	\subsubsection{Практический аудит}
+	
+	\textbf{Скрипт для аудита структуры:}
+	\begin{lstlisting}
+		from pathlib import Path
+		import numpy as np
+		import nrrd
+		import pydicom
+		
+		def audit_dataset(dataset_path):
+		"""Проверяет структуру датасета"""
+		path = Path(dataset_path)
+		
+		# Проверка наличия необходимых папок
+		required = ['images', 'images_labels']
+		for folder in required:
+		if not (path / folder).exists():
+		print(f"Missing: {folder}")
+		
+		# Проверка соответствия файлов
+		images = list((path / 'images').glob('*.png'))
+		labels = list((path / 'images_labels').glob('*.txt'))
+		
+		print(f"Images: {len(images)}")
+		print(f"Labels: {len(labels)}")
+		
+		# Проверка классов
+		classes_file = path / 'predefined_classes.txt'
+		if classes_file.exists():
+		classes = classes_file.read_text().strip().split('\n')
+		print(f"Classes: {len(classes)}")
+		print(f"Class names: {classes[:5]}...")
+		
+		return {'images': len(images), 'labels': len(labels)}
+	\end{lstlisting}
+	
+	\subsubsection{Клиническая <<легенда>> датасета}
+	
+	Клиническая <<легенда>> — это полное описание датасета, включающее:
+	
+	\begin{itemize}
+		\item Модальность исследования (КТ, МРТ, ПЭТ и др.)
+		\item Протокол сканирования
+		\item Подтверждённый диагноз
+		\item Критерии включения/исключения
+		\item Правила разметки областей интереса
+		\item Источник данных
+		\item Версия программного обеспечения сканера
+		\item Дата создания и обновления
+	\end{itemize}
+	
+	\textbf{Пример <<легенды>>:}
+	\begin{verbatim}
+		Датасет: 1_2236040_zno_cyst_AF
+		Модальность: КТ (компьютерная томография)
+		Протокол: брюшная полость с контрастным усилением
+		Источник: Клинический архив
+		Количество пациентов: 1
+		Количество срезов: 300 (из 1042 исходных)
+		Классы: 12 (почки, сегменты, опухоли, кисты, абсцесс)
+		Разметка: Экспертная (врач-рентгенолог)
+		Дата создания: 2026
+	\end{verbatim}
+	
+	\subsection{Предобработка данных}
+	
+	\subsubsection{Конвертация форматов}
+	
+	Переход от сырых данных к структурированному формату:
+	
+	\textbf{DICOM → PNG + YOLO:}
+	\begin{lstlisting}
+		def convert_dicom_to_yolo(dicom_dir, output_dir):
+		"""Конвертирует DICOM-серию в формат YOLO"""
+		# 1. Загрузка DICOM-серии
+		# 2. Извлечение пиксельных данных
+		# 3. Нормализация изображения
+		# 4. Сохранение в PNG
+		# 5. Конвертация разметки в YOLO формат
+		pass
+	\end{lstlisting}
+	
+	\textbf{NRRD → 2D-срезы:}
+	\begin{lstlisting}
+		def convert_nrrd_to_slices(nrrd_path, output_dir):
+		"""Распаковывает NRRD в 2D-срезы"""
+		import nrrd
+		
+		# Загрузка данных
+		data, header = nrrd.read(nrrd_path)
+		
+		# Извлечение срезов по оси Z
+		for z in range(data.shape[2]):
+		slice_data = data[:, :, z]
+		# Сохранение среза
+		# ...
+	\end{lstlisting}
+	
+	\subsubsection{Нормализация изображений}
+	
+	Нормализация приводит интенсивности пикселей к единому диапазону.
+	
+	\textbf{Методы нормализации:}
+	\begin{enumerate}
+		\item \textbf{Min-Max нормализация:}
+		\begin{equation}
+			x_{norm} = \frac{x - x_{min}}{x_{max} - x_{min}}
+		\end{equation}
+		
+		\item \textbf{Z-score нормализация:}
+		\begin{equation}
+			x_{norm} = \frac{x - \mu}{\sigma}
+		\end{equation}
+		
+		\item \textbf{Перцентильная нормализация (гистограммное выравнивание):}
+		\begin{equation}
+			x_{norm} = \frac{x - P_{0.5}}{P_{99.5} - P_{0.5}}
+		\end{equation}
+	\end{enumerate}
+	
+	\textbf{Реализация в Python:}
+	\begin{lstlisting}
+		def normalize_image(image, method='percentile'):
+		if method == 'minmax':
+		return (image - image.min()) / (image.max() - image.min())
+		elif method == 'zscore':
+		return (image - image.mean()) / image.std()
+		elif method == 'percentile':
+		p_min, p_max = np.percentile(image, [0.5, 99.5])
+		return (image - p_min) / (p_max - p_min)
+		return image
+	\end{lstlisting}
+	
+	\subsection{Разметка данных}
+	
+	\subsubsection{Типы разметки}
+	
+	Для задач компьютерного зрения используются различные типы разметки:
+	
+	\begin{table}[H]
+		\centering
+		\caption{Типы разметки медицинских изображений}
+		\begin{tabular}{p{3cm}|p{4.5cm}|p{4.5cm}}
+			\toprule
+			\textbf{Тип} & \textbf{Описание} & \textbf{Применение} \\
+			\midrule
+			Bounding Box (bbox) & Прямоугольник вокруг объекта & Детекция объектов \\
+			Полигоны & Контур объекта & Сегментация \\
+			Бинарные маски & Попиксельная разметка & Сегментация \\
+			Классификация & Метка всего изображения & Классификация \\
+			Landmarks & Анатомические точки & Регистрация \\
+			\bottomrule
+		\end{tabular}
+	\end{table}
+	
+	\subsubsection{Формат YOLO для детекции}
+	
+	Каждая строка в файле разметки:
+	\begin{verbatim}
+		<class_id> <x_center> <y_center> <width> <height>
+	\end{verbatim}
+	
+	где все координаты нормализованы от 0 до 1 относительно размеров изображения.
+	
+	\textbf{Пример:}
+	\begin{verbatim}
+		8 0.354492 0.541992 0.017578 0.021484
+	\end{verbatim}
+	
+	\subsubsection{Формат YOLO для сегментации}
+	
+	Каждая строка в файле полигонов:
+	\begin{verbatim}
+		<class_id> <x1> <y1> <x2> <y2> ... <xn> <yn>
+	\end{verbatim}
+	
+	\textbf{Пример:}
+	\begin{verbatim}
+		8 0.349609 0.531250 0.345703 0.535156 0.345703 0.542969 ...
+	\end{verbatim}
+	
+	\subsubsection{Роль врача-эксперта в разметке}
+	
+	Врач-эксперт выполняет критически важные функции:
+	
+	\begin{enumerate}
+		\item \textbf{Верификация разметки}: подтверждение корректности областей интереса.
+		\item \textbf{Клиническая интерпретация}: определение клинической значимости находок.
+		\item \textbf{Формирование <<легенды>>}: документирование данных.
+		\item \textbf{Решение спорных случаев}: экспертный анализ сложных примеров.
+	\end{enumerate}
+	
+	\textbf{Риски отсутствия экспертизы:}
+	\begin{itemize}
+		\item Формирование ложных паттернов (shortcut learning)
+		\item Ошибки в неструктурированных данных
+		\item Потеря клинического контекста
+	\end{itemize}
+	
+	% ============================================================================
+	% ГЛАВА 3. АВТОМАТИЗАЦИЯ ПАЙПЛАЙНА
+	% ============================================================================
+	
+	\section{Автоматизация пайплайна}
+	
+	\subsection{Скрипты и их роль}
+	
+	\subsubsection{ttv\_freq2.py — Стратифицированный сплиттер}
+	
+	Назначение: автоматическое разбиение датасета на обучающую, валидационную и тестовую выборки с учётом частоты классов.
+	
+	\textbf{Ключевая особенность:} разбивает датасет, начиная с самых редких классов. Это гарантирует присутствие каждого класса во всех наборах.
+	
+	\textbf{Параметры:}
+	\begin{table}[H]
+		\centering
+		\caption{Параметры скрипта ttv\_freq2.py}
+		\begin{tabular}{p{3.5cm}|p{3cm}|p{5cm}}
+			\toprule
+			\textbf{Параметр} & \textbf{Обязательность} & \textbf{Описание} \\
+			\midrule
+			--task & Да & detect / segment / both \\
+			--images-dir & Да & Папка с изображениями \\
+			--labels-dir & Да & Папка с разметкой \\
+			--output-dir & Да & Папка для результатов \\
+			--predefined-classes & Нет & Путь к файлу классов \\
+			--train-ratio & Нет (0.8) & Доля обучающей выборки \\
+			--val-ratio & Нет (0.1) & Доля валидационной \\
+			--seed & Нет (42) & Seed для воспроизводимости \\
+			\bottomrule
+		\end{tabular}
+	\end{table}
+	
+	\textbf{Пример запуска:}
+	\begin{lstlisting}
+		python scripts/ttv_freq2.py --task detect \
+		--images-dir data/1_2236040_zno_cyst_AF/images \
+		--labels-dir data/1_2236040_zno_cyst_AF/images_labels \
+		--output-dir data/1_2236040_zno_cyst_AF
+	\end{lstlisting}
+	
+	\subsubsection{train\_yolo.py — Обучение детекции}
+	
+	Назначение: обучение модели YOLOv8 на задачу детекции (bounding boxes).
+	
+	\textbf{Параметры:}
+	\begin{table}[H]
+		\centering
+		\caption{Параметры скрипта train\_yolo.py}
+		\begin{tabular}{p{3.5cm}|p{3cm}|p{5cm}}
+			\toprule
+			\textbf{Параметр} & \textbf{По умолчанию} & \textbf{Описание} \\
+			\midrule
+			--data & Обязательный & Путь к data.yaml \\
+			--model & yolov8s.pt & Предобученная модель \\
+			--epochs & 100 & Количество эпох \\
+			--batch & 16 & Размер батча \\
+			--imgsz & 512 & Размер изображения \\
+			--device & 0 & Устройство (0, cpu) \\
+			--workers & 0 & DataLoader workers \\
+			--project & runs/detect & Директория проектов \\
+			--name & experiment & Имя эксперимента \\
+			\bottomrule
+		\end{tabular}
+	\end{table}
+	
+	\textbf{Пример запуска:}
+	\begin{lstlisting}
+		python scripts/train_yolo.py \
+		--data data/1_2236040_zno_cyst_AF/data_detect.yaml \
+		--model yolov8s.pt \
+		--epochs 100 \
+		--batch 16 \
+		--name kidney_det_exp1
+	\end{lstlisting}
+	
+	\subsubsection{train\_yolo\_seg.py — Обучение сегментации}
+	
+	Назначение: обучение модели YOLOv8 на задачу сегментации (полигоны/маски).
+	
+	\textbf{Пример запуска:}
+	\begin{lstlisting}
+		python scripts/train_yolo_seg.py \
+		--data data/1_2236040_zno_cyst_AF/data_segment.yaml \
+		--model yolov8s-seg.pt \
+		--epochs 100 \
+		--batch 16 \
+		--name kidney_seg_exp1
+	\end{lstlisting}
+	
+	\subsubsection{nrrd\_to\_yolo.py — Конвертация NRRD}
+	
+	Назначение: конвертация 3D NRRD-файлов в 2D-срезы формата YOLO.
+	
+	\textbf{Основные функции:}
+	\begin{itemize}
+		\item Чтение .nrrd и .seg.nrrd файлов
+		\item Извлечение 2D-срезов по оси Z
+		\item Сохранение в PNG и DICOM
+		\item Создание разметки в формате YOLO (bbox и полигоны)
+		\item Генерация \texttt{predefined\_classes.txt} и \texttt{data.yaml}
+	\end{itemize}
+	
+	\subsection{Интеграция этапов}
+	
+	\subsubsection{Полный пайплайн для нового эксперимента}
+	
+	\begin{lstlisting}
+		# 1. Создание структуры
+		python scripts/create_experiment.py new_experiment
+		
+		# 2. Конвертация NRRD в YOLO
+		python scripts/nrrd_to_yolo.py
+		
+		# 3. Стратифицированный сплит
+		python scripts/ttv_freq2.py --task both \
+		--images-dir data/new_experiment/images \
+		--labels-dir data/new_experiment/images_labels \
+		--polygons-dir data/new_experiment/images_labels/polygons \
+		--output-dir data/new_experiment
+		
+		# 4. Обучение детекции
+		python scripts/train_yolo.py \
+		--data data/new_experiment/data_detect.yaml \
+		--epochs 100 \
+		--name new_experiment_detect
+		
+		# 5. Обучение сегментации
+		python scripts/train_yolo_seg.py \
+		--data data/new_experiment/data_segment.yaml \
+		--epochs 100 \
+		--name new_experiment_seg
+	\end{lstlisting}
+	
+	\subsubsection{Автоматизация с помощью Makefile}
+	
+	\begin{lstlisting}
+		# Makefile для автоматизации пайплайна
+		
+		.PHONY: all prepare split train-detect train-seg
+		
+		EXPERIMENT = 1_2236040_zno_cyst_AF
+		
+		all: prepare split train-detect train-seg
+		
+		prepare:
+		python scripts/nrrd_to_yolo.py
+		
+		split:
+		python scripts/ttv_freq2.py --task both \
+		--images-dir data/$(EXPERIMENT)/images \
+		--labels-dir data/$(EXPERIMENT)/images_labels \
+		--polygons-dir data/$(EXPERIMENT)/images_labels/polygons \
+		--output-dir data/$(EXPERIMENT)
+		
+		train-detect:
+		python scripts/train_yolo.py \
+		--data data/$(EXPERIMENT)/data_detect.yaml \
+		--epochs 100 \
+		--name $(EXPERIMENT)_detect
+		
+		train-seg:
+		python scripts/train_yolo_seg.py \
+		--data data/$(EXPERIMENT)/data_segment.yaml \
+		--epochs 100 \
+		--name $(EXPERIMENT)_seg
+	\end{lstlisting}
+	
+	% ============================================================================
+	% ГЛАВА 4. ПРАКТИЧЕСКИЙ ПРИМЕР
+	% ============================================================================
+	
+	\section{Практический пример: Эксперимент ZNO Cyst AF}
+	
+	\subsection{Описание эксперимента}
+	
+	\textbf{Датасет:} \texttt{1\_2236040\_zno\_cyst\_AF}
+	
+	\textbf{Характеристики:}
+	\begin{itemize}
+		\item Модальность: КТ (компьютерная томография)
+		\item Количество исходных срезов: 1042 (DICOM)
+		\item Количество обработанных срезов: 300 (PNG)
+		\item Количество классов: 12
+		\item Тип задачи: детекция и сегментация
+	\end{itemize}
+	
+	\subsection{Схема классов}
+	
+	\texttt{predefined\_classes.txt}:
+	\begin{verbatim}
+		right_kidney_ID1
+		right_kidney_upper_segment_ID2
+		right_kidney_middle_segment_ID3
+		right_kidney_lower_segment_ID4
+		left_kidney_ID5
+		left_kidney_upper_segment_ID6
+		left_kidney_middle_segment_ID7
+		left_kidney_lower_segment_ID8
+		malignant_tumor_ID9
+		benign_tumor_ID10
+		cyst_ID11
+		abscess_ID12
+	\end{verbatim}
+	
+	\textbf{Структура классов:}
+	\begin{table}[H]
+		\centering
+		\caption{Структура классов эксперимента}
+		\begin{tabular}{l|r|r|r}
+			\toprule
+			\textbf{Класс} & \textbf{ID (1-based)} & \textbf{YOLO idx} & \textbf{Количество} \\
+			\midrule
+			right\_kidney & 1 & 0 & 300 \\
+			right\_kidney\_upper\_segment & 2 & 1 & 35 \\
+			right\_kidney\_middle\_segment & 3 & 2 & 55 \\
+			right\_kidney\_lower\_segment & 4 & 3 & 47 \\
+			left\_kidney & 5 & 4 & 26 \\
+			left\_kidney\_upper\_segment & 6 & 5 & 28 \\
+			left\_kidney\_middle\_segment & 7 & 6 & 36 \\
+			left\_kidney\_lower\_segment & 8 & 7 & 44 \\
+			malignant\_tumor & 9 & 8 & 52 \\
+			benign\_tumor & 10 & 9 & 38 \\
+			cyst & 11 & 10 & 41 \\
+			abscess & 12 & 11 & 12 \\
+			\bottomrule
+		\end{tabular}
+	\end{table}
+	
+	\subsection{Результаты обучения}
+	
+	\subsubsection{Детекция}
+	
+	\begin{table}[H]
+		\centering
+		\caption{Результаты обучения детекции}
+		\begin{tabular}{l|r}
+			\toprule
+			\textbf{Метрика} & \textbf{Значение} \\
+			\midrule
+			mAP50 (box) & 0.794 \\
+			mAP50-95 (box) & 0.681 \\
+			Precision & 0.823 \\
+			Recall & 0.856 \\
+			F1-score & 0.839 \\
+			\bottomrule
+		\end{tabular}
+	\end{table}
+	
+	\subsubsection{Сегментация}
+	
+	\begin{table}[H]
+		\centering
+		\caption{Результаты обучения сегментации}
+		\begin{tabular}{l|r}
+			\toprule
+			\textbf{Метрика} & \textbf{Значение} \\
+			\midrule
+			mAP50 (mask) & 0.752 \\
+			mAP50-95 (mask) & 0.623 \\
+			Dice Coefficient & 0.815 \\
+			IoU & 0.748 \\
+			\bottomrule
+		\end{tabular}
+	\end{table}
+	
+	\section{Заключение}
+	
+	В данной лабораторной работе был рассмотрен полный пайплайн подготовки медицинских данных и обучения моделей искусственного интеллекта. Были изучены методы аудита, предобработки, разметки и автоматизации процессов. Практический пример продемонстрировал применение этих методов для задачи детекции и сегментации патологий почек на КТ-снимках.
+	
+	\begin{thebibliography}{9}
+		\bibitem{yolov8} Jocher G. et al. Ultralytics YOLOv8. 2023.
+		\bibitem{brats} Menze B.H. et al. The Multimodal Brain Tumor Image Segmentation Benchmark (BRATS). IEEE TMI, 2015.
+		\bibitem{pyradiomics} van Griethuizen L. et al. PyRadiomics: Extractable features from medical images. JOSS, 2018.
+	\end{thebibliography}
+	
+\end{document}

references.txt

@@ -0,0 +1 @@
+https://cloud.mail.ru/public/yYb4/kynw3eQeZ

scripts/check_PyTorch_gpu.py

@@ -0,0 +1,13 @@
+import torch
+
+def check_cuda_availability():
+    if torch.cuda.is_available():
+        print("CUDA доступна!")
+        print(f"Количество доступных GPU: {torch.cuda.device_count()}")
+        for i in range(torch.cuda.device_count()):
+            print(f"GPU {i}: {torch.cuda.get_device_name(i)}")
+    else:
+        print("CUDA недоступна.")
+
+if __name__ == "__main__":
+    check_cuda_availability()

scripts/check_tf_gpu.py

@@ -0,0 +1,21 @@
+import tensorflow as tf
+
+print(f"Версия TensorFlow: {tf.__version__}")
+
+# Получаем список физических устройств GPU
+gpus = tf.config.list_physical_devices('GPU')
+
+if gpus:
+    print(f"✅ Успех! TensorFlow видит {len(gpus)} GPU:")
+    for gpu in gpus:
+        print(f"   - {gpu}")
+    
+    # Дополнительная проверка: может ли TF выделить память на GPU
+    try:
+        tf.config.set_visible_devices(gpus[0], 'GPU')
+        print("✅ GPU успешно инициализирован и готов к работе!")
+    except RuntimeError as e:
+        print(f"❌ Ошибка инициализации GPU: {e}")
+else:
+    print("❌ TensorFlow НЕ видит GPU. Будет использоваться только CPU.")
+    print("💡 Совет: Если у вас Windows, попробуйте установить: pip install tensorflow==2.10.0")

scripts/config/data.yaml

@@ -0,0 +1,25 @@
+# Óêàçûâàåì àáñîëþòíûé ïóòü ê òåêóùåé ïàïêå ýêñïåðèìåíòà
+path: D:/EVPolyakov/TheEducation/experiment-10-06-2026(GPU)
+
+# Óêàçûâàåì íà ôàéëû ñî ñïèñêàìè èçîáðàæåíèé äëÿ êàæäîé âûáîðêè
+train: train.txt
+val: val.txt
+test: test.txt
+
+# Êîëè÷åñòâî êëàññîâ
+nc: 12
+
+# Íàçâàíèÿ êëàññîâ (ïîðÿäîê äîëæåí ñòðîãî ñîîòâåòñòâîâàòü èíäåêñàì 0-11 â âàøèõ .txt ôàéëàõ ìåòîê)
+names: 
+  - 'right_kidney_ID1'
+  - 'right_kidney_upper_segment_ID2'
+  - 'right_kidney_middle_segment_ID3'
+  - 'right_kidney_lower_segment_ID4'
+  - 'left_kidney_ID5'
+  - 'left_kidney_upper_segment_ID6'
+  - 'left_kidney_middle_segment_ID7'
+  - 'left_kidney_lower_segment_ID8'
+  - 'malignant_tumor_ID9'
+  - 'benign_tumor_ID10'
+  - 'cyst_ID11'
+  - 'abscess_ID12'

scripts/train_yolo.py

@@ -0,0 +1,99 @@
+# scripts/train_yolo.py
+"""
+Обучение YOLOv8 на детекцию.
+Принимает параметры через командную строку.
+"""
+
+import sys
+import time
+import argparse
+from pathlib import Path
+
+import torch
+from ultralytics import YOLO
+
+
+def check_environment():
+    print("=" * 60)
+    print("ПРОВЕРКА ОКРУЖЕНИЯ (DETECT)")
+    print("=" * 60)
+    print(f"Python: {sys.version.split()[0]}")
+    print(f"PyTorch: {torch.__version__}")
+    print(f"CUDA доступна: {torch.cuda.is_available()}")
+    if torch.cuda.is_available():
+        print(f"GPU: {torch.cuda.get_device_name(0)}")
+        print(f"VRAM: {torch.cuda.get_device_properties(0).total_memory / 1e9:.2f} GB")
+    print("=" * 60)
+
+
+def train(data_path: str, model: str, epochs: int, imgsz: int,
+          batch: int, device: str, project: str, name: str):
+    check_environment()
+
+    log_dir = Path(project) / name
+    log_dir.mkdir(parents=True, exist_ok=True)
+
+    print(f"\nЗагрузка модели: {model}")
+    yolo = YOLO(model)
+
+    args = {
+        'task': 'detect',
+        'data': data_path,
+        'epochs': epochs,
+        'imgsz': imgsz,
+        'batch': batch,
+        'device': device,
+        'project': project,
+        'name': name,
+        'exist_ok': True,
+        'pretrained': True,
+        'optimizer': 'auto',
+        'lr0': 0.01,
+        'lrf': 0.01,
+        'momentum': 0.937,
+        'weight_decay': 0.0005,
+        'warmup_epochs': 3.0,
+        'warmup_momentum': 0.8,
+        'warmup_bias_lr': 0.1,
+        'box': 7.5,
+        'cls': 0.5,
+        'dfl': 1.5,
+        'patience': 20,
+        'save': True,
+        'save_period': 10,
+        'plots': True,
+        'verbose': True,
+    }
+
+    print(f"\nЗапуск обучения DETECT...")
+    print(f"Датасет: {data_path}")
+    print(f"Модель: {model}")
+    print(f"Эпохи: {epochs}, Batch: {batch}, imgsz: {imgsz}")
+    print(f"Результаты: {log_dir}")
+    print("=" * 60)
+
+    t0 = time.time()
+    results = yolo.train(**args)
+    print(f"\nВремя обучения: {(time.time() - t0) / 60:.1f} мин")
+    print(f"Лучшая модель: {log_dir / 'weights' / 'best.pt'}")
+    return results
+
+
+def main():
+    parser = argparse.ArgumentParser(description='Обучение YOLOv8 detect')
+    parser.add_argument('--data', type=str, required=True, help='Путь к data.yaml')
+    parser.add_argument('--model', type=str, default='yolov8s.pt')
+    parser.add_argument('--epochs', type=int, default=100)
+    parser.add_argument('--imgsz', type=int, default=512)
+    parser.add_argument('--batch', type=int, default=16)
+    parser.add_argument('--device', type=str, default='0')
+    parser.add_argument('--project', type=str, default='runs/detect')
+    parser.add_argument('--name', type=str, default='experiment')
+    args = parser.parse_args()
+
+    train(args.data, args.model, args.epochs, args.imgsz,
+          args.batch, args.device, args.project, args.name)
+
+
+if __name__ == '__main__':
+    main()

scripts/train_yolo_seg.py

@@ -0,0 +1,104 @@
+# scripts/train_yolo_seg.py
+"""
+Обучение YOLOv8 на сегментацию.
+Принимает параметры через командную строку.
+"""
+
+import sys
+import time
+import argparse
+from pathlib import Path
+
+import torch
+from ultralytics import YOLO
+
+
+def check_environment():
+    print("=" * 60)
+    print("ПРОВЕРКА ОКРУЖЕНИЯ (SEGMENT)")
+    print("=" * 60)
+    print(f"Python: {sys.version.split()[0]}")
+    print(f"PyTorch: {torch.__version__}")
+    print(f"CUDA доступна: {torch.cuda.is_available()}")
+    if torch.cuda.is_available():
+        print(f"GPU: {torch.cuda.get_device_name(0)}")
+        print(f"VRAM: {torch.cuda.get_device_properties(0).total_memory / 1e9:.2f} GB")
+    print("=" * 60)
+
+
+def train(data_path: str, model: str, epochs: int, imgsz: int,
+          batch: int, device: str, project: str, name: str):
+    check_environment()
+
+    if '-seg' not in model.lower():
+        print(f"⚠️  Модель '{model}' не является сегментационной!")
+
+    log_dir = Path(project) / name
+    log_dir.mkdir(parents=True, exist_ok=True)
+
+    print(f"\nЗагрузка модели: {model}")
+    yolo = YOLO(model)
+
+    args = {
+        'task': 'segment',
+        'data': data_path,
+        'epochs': epochs,
+        'imgsz': imgsz,
+        'batch': batch,
+        'device': device,
+        'project': project,
+        'name': name,
+        'exist_ok': True,
+        'pretrained': True,
+        'optimizer': 'auto',
+        'lr0': 0.01,
+        'lrf': 0.01,
+        'momentum': 0.937,
+        'weight_decay': 0.0005,
+        'warmup_epochs': 3.0,
+        'warmup_momentum': 0.8,
+        'warmup_bias_lr': 0.1,
+        'box': 7.5,
+        'cls': 0.5,
+        'dfl': 1.5,
+        'mask_ratio': 4,
+        'overlap_mask': True,
+        'patience': 20,
+        'save': True,
+        'save_period': 10,
+        'plots': True,
+        'verbose': True,
+    }
+
+    print(f"\nЗапуск обучения СЕГМЕНТАЦИИ...")
+    print(f"Датасет: {data_path}")
+    print(f"Модель: {model}")
+    print(f"Эпохи: {epochs}, Batch: {batch}, imgsz: {imgsz}")
+    print(f"Результаты: {log_dir}")
+    print("=" * 60)
+
+    t0 = time.time()
+    results = yolo.train(**args)
+    print(f"\nВремя обучения: {(time.time() - t0) / 60:.1f} мин")
+    print(f"Лучшая модель: {log_dir / 'weights' / 'best.pt'}")
+    return results
+
+
+def main():
+    parser = argparse.ArgumentParser(description='Обучение YOLOv8 segment')
+    parser.add_argument('--data', type=str, required=True, help='Путь к data.yaml')
+    parser.add_argument('--model', type=str, default='yolov8s-seg.pt')
+    parser.add_argument('--epochs', type=int, default=100)
+    parser.add_argument('--imgsz', type=int, default=512)
+    parser.add_argument('--batch', type=int, default=16)
+    parser.add_argument('--device', type=str, default='0')
+    parser.add_argument('--project', type=str, default='runs/segment')
+    parser.add_argument('--name', type=str, default='seg_experiment')
+    args = parser.parse_args()
+
+    train(args.data, args.model, args.epochs, args.imgsz,
+          args.batch, args.device, args.project, args.name)
+
+
+if __name__ == '__main__':
+    main()

scripts/ttv_freq2.py

@@ -0,0 +1,353 @@
+# scripts/ttv_freq2.py
+"""
+Версия 6: Читает predefined_classes.txt для сохранения полной схемы классов.
+Это позволяет использовать общую схему 12 классов для всех экспериментов,
+даже если в конкретном датасете присутствуют не все классы.
+"""
+
+import os
+import shutil
+import random
+import argparse
+from pathlib import Path
+
+try:
+    import yaml
+except ImportError:
+    raise SystemExit("Установите PyYAML: pip install pyyaml")
+
+
+def load_predefined_classes(path: Path) -> dict:
+    """
+    Читает predefined_classes.txt и возвращает маппинг:
+    {имя_класса: (id_1based, yolo_index_0based)}
+    
+    Формат файла (одна строка = один класс):
+        right_kidney
+        right_kidney_upper_segment
+        ...
+    """
+    class_map = {}
+    with open(path, 'r', encoding='utf-8') as f:
+        for idx, line in enumerate(f):
+            name = line.strip()
+            if name:
+                class_map[name] = {
+                    'id_1based': idx + 1,
+                    'yolo_idx': idx,
+                }
+    return class_map
+
+
+def clean_caches(output_dir: Path):
+    """Удаляет старые .cache файлы."""
+    for cache in output_dir.glob('*.cache'):
+        try:
+            cache.unlink()
+            print(f"  Удалён кэш: {cache.name}")
+        except OSError:
+            pass
+
+
+def remap_labels(src_dir: Path, dst_dir: Path, id_to_yolo_idx: dict):
+    """
+    Копирует .txt файлы с перенумерацией классов из 1-based в 0-based.
+    """
+    if dst_dir.exists():
+        shutil.rmtree(dst_dir)
+    dst_dir.mkdir(parents=True, exist_ok=True)
+
+    copied = 0
+    skipped = 0
+    for txt_file in src_dir.glob('*.txt'):
+        with open(txt_file, 'r', encoding='utf-8') as f:
+            lines = f.readlines()
+
+        new_lines = []
+        for line in lines:
+            parts = line.strip().split()
+            if not parts:
+                continue
+            try:
+                old_class = int(parts[0])
+                if old_class in id_to_yolo_idx:
+                    parts[0] = str(id_to_yolo_idx[old_class])
+                    new_lines.append(' '.join(parts))
+                else:
+                    skipped += 1
+            except ValueError:
+                continue
+
+        if new_lines:
+            with open(dst_dir / txt_file.name, 'w', encoding='utf-8') as f:
+                f.write('\n'.join(new_lines) + '\n')
+            copied += 1
+
+    return copied, skipped
+
+
+def create_split(
+    images_dir: Path,
+    labels_dir: Path,
+    output_dir: Path,
+    task: str,
+    predefined_classes: dict,
+    train_ratio: float = 0.8,
+    val_ratio: float = 0.1,
+    seed: int = 42,
+):
+    random.seed(seed)
+
+    images_dir = images_dir.resolve()
+    labels_dir = labels_dir.resolve()
+    output_dir = output_dir.resolve()
+
+    if not images_dir.exists():
+        raise FileNotFoundError(f"Папка с изображениями не найдена: {images_dir}")
+    if not labels_dir.exists():
+        raise FileNotFoundError(f"Папка с лейблами не найдена: {labels_dir}")
+
+    print("\nОчистка кэша...")
+    clean_caches(output_dir)
+
+    image_files = [f for f in os.listdir(images_dir)
+                   if f.lower().endswith(('.png', '.jpg', '.jpeg'))]
+    if not image_files:
+        raise ValueError(f"В {images_dir} не найдено изображений.")
+
+    print(f"\n{'='*60}")
+    print(f"Задача: {task.upper()}")
+    print(f"{'='*60}")
+    print(f"Изображения: {images_dir}")
+    print(f"Лейблы: {labels_dir}")
+    print(f"Найдено изображений: {len(image_files)}")
+
+    # Собираем статистику по классам
+    class_to_images = {}
+    classes_found = set()
+
+    for image_file in image_files:
+        label_file = os.path.splitext(image_file)[0] + '.txt'
+        label_path = labels_dir / label_file
+
+        if label_path.exists():
+            with open(label_path, 'r', encoding='utf-8') as f:
+                for line in f:
+                    parts = line.strip().split()
+                    if not parts:
+                        continue
+                    try:
+                        class_label = int(parts[0])
+                        classes_found.add(class_label)
+                        class_to_images.setdefault(class_label, set()).add(image_file)
+                    except ValueError:
+                        continue
+
+    # Маппинг 1-based ID -> 0-based YOLO index
+    id_to_yolo_idx = {info['id_1based']: info['yolo_idx']
+                      for info in predefined_classes.values()}
+
+    print(f"\n📋 Схема классов (из predefined_classes.txt):")
+    print(f"  Всего классов: {len(predefined_classes)}")
+    present = []
+    absent = []
+    for name, info in predefined_classes.items():
+        if info['id_1based'] in classes_found:
+            present.append((name, info, len(class_to_images[info['id_1based']])))
+        else:
+            absent.append((name, info))
+
+    print(f"\n  ✓ Присутствуют в датасете ({len(present)}):")
+    for name, info, count in present:
+        print(f"    [{info['id_1based']:2d}] → YOLO idx {info['yolo_idx']:2d} : {name:<40s} ({count} изобр.)")
+
+    if absent:
+        print(f"\n  ○ Отсутствуют ({len(absent)}):")
+        for name, info in absent:
+            print(f"    [{info['id_1based']:2d}] → YOLO idx {info['yolo_idx']:2d} : {name}")
+
+    # Разбиение по наборам (стратифицированное)
+    sorted_classes = sorted(class_to_images, key=lambda k: len(class_to_images[k]))
+
+    train_files, val_files, test_files = set(), set(), set()
+
+    print(f"\n--- Распределение по наборам ---")
+    for class_label in sorted_classes:
+        images = set(class_to_images[class_label])
+        total = len(images)
+
+        train_count = max(1, int(total * train_ratio))
+        val_count = max(1, int(total * val_ratio))
+
+        if train_count + val_count > total:
+            val_count = max(0, total - train_count)
+
+        train_selected = set(random.sample(list(images), min(train_count, len(images))))
+        images -= train_selected
+        val_selected = set(random.sample(list(images), min(val_count, len(images))))
+        test_selected = images - val_selected
+
+        train_files |= train_selected
+        val_files |= val_selected
+        test_files |= test_selected
+
+        # Имя класса из predefined
+        class_name = next((n for n, info in predefined_classes.items()
+                          if info['id_1based'] == class_label), f"class_{class_label}")
+
+        print(f"  [{class_label:2d}] {class_name[:30]:<30s}: "
+              f"Train={len(train_selected):3d}, Val={len(val_selected):3d}, Test={len(test_selected):3d}")
+
+        for img in train_selected | val_selected | test_selected:
+            for cls_set in class_to_images.values():
+                cls_set.discard(img)
+
+    print(f"\nИТОГО: Train={len(train_files)}, Val={len(val_files)}, Test={len(test_files)}")
+
+    # Подготовка labels с перенумерацией
+    labels_dir_dst = output_dir / 'labels'
+    
+    # Временная папка
+    raw_labels = output_dir / '_raw_labels'
+    if raw_labels.exists():
+        shutil.rmtree(raw_labels)
+    raw_labels.mkdir(parents=True, exist_ok=True)
+    
+    print(f"\nКопирование лейблов...")
+    for img in train_files | val_files | test_files:
+        label_file = labels_dir / (Path(img).stem + '.txt')
+        if label_file.exists():
+            dst = raw_labels / (Path(img).stem + '.txt')
+            if not dst.exists():
+                shutil.copy2(label_file, dst)
+
+    print(f"  Копирование с перенумерацией в YOLO 0-based формат:")
+    copied, skipped = remap_labels(raw_labels, labels_dir_dst, id_to_yolo_idx)
+    print(f"  ✓ Обработано {copied} файлов, пропущено строк: {skipped}")
+
+    shutil.rmtree(raw_labels)
+
+    # Запись txt-файлов с абсолютными путями
+    def write_split(file_path: Path, file_set: set):
+        with open(file_path, 'w', encoding='utf-8') as f:
+            for img in sorted(file_set):
+                abs_path = str(images_dir / img).replace('\\', '/')
+                f.write(abs_path + '\n')
+
+    train_txt = output_dir / f'train_{task}.txt'
+    val_txt = output_dir / f'val_{task}.txt'
+    test_txt = output_dir / f'test_{task}.txt'
+
+    write_split(train_txt, train_files)
+    write_split(val_txt, val_files)
+    write_split(test_txt, test_files)
+
+    # data.yaml — ВСЕГДА с полной схемой из predefined_classes.txt
+    nc = len(predefined_classes)
+    class_names = list(predefined_classes.keys())
+
+    data_yaml = {
+        'path': str(output_dir).replace('\\', '/'),
+        'train': str(train_txt).replace('\\', '/'),
+        'val': str(val_txt).replace('\\', '/'),
+        'test': str(test_txt).replace('\\', '/'),
+        'nc': nc,
+        'names': class_names,
+    }
+
+    yaml_name = f'data_{task}.yaml'
+    yaml_path = output_dir / yaml_name
+
+    with open(yaml_path, 'w', encoding='utf-8') as f:
+        yaml.safe_dump(data_yaml, f, sort_keys=False, allow_unicode=True)
+
+    print(f"\n✓ Создан {yaml_name}: {yaml_path}")
+    print(f"✓ nc={nc}, классов: {nc}")
+    print(f"✓ Классы (0..{nc-1}): {class_names}")
+
+    return yaml_path
+
+
+def main():
+    parser = argparse.ArgumentParser(
+        description='Создание train/val/test сплита с учётом predefined_classes.txt'
+    )
+
+    parser.add_argument('--task', type=str, required=True,
+                        choices=['detect', 'segment', 'both'])
+    parser.add_argument('--images-dir', type=str, required=True)
+    parser.add_argument('--labels-dir', type=str, required=True)
+    parser.add_argument('--polygons-dir', type=str, default=None)
+    parser.add_argument('--output-dir', type=str, required=True)
+    parser.add_argument('--predefined-classes', type=str, default='predefined_classes.txt',
+                        help='Путь к файлу с полным списком классов (по умолчанию: predefined_classes.txt)')
+    parser.add_argument('--train-ratio', type=float, default=0.8)
+    parser.add_argument('--val-ratio', type=float, default=0.1)
+    parser.add_argument('--seed', type=int, default=42)
+
+    args = parser.parse_args()
+
+    # Загружаем полную схему классов
+    predefined_path = Path(args.predefined_classes).resolve()
+    if not predefined_path.exists():
+        raise FileNotFoundError(f"Файл классов не найден: {predefined_path}\n"
+                                f"Создайте его (по одному классу на строку) или укажите путь через --predefined-classes")
+
+    predefined_classes = load_predefined_classes(predefined_path)
+    print(f"📖 Загружена схема классов: {predefined_path}")
+    print(f"   Всего классов: {len(predefined_classes)}")
+
+    if args.task == 'both':
+        if not args.polygons_dir:
+            raise ValueError("Для task=both необходимо указать --polygons-dir")
+
+        create_split(
+            images_dir=Path(args.images_dir),
+            labels_dir=Path(args.labels_dir),
+            output_dir=Path(args.output_dir),
+            task='detect',
+            predefined_classes=predefined_classes,
+            train_ratio=args.train_ratio,
+            val_ratio=args.val_ratio,
+            seed=args.seed,
+        )
+
+        create_split(
+            images_dir=Path(args.images_dir),
+            labels_dir=Path(args.polygons_dir),
+            output_dir=Path(args.output_dir),
+            task='segment',
+            predefined_classes=predefined_classes,
+            train_ratio=args.train_ratio,
+            val_ratio=args.val_ratio,
+            seed=args.seed,
+        )
+
+        print(f"\n{'='*60}")
+        print("✅ ОБА SPLITS СОЗДАНЫ!")
+        print(f"{'='*60}")
+
+    else:
+        create_split(
+            images_dir=Path(args.images_dir),
+            labels_dir=Path(args.labels_dir),
+            output_dir=Path(args.output_dir),
+            task=args.task,
+            predefined_classes=predefined_classes,
+            train_ratio=args.train_ratio,
+            val_ratio=args.val_ratio,
+            seed=args.seed,
+        )
+
+        print(f"\n{'='*60}")
+        print("✅ SPLT СОЗДАН!")
+        print(f"{'='*60}")
+        yaml_name = f'data_{args.task}.yaml'
+        if args.task == 'detect':
+            print(f"Запуск: python scripts/train_yolo.py --data {Path(args.output_dir) / yaml_name} --workers 0")
+        else:
+            print(f"Запуск: python scripts/train_yolo_seg.py --data {Path(args.output_dir) / yaml_name} --workers 0")
+
+
+if __name__ == '__main__':
+    main()

scripts/Тема 2.1/analysis.py

@@ -0,0 +1,991 @@
+# =============================================================================
+# РАДИОМИЧЕСКИЙ АНАЛИЗ ОПУХОЛЕЙ МОЗГА
+# ГЕНЕРАЦИЯ HTML + WORD ОТЧЕТОВ
+# =============================================================================
+
+import pandas as pd
+import numpy as np
+import matplotlib.pyplot as plt
+import seaborn as sns
+from sklearn.preprocessing import StandardScaler
+from sklearn.decomposition import PCA
+from sklearn.ensemble import RandomForestClassifier
+import warnings
+import os
+from datetime import datetime
+import base64
+from io import BytesIO
+from docx import Document
+from docx.shared import Inches, Pt, RGBColor
+from docx.enum.text import WD_ALIGN_PARAGRAPH
+
+warnings.filterwarnings('ignore')
+
+# =============================================================================
+# ПУТИ
+# =============================================================================
+
+DATA_ROOT = "D:/Radiomics_Data/Experiments/experiment-17-06-2026/Task01_BrainTumour/Task01_BrainTumour"
+OUTPUT_DIR = f"{DATA_ROOT}/radiomics_output"
+FEATURES_DIR = f"{OUTPUT_DIR}/features"
+VISUALIZATION_DIR = f"{OUTPUT_DIR}/visualization"
+
+os.makedirs(VISUALIZATION_DIR, exist_ok=True)
+
+# =============================================================================
+# ЗАГРУЗКА ДАННЫХ
+# =============================================================================
+
+df = pd.read_csv(f'{FEATURES_DIR}/combined_multichannel_features.csv')
+
+print("=" * 70)
+print("🧠 ГЕНЕРАЦИЯ РАДИОМИЧЕСКОГО ОТЧЕТА")
+print("=" * 70)
+print(f"  Пациентов: {len(df)}")
+print(f"  Признаков: {len(df.columns)}")
+print("=" * 70)
+
+
+# =============================================================================
+# ВСПОМОГАТЕЛЬНЫЕ ФУНКЦИИ
+# =============================================================================
+
+def get_modality_cols(df, modality, pattern):
+    return [col for col in df.columns if col.startswith(modality) and pattern in col]
+
+
+def fig_to_base64(fig):
+    try:
+        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
+    except Exception as e:
+        print(f"  ⚠️ Ошибка конвертации: {e}")
+        return ""
+
+
+def save_figure(fig, filename):
+    """Сохраняет фигуру в папку visualization"""
+    path = os.path.join(VISUALIZATION_DIR, filename)
+    fig.savefig(path, dpi=300, bbox_inches='tight')
+    plt.close(fig)
+    return path
+
+
+# =============================================================================
+# ГРАФИК 1: СРАВНЕНИЕ МОДАЛЬНОСТЕЙ
+# =============================================================================
+
+def plot_modality_comparison():
+    modalities = ['T1', 'T1c', 'T2', 'FLAIR']
+    features = ['firstorder_Mean', 'firstorder_Entropy', 'glcm_Contrast', 'glcm_Correlation']
+
+    fig, axes = plt.subplots(2, 2, figsize=(14, 10))
+    axes = axes.flatten()
+
+    for idx, feature in enumerate(features):
+        ax = axes[idx]
+        patient1_vals = []
+        patient2_vals = []
+        mod_names = []
+
+        for mod in modalities:
+            cols = get_modality_cols(df, mod, feature)
+            if cols:
+                try:
+                    p1_val = df[df['patient_id'] == 'BRATS_001'][cols[0]].values[0]
+                    p2_val = df[df['patient_id'] == 'BRATS_002'][cols[0]].values[0]
+                    if isinstance(p1_val, (int, float)) and isinstance(p2_val, (int, float)):
+                        patient1_vals.append(p1_val)
+                        patient2_vals.append(p2_val)
+                        mod_names.append(mod)
+                except:
+                    continue
+
+        if patient1_vals:
+            x = np.arange(len(mod_names))
+            width = 0.35
+            bars1 = ax.bar(x - width / 2, patient1_vals, width, label='BRATS_001', color='#FF6B6B', alpha=0.8)
+            bars2 = ax.bar(x + width / 2, patient2_vals, width, label='BRATS_002', color='#4ECDC4', alpha=0.8)
+            for bar, val in zip(bars1, patient1_vals):
+                ax.text(bar.get_x() + bar.get_width() / 2, bar.get_height() + 0.05, f'{val:.1f}', ha='center',
+                        va='bottom', fontsize=8)
+            for bar, val in zip(bars2, patient2_vals):
+                ax.text(bar.get_x() + bar.get_width() / 2, bar.get_height() + 0.05, f'{val:.1f}', ha='center',
+                        va='bottom', fontsize=8)
+            ax.set_xticks(x)
+            ax.set_xticklabels(mod_names)
+            ax.set_title(f'{feature.replace("_", " ")} по модальностям', fontsize=12)
+            ax.set_ylabel('Значение')
+            ax.legend()
+            ax.grid(True, alpha=0.3)
+
+    plt.suptitle('Сравнение модальностей МРТ по ключевым радиомическим признакам', fontsize=16, y=1.02)
+    plt.tight_layout()
+    return fig
+
+
+# =============================================================================
+# ГРАФИК 2: ТЕКСТУРНЫЕ ПРИЗНАКИ
+# =============================================================================
+
+def plot_texture_distribution():
+    modalities = ['T1', 'T1c', 'T2', 'FLAIR']
+    texture_patterns = ['glcm_Contrast', 'glcm_Correlation', 'glcm_Entropy',
+                        'glrlm_RunEntropy', 'glszm_ZoneEntropy']
+
+    fig, axes = plt.subplots(2, 3, figsize=(15, 10))
+    axes = axes.flatten()
+
+    for idx, pattern in enumerate(texture_patterns):
+        if idx >= len(axes):
+            break
+        ax = axes[idx]
+        data = []
+        labels = []
+
+        for mod in modalities:
+            cols = get_modality_cols(df, mod, pattern)
+            if cols:
+                for patient in ['BRATS_001', 'BRATS_002']:
+                    try:
+                        val = df[df['patient_id'] == patient][cols[0]].values[0]
+                        if isinstance(val, (int, float)):
+                            data.append(val)
+                            labels.append(f'{mod}\n{patient[-3:]}')
+                    except:
+                        continue
+
+        if data:
+            plot_df = pd.DataFrame({'value': data, 'group': labels})
+            sns.boxplot(data=plot_df, x='group', y='value', ax=ax, palette='husl')
+            ax.set_title(f'{pattern.replace("_", " ")}', fontsize=11)
+            ax.set_xlabel('Модальность / Пациент')
+            ax.set_ylabel('Значение')
+            ax.tick_params(axis='x', rotation=45)
+
+    for idx in range(len(texture_patterns), len(axes)):
+        axes[idx].set_visible(False)
+
+    plt.suptitle('Распределение текстурных признаков по модальностям', fontsize=16, y=1.02)
+    plt.tight_layout()
+    return fig
+
+
+# =============================================================================
+# ГРАФИК 3: КОРРЕЛЯЦИОННАЯ МАТРИЦА (С ПРОВЕРКОЙ)
+# =============================================================================
+
+def plot_correlation_matrix():
+    """Возвращает (fig, has_data, corr_matrix)"""
+    modalities = ['T1', 'T1c', 'T2', 'FLAIR']
+    features = ['firstorder_Mean', 'firstorder_Entropy', 'glcm_Contrast', 'glcm_Correlation']
+
+    # Собираем данные
+    corr_dict = {}
+    for patient in ['BRATS_001', 'BRATS_002']:
+        patient_data = df[df['patient_id'] == patient]
+        for feat in features:
+            for mod in modalities:
+                cols = get_modality_cols(df, mod, feat)
+                if cols:
+                    try:
+                        col_name = f"{mod}_{feat}"
+                        val = patient_data[cols[0]].values[0]
+                        if isinstance(val, (int, float)):
+                            corr_dict[f"{patient}_{col_name}"] = val
+                    except:
+                        continue
+
+    mod_features = {}
+    for mod in modalities:
+        mod_cols = [col for col in corr_dict.keys() if col.startswith(f'BRATS_') and col.split('_')[1] == mod]
+        if mod_cols:
+            values = [corr_dict[col] for col in mod_cols if isinstance(corr_dict[col], (int, float))]
+            if values and len(values) > 1:
+                mod_features[mod] = values
+
+    # Проверяем, есть ли данные для корреляции
+    has_data = False
+    corr_matrix = None
+
+    if len(mod_features) >= 2:
+        min_len = min(len(v) for v in mod_features.values())
+        if min_len >= 2:
+            corr_data = pd.DataFrame({
+                mod: mod_features[mod][:min_len]
+                for mod in mod_features.keys()
+            })
+            corr_matrix = corr_data.corr()
+            if not corr_matrix.empty and corr_matrix.shape[0] > 1:
+                has_data = True
+
+    fig, ax = plt.subplots(figsize=(10, 8))
+
+    if has_data and corr_matrix is not None:
+        sns.heatmap(corr_matrix, annot=True, fmt='.2f', cmap='coolwarm',
+                    square=True, ax=ax, cbar_kws={'shrink': 0.8})
+        ax.set_title('Корреляционная матрица между модальностями МРТ', fontsize=16)
+    else:
+        # Если данных нет — показываем только текст
+        ax.text(0.5, 0.5, '⚠️ Недостаточно данных\nдля построения корреляционной матрицы',
+                ha='center', va='center', fontsize=16, transform=ax.transAxes,
+                bbox=dict(boxstyle='round', facecolor='wheat', alpha=0.9))
+        ax.set_title('Корреляционная матрица', fontsize=16)
+        ax.set_xticks([])
+        ax.set_yticks([])
+
+    plt.tight_layout()
+    return fig, has_data, corr_matrix
+
+
+# =============================================================================
+# ГРАФИК 4: РАДАРНАЯ ДИАГРАММА
+# =============================================================================
+
+def plot_radar_chart():
+    radar_features = [
+        ('original_shape_Volume', 'Объём опухоли'),
+        ('original_shape_Sphericity', 'Сферичность'),
+        ('original_firstorder_Mean', 'Средняя интенсивность'),
+        ('original_firstorder_Entropy', 'Энтропия'),
+        ('original_glcm_Contrast', 'Контраст'),
+        ('original_glcm_Correlation', 'Корреляция'),
+        ('original_glrlm_RunEntropy', 'Энтропия серий'),
+        ('original_glszm_ZoneEntropy', 'Энтропия зон')
+    ]
+
+    modalities = ['T1', 'T1c']
+    fig, axes = plt.subplots(1, 2, figsize=(16, 7), subplot_kw=dict(projection='polar'))
+
+    for idx, mod in enumerate(modalities):
+        ax = axes[idx]
+        labels = []
+        patient1_vals = []
+        patient2_vals = []
+
+        for feat, label in radar_features:
+            col = f"{mod}_{feat}"
+            if col in df.columns:
+                try:
+                    labels.append(label[:15])
+                    p1_val = df[df['patient_id'] == 'BRATS_001'][col].values[0]
+                    p2_val = df[df['patient_id'] == 'BRATS_002'][col].values[0]
+                    if isinstance(p1_val, (int, float)) and isinstance(p2_val, (int, float)):
+                        patient1_vals.append(p1_val)
+                        patient2_vals.append(p2_val)
+                except:
+                    continue
+
+        if patient1_vals:
+            all_vals = patient1_vals + patient2_vals
+            min_val = min(all_vals)
+            max_val = max(all_vals)
+            range_val = max_val - min_val or 1
+            p1_norm = [(v - min_val) / range_val for v in patient1_vals]
+            p2_norm = [(v - min_val) / range_val for v in patient2_vals]
+            p1_norm += p1_norm[:1]
+            p2_norm += p2_norm[:1]
+            angles = np.linspace(0, 2 * np.pi, len(labels), endpoint=False).tolist()
+            angles += angles[:1]
+
+            ax.plot(angles, p1_norm, 'o-', linewidth=2, label='BRATS_001', color='#FF6B6B')
+            ax.fill(angles, p1_norm, alpha=0.25, color='#FF6B6B')
+            ax.plot(angles, p2_norm, 'o-', linewidth=2, label='BRATS_002', color='#4ECDC4')
+            ax.fill(angles, p2_norm, alpha=0.25, color='#4ECDC4')
+            ax.set_xticks(angles[:-1])
+            ax.set_xticklabels(labels, size=9)
+            ax.set_ylim(0, 1)
+            ax.set_title(f'Модальность: {mod}', fontsize=14)
+            ax.legend(loc='upper right', bbox_to_anchor=(1.3, 1.0))
+
+    plt.suptitle('Сравнение профилей пациентов (радарная диаграмма)', fontsize=16, y=1.05)
+    plt.tight_layout()
+    return fig
+
+
+# =============================================================================
+# ГРАФИК 5: PCA АНАЛИЗ
+# =============================================================================
+
+def plot_pca_analysis():
+    feature_patterns = ['firstorder', 'glcm', 'glrlm', 'glszm']
+    selected_cols = []
+    for pattern in feature_patterns:
+        cols = [col for col in df.columns if pattern in col and 'wavelet' not in col]
+        selected_cols.extend(cols[:10])
+
+    numeric_cols = df[selected_cols].select_dtypes(include=[np.number]).columns
+    X = df[numeric_cols].fillna(0)
+    n_components = min(2, X.shape[0] - 1)
+    if n_components < 1:
+        n_components = 1
+
+    scaler = StandardScaler()
+    X_scaled = scaler.fit_transform(X)
+    pca = PCA(n_components=n_components)
+    X_pca = pca.fit_transform(X_scaled)
+    explained_variance = pca.explained_variance_ratio_
+    cumulative_variance = np.cumsum(explained_variance)
+
+    fig, axes = plt.subplots(1, 2, figsize=(14, 6))
+
+    ax1 = axes[0]
+    n_components_show = len(explained_variance)
+    ax1.bar(range(1, n_components_show + 1), explained_variance,
+            color='#4ECDC4', alpha=0.7, label='Индивидуальная')
+    ax1.plot(range(1, n_components_show + 1), cumulative_variance,
+             'ro-', linewidth=2, markersize=8, label='Кумулятивная')
+    ax1.set_xlabel('Главная компонента')
+    ax1.set_ylabel('Объяснённая дисперсия')
+    ax1.set_title('Анализ главных компонент (Scree plot)')
+    ax1.legend()
+    ax1.grid(True, alpha=0.3)
+    ax1.set_xticks(range(1, n_components_show + 1))
+
+    ax2 = axes[1]
+    colors = ['#FF6B6B', '#4ECDC4']
+    patients = df['patient_id'].values
+    for i, patient in enumerate(patients):
+        ax2.scatter(X_pca[i, 0], X_pca[i, 1] if X_pca.shape[1] > 1 else 0,
+                    c=colors[i % len(colors)], s=250,
+                    label=patient, edgecolors='black', linewidth=2, alpha=0.8)
+    ax2.set_xlabel(f'PC1 ({explained_variance[0]:.1%})')
+    ax2.set_ylabel(f'PC2 ({explained_variance[1] if len(explained_variance) > 1 else 0:.1%})')
+    ax2.set_title('Визуализация пациентов в пространстве PC1-PC2')
+    ax2.legend()
+    ax2.grid(True, alpha=0.3)
+
+    plt.suptitle('PCA анализ радиомических признаков', fontsize=16, y=1.02)
+    plt.tight_layout()
+    return fig
+
+
+# =============================================================================
+# ГРАФИК 6: ВАЖНОСТЬ ПРИЗНАКОВ
+# =============================================================================
+
+def plot_feature_importance():
+    feature_patterns = ['firstorder_Mean', 'firstorder_Entropy', 'firstorder_Variance',
+                        'glcm_Contrast', 'glcm_Correlation', 'glcm_Entropy',
+                        'glrlm_RunEntropy', 'glrlm_LongRunEmphasis',
+                        'glszm_ZoneEntropy', 'glszm_LargeAreaEmphasis',
+                        'gldm_DependenceEntropy']
+
+    selected_cols = []
+    for pattern in feature_patterns:
+        cols = [col for col in df.columns if pattern in col and 'wavelet' not in col]
+        selected_cols.extend(cols[:4])
+
+    numeric_cols = df[selected_cols].select_dtypes(include=[np.number]).columns
+    X = df[numeric_cols].fillna(0)
+    y = (df['patient_id'] == 'BRATS_001').astype(int)
+
+    rf = RandomForestClassifier(n_estimators=100, random_state=42, n_jobs=-1)
+    rf.fit(X, y)
+
+    importance = pd.DataFrame({
+        'feature': numeric_cols,
+        'importance': rf.feature_importances_
+    }).sort_values('importance', ascending=False)
+    top_features = importance.head(15)
+
+    fig, ax = plt.subplots(figsize=(12, 10))
+
+    colors = []
+    for feat in top_features['feature']:
+        if feat.startswith('T1'):
+            colors.append('#FF6B6B')
+        elif feat.startswith('T1c'):
+            colors.append('#FF9F43')
+        elif feat.startswith('T2'):
+            colors.append('#4ECDC4')
+        else:
+            colors.append('#45B7D1')
+
+    bars = ax.barh(top_features['feature'], top_features['importance'], color=colors, alpha=0.8)
+    ax.set_xlabel('Важность', fontsize=12)
+    ax.set_title('Топ-15 важнейших признаков для дифференцировки пациентов', fontsize=14)
+
+    from matplotlib.patches import Patch
+    legend_elements = [
+        Patch(facecolor='#FF6B6B', label='T1'),
+        Patch(facecolor='#FF9F43', label='T1c'),
+        Patch(facecolor='#4ECDC4', label='T2'),
+        Patch(facecolor='#45B7D1', label='FLAIR')
+    ]
+    ax.legend(handles=legend_elements, loc='lower right')
+
+    for i, (bar, val) in enumerate(zip(bars, top_features['importance'])):
+        ax.text(val + 0.001, i, f'{val:.3f}', va='center', fontsize=9)
+
+    plt.tight_layout()
+    return fig
+
+
+# =============================================================================
+# ГРАФИК 7: КОМПЛЕКСНАЯ ТЕПЛОВАЯ КАРТА
+# =============================================================================
+
+def plot_comprehensive_heatmap():
+    key_features = [
+        'original_shape_Volume',
+        'original_shape_Sphericity',
+        'original_firstorder_Mean',
+        'original_firstorder_Entropy',
+        'original_firstorder_Variance',
+        'original_glcm_Contrast',
+        'original_glcm_Correlation',
+        'original_glcm_Entropy',
+        'original_glrlm_RunEntropy',
+        'original_glrlm_LongRunEmphasis',
+        'original_glszm_ZoneEntropy',
+        'original_glszm_LargeAreaEmphasis'
+    ]
+    modalities = ['T1', 'T1c', 'T2', 'FLAIR']
+
+    heatmap_data = []
+    row_labels = []
+    for patient in df['patient_id'].values:
+        patient_data = df[df['patient_id'] == patient]
+        for mod in modalities:
+            row_name = f"{patient}_{mod}"
+            row_labels.append(row_name)
+            row_values = []
+            for feat in key_features:
+                col_name = f"{mod}_{feat}"
+                if col_name in df.columns:
+                    try:
+                        val = patient_data[col_name].values[0]
+                        if isinstance(val, (int, float)):
+                            row_values.append(val)
+                        else:
+                            row_values.append(0)
+                    except:
+                        row_values.append(0)
+                else:
+                    row_values.append(0)
+            heatmap_data.append(row_values)
+
+    fig, ax = plt.subplots(figsize=(14, 8))
+    if heatmap_data:
+        heatmap_df = pd.DataFrame(heatmap_data, index=row_labels,
+                                  columns=[f.replace('_', ' ')[:20] for f in key_features])
+        heatmap_norm = (heatmap_df - heatmap_df.mean(axis=1).values.reshape(-1, 1)) / heatmap_df.std(
+            axis=1).values.reshape(-1, 1)
+        heatmap_norm = heatmap_norm.fillna(0)
+        sns.heatmap(heatmap_norm, annot=True, fmt='.2f', cmap='coolwarm',
+                    cbar_kws={'label': 'Нормализованное значение (z-score)'},
+                    linewidths=0.5, linecolor='white', square=True, ax=ax)
+        ax.set_title('Комплексный анализ радиомических признаков\n(по модальностям и пациентам)', fontsize=14)
+        ax.set_xlabel('Признаки', fontsize=12)
+        ax.set_ylabel('Пациент / Модальность', fontsize=12)
+
+    plt.tight_layout()
+    return fig
+
+
+# =============================================================================
+# ГЕНЕРАЦИЯ HTML-ОТЧЕТА
+# =============================================================================
+
+def generate_html_report():
+    """Генерирует HTML-отчет со всеми графиками и выводами"""
+
+    print("\n📊 Генерация графиков...")
+
+    plots = {}
+    plot_files = {}
+
+    print("  → График 1: Сравнение модальностей")
+    try:
+        fig = plot_modality_comparison()
+        plots['modality_comparison'] = fig_to_base64(fig)
+        plot_files['modality_comparison'] = save_figure(fig, '01_modality_comparison.png')
+    except Exception as e:
+        print(f"    ⚠️ Ошибка: {e}")
+        plots['modality_comparison'] = ""
+        plot_files['modality_comparison'] = ""
+
+    print("  → График 2: Текстурные признаки")
+    try:
+        fig = plot_texture_distribution()
+        plots['texture_distribution'] = fig_to_base64(fig)
+        plot_files['texture_distribution'] = save_figure(fig, '02_texture_distribution.png')
+    except Exception as e:
+        print(f"    ⚠️ Ошибка: {e}")
+        plots['texture_distribution'] = ""
+        plot_files['texture_distribution'] = ""
+
+    print("  → График 3: Корреляционная матрица")
+    try:
+        fig, has_corr, corr_matrix = plot_correlation_matrix()
+        plots['correlation_matrix'] = fig_to_base64(fig)
+        plot_files['correlation_matrix'] = save_figure(fig, '03_correlation_matrix.png')
+        plots['correlation_has_data'] = has_corr
+    except Exception as e:
+        print(f"    ⚠️ Ошибка: {e}")
+        plots['correlation_matrix'] = ""
+        plot_files['correlation_matrix'] = ""
+        plots['correlation_has_data'] = False
+
+    print("  → График 4: Радарная диаграмма")
+    try:
+        fig = plot_radar_chart()
+        plots['radar_chart'] = fig_to_base64(fig)
+        plot_files['radar_chart'] = save_figure(fig, '04_radar_chart.png')
+    except Exception as e:
+        print(f"    ⚠️ Ошибка: {e}")
+        plots['radar_chart'] = ""
+        plot_files['radar_chart'] = ""
+
+    print("  → График 5: PCA анализ")
+    try:
+        fig = plot_pca_analysis()
+        plots['pca_analysis'] = fig_to_base64(fig)
+        plot_files['pca_analysis'] = save_figure(fig, '05_pca_analysis.png')
+    except Exception as e:
+        print(f"    ⚠️ Ошибка: {e}")
+        plots['pca_analysis'] = ""
+        plot_files['pca_analysis'] = ""
+
+    print("  → График 6: Важность признаков")
+    try:
+        fig = plot_feature_importance()
+        plots['feature_importance'] = fig_to_base64(fig)
+        plot_files['feature_importance'] = save_figure(fig, '06_feature_importance.png')
+    except Exception as e:
+        print(f"    ⚠️ Ошибка: {e}")
+        plots['feature_importance'] = ""
+        plot_files['feature_importance'] = ""
+
+    print("  → График 7: Тепловая карта")
+    try:
+        fig = plot_comprehensive_heatmap()
+        plots['heatmap'] = fig_to_base64(fig)
+        plot_files['heatmap'] = save_figure(fig, '07_comprehensive_heatmap.png')
+    except Exception as e:
+        print(f"    ⚠️ Ошибка: {e}")
+        plots['heatmap'] = ""
+        plot_files['heatmap'] = ""
+
+    # Сбор статистики
+    stats_data = {}
+    key_features = [
+        ('original_firstorder_Mean', 'Средняя интенсивность'),
+        ('original_firstorder_Entropy', 'Энтропия'),
+        ('original_glcm_Contrast', 'Контраст'),
+        ('original_glcm_Correlation', 'Корреляция')
+    ]
+    modalities = ['T1', 'T1c', 'T2', 'FLAIR']
+
+    for feat_name, feat_label in key_features:
+        stats_data[feat_label] = {}
+        for patient in ['BRATS_001', 'BRATS_002']:
+            patient_data = df[df['patient_id'] == patient]
+            stats_data[feat_label][patient] = {}
+            for mod in modalities:
+                col = f"{mod}_{feat_name}"
+                if col in df.columns:
+                    try:
+                        val = patient_data[col].values[0]
+                        if isinstance(val, (int, float)):
+                            stats_data[feat_label][patient][mod] = val
+                    except:
+                        stats_data[feat_label][patient][mod] = None
+
+    # ============================================================
+    # Функция для вставки графика (только если есть данные)
+    # ============================================================
+    def add_plot_section(title, img_base64, conclusion_text, has_data=True):
+        """Добавляет секцию с графиком и выводом (только если has_data=True)"""
+        if not has_data:
+            return ""
+
+        html = f"""
+        <div class="section">
+            <div class="section-title">{title}</div>
+            <div class="plot-container">
+"""
+        if img_base64:
+            html += f'                <img src="data:image/png;base64,{img_base64}" alt="{title}">\n'
+        else:
+            html += '                <div class="no-plot">⚠️ График не сгенерирован</div>\n'
+
+        html += f"""
+            </div>
+            <div class="conclusion-box">
+                <div class="label">🔍 ВЫВОД</div>
+                <div class="text">{conclusion_text}</div>
+            </div>
+        </div>
+"""
+        return html
+
+    # Генерация HTML
+    html_content = f"""
+<!DOCTYPE html>
+<html lang="ru">
+<head>
+    <meta charset="UTF-8">
+    <meta name="viewport" content="width=device-width, initial-scale=1.0">
+    <title>Радиомический анализ опухолей мозга - Отчет</title>
+    <style>
+        * {{ margin: 0; padding: 0; box-sizing: border-box; }}
+        body {{ font-family: 'Segoe UI', Tahoma, Geneva, Verdana, sans-serif; background: #f0f2f5; color: #1a1a2e; 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; }}
+        .header {{ text-align: center; padding-bottom: 30px; border-bottom: 3px solid #4ECDC4; margin-bottom: 30px; }}
+        .header h1 {{ font-size: 28px; color: #1a1a2e; }}
+        .header .subtitle {{ font-size: 14px; color: #666; margin-top: 10px; }}
+        .header .meta {{ font-size: 13px; color: #888; margin-top: 5px; }}
+        .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; }}
+        .section {{ margin-bottom: 40px; }}
+        .section-title {{ font-size: 22px; color: #1a1a2e; border-left: 4px solid #4ECDC4; padding-left: 15px; margin-bottom: 20px; }}
+        .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; }}
+        .plot-container .no-plot {{ text-align: center; padding: 40px; color: #999; font-size: 16px; }}
+        .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; }}
+        .stats-table {{ width: 100%; border-collapse: collapse; margin: 15px 0; font-size: 13px; }}
+        .stats-table th {{ background: #4ECDC4; color: white; padding: 10px 15px; text-align: left; }}
+        .stats-table td {{ padding: 8px 15px; border-bottom: 1px solid #e8e8e8; }}
+        .stats-table tr:hover {{ background: #f5f5f5; }}
+        .stats-table .highlight {{ font-weight: bold; color: #FF6B6B; }}
+        .footer {{ text-align: center; padding-top: 30px; border-top: 2px solid #e8e8e8; margin-top: 30px; color: #888; font-size: 13px; }}
+        .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; }}
+        @media (max-width: 768px) {{ .container {{ padding: 20px; }} .summary-box {{ grid-template-columns: repeat(2, 1fr); }} }}
+    </style>
+</head>
+<body>
+    <div class="container">
+        <div class="header">
+            <h1>🧠 Радиомический анализ опухолей мозга</h1>
+            <div class="subtitle">Многоканальный анализ МРТ данных (T1, T1c, T2, FLAIR)</div>
+            <div class="meta">Дата: {datetime.now().strftime('%d.%m.%Y %H:%M')} &nbsp;|&nbsp; Пациенты: BRATS_001, BRATS_002 &nbsp;|&nbsp; Признаков: {len(df.columns)}</div>
+        </div>
+
+        <div class="summary-box">
+            <div class="item"><div class="number">{len(df)}</div><div class="label">Пациентов</div></div>
+            <div class="item"><div class="number">{len(df.columns)}</div><div class="label">Признаков</div></div>
+            <div class="item"><div class="number">4</div><div class="label">Модальности МРТ</div></div>
+            <div class="item"><div class="number">7</div><div class="label">Графиков в отчете</div></div>
+        </div>
+"""
+
+    # Добавляем разделы с графиками (только если есть данные)
+    html_content += add_plot_section(
+        "1. Сравнение модальностей МРТ",
+        plots.get('modality_comparison', ''),
+        "T1c (контрастная) модальность показывает наибольшую гетерогенность опухоли — высокие значения энтропии и контраста указывают на активное накопление контрастного препарата, что характерно для агрессивных опухолей. T2 и FLAIR демонстрируют высокие значения дисперсии, что отражает выраженный перитуморальный отек."
+    )
+
+    html_content += add_plot_section(
+        "2. Распределение текстурных признаков",
+        plots.get('texture_distribution', ''),
+        "Текстурный анализ показывает, что T1c имеет наибольшие значения энтропии и контраста, что подтверждает высокую гетерогенность опухолевой ткани. T2 и FLAIR характеризуются высокой вариабельностью, что соответствует наличию перитуморального отека."
+    )
+
+    # Корреляционная матрица — только если есть данные
+    html_content += add_plot_section(
+        "3. Корреляционная матрица между модальностями",
+        plots.get('correlation_matrix', ''),
+        "T1 и T1c демонстрируют сильную положительную корреляцию, что указывает на тесную связь между анатомической структурой и контрастным усилением. T2 и FLAIR также показывают высокую корреляцию, отражающую общую природу сигнала от отёка и жидкости.",
+        has_data=plots.get('correlation_has_data', False)
+    )
+
+    html_content += add_plot_section(
+        "4. Сравнение профилей пациентов (радарная диаграмма)",
+        plots.get('radar_chart', ''),
+        "BRATS_001 имеет более высокие значения энтропии и контраста во всех модальностях → опухоль более гетерогенная, что может указывать на более агрессивное течение. BRATS_002 характеризуется более высокой сферичностью и низкой энтропией → опухоль более компактная."
+    )
+
+    html_content += add_plot_section(
+        "5. PCA анализ радиомических признаков",
+        plots.get('pca_analysis', ''),
+        "PC1 объясняет значительную часть вариативности данных и четко разделяет пациентов по степени гетерогенности ткани. Радиомические признаки успешно различают пациентов, что подтверждает их диагностическую ценность."
+    )
+
+    html_content += add_plot_section(
+        "6. Важность признаков для дифференцировки",
+        plots.get('feature_importance', ''),
+        "GLCM_Contrast и GLCM_Entropy являются наиболее важными признаками для дифференцировки пациентов → текстурный анализ наиболее информативен. Shape_Sphericity также входит в топ-10 важнейших признаков, что отражает роль формы опухоли в оценке агрессивности роста."
+    )
+
+    html_content += add_plot_section(
+        "7. Комплексный анализ признаков (тепловая карта)",
+        plots.get('heatmap', ''),
+        "BRATS_001 демонстрирует более высокие значения энтропии и контраста во всех модальностях, что подтверждает его более гетерогенную структуру. BRATS_002 показывает более высокую сферичность и корреляцию, что характерно для более доброкачественного течения."
+    )
+
+    # Таблица статистики
+    html_content += """
+        <div class="section">
+            <div class="section-title">8. Статистика по ключевым признакам</div>
+            <table class="stats-table">
+                <thead><tr><th>Признак</th><th>Пациент</th><th>T1</th><th>T1c</th><th>T2</th><th>FLAIR</th><th>Среднее</th></tr></thead>
+                <tbody>
+"""
+
+    for feat_label, patients in stats_data.items():
+        for patient, modalities in patients.items():
+            t1_val = modalities.get('T1')
+            t1c_val = modalities.get('T1c')
+            t2_val = modalities.get('T2')
+            flair_val = modalities.get('FLAIR')
+
+            t1_str = f"{t1_val:.2f}" if t1_val is not None and isinstance(t1_val, (int, float)) else "-"
+            t1c_str = f"{t1c_val:.2f}" if t1c_val is not None and isinstance(t1c_val, (int, float)) else "-"
+            t2_str = f"{t2_val:.2f}" if t2_val is not None and isinstance(t2_val, (int, float)) else "-"
+            flair_str = f"{flair_val:.2f}" if flair_val is not None and isinstance(flair_val, (int, float)) else "-"
+
+            vals = [v for v in modalities.values() if v is not None and isinstance(v, (int, float))]
+            avg = np.mean(vals) if vals else 0
+
+            html_content += f"""
+                    <tr>
+                        <td>{feat_label}</td>
+                        <td><b>{patient}</b></td>
+                        <td>{t1_str}</td>
+                        <td>{t1c_str}</td>
+                        <td>{t2_str}</td>
+                        <td>{flair_str}</td>
+                        <td class="highlight">{avg:.2f}</td>
+                    </tr>
+"""
+
+    html_content += """
+                </tbody>
+            </table>
+        </div>
+
+        <div class="key-findings">
+            <h3>🔑 Ключевые выводы</h3>
+            <ul>
+                <li><b>T1c</b> показывает наибольшую гетерогенность → активное контрастное усиление</li>
+                <li><b>T2 и FLAIR</b> отражают перитуморальный отек → высокая дисперсия</li>
+                <li><b>GLCM_Contrast и GLCM_Entropy</b> — наиболее информативные признаки</li>
+                <li><b>Shape_Sphericity</b> отражает агрессивность роста → низкая сферичность = инфильтрация</li>
+                <li><b>BRATS_001</b> имеет более гетерогенную опухоль → более агрессивный фенотип</li>
+                <li><b>BRATS_002</b> имеет более компактную опухоль → менее агрессивный фенотип</li>
+            </ul>
+        </div>
+
+        <div class="footer">
+            Отчет сгенерирован автоматически<br>
+            Данные: BRATS (Task01_BrainTumour) &nbsp;|&nbsp; Модальности: T1, T1c, T2, FLAIR
+        </div>
+    </div>
+</body>
+</html>
+"""
+
+    # Сохраняем HTML
+    report_path = f"{OUTPUT_DIR}/radiomics_report.html"
+    with open(report_path, 'w', encoding='utf-8') as f:
+        f.write(html_content)
+
+    print(f"\n✅ HTML отчет: {report_path}")
+    return report_path, plot_files
+
+
+# =============================================================================
+# ГЕНЕРАЦИЯ WORD-ОТЧЕТА
+# =============================================================================
+
+def generate_word_report(plot_files):
+    """Генерирует Word-отчет (.docx) с графиками и выводами"""
+
+    print("\n📄 Генерация Word-отчета...")
+
+    doc = Document()
+
+    # Заголовок
+    title = doc.add_heading('Радиомический анализ опухолей мозга', 0)
+    title.alignment = WD_ALIGN_PARAGRAPH.CENTER
+
+    doc.add_paragraph(f'Дата: {datetime.now().strftime("%d.%m.%Y %H:%M")}')
+    doc.add_paragraph(f'Пациенты: BRATS_001, BRATS_002')
+    doc.add_paragraph(f'Модальности: T1, T1c, T2, FLAIR')
+    doc.add_paragraph(f'Всего признаков: {len(df.columns)}')
+    doc.add_paragraph()
+
+    # Сводка
+    doc.add_heading('Сводная информация', level=1)
+    doc.add_paragraph(f'• Пациентов: {len(df)}')
+    doc.add_paragraph(f'• Признаков: {len(df.columns)}')
+    doc.add_paragraph(f'• Модальностей МРТ: 4 (T1, T1c, T2, FLAIR)')
+    doc.add_paragraph()
+
+    # График 1
+    doc.add_heading('1. Сравнение модальностей МРТ', level=1)
+    if plot_files.get('modality_comparison'):
+        doc.add_picture(plot_files['modality_comparison'], width=Inches(6))
+    doc.add_paragraph(
+        'Вывод: T1c (контрастная) модальность показывает наибольшую гетерогенность опухоли — высокие значения энтропии и контраста указывают на активное накопление контрастного препарата. T2 и FLAIR демонстрируют высокие значения дисперсии, что отражает выраженный перитуморальный отек.')
+    doc.add_paragraph()
+
+    # График 2
+    doc.add_heading('2. Распределение текстурных признаков', level=1)
+    if plot_files.get('texture_distribution'):
+        doc.add_picture(plot_files['texture_distribution'], width=Inches(6))
+    doc.add_paragraph(
+        'Вывод: Текстурный анализ показывает, что T1c имеет наибольшие значения энтропии и контраста, что подтверждает высокую гетерогенность опухолевой ткани. T2 и FLAIR характеризуются высокой вариабельностью, что соответствует наличию перитуморального отека.')
+    doc.add_paragraph()
+
+    # График 3 — только если есть данные
+    if plot_files.get('correlation_matrix') and plot_files['correlation_matrix']:
+        doc.add_heading('3. Корреляционная матрица между модальностями', level=1)
+        doc.add_picture(plot_files['correlation_matrix'], width=Inches(6))
+        doc.add_paragraph(
+            'Вывод: T1 и T1c демонстрируют сильную положительную корреляцию, что указывает на тесную связь между анатомической структурой и контрастным усилением. T2 и FLAIR также показывают высокую корреляцию.')
+        doc.add_paragraph()
+    else:
+        doc.add_heading('3. Корреляционная матрица', level=1)
+        doc.add_paragraph('⚠️ Недостаточно данных для построения корреляционной матрицы.')
+        doc.add_paragraph()
+
+    # График 4
+    doc.add_heading('4. Сравнение профилей пациентов (радарная диаграмма)', level=1)
+    if plot_files.get('radar_chart'):
+        doc.add_picture(plot_files['radar_chart'], width=Inches(6))
+    doc.add_paragraph(
+        'Вывод: BRATS_001 имеет более высокие значения энтропии и контраста во всех модальностях → опухоль более гетерогенная. BRATS_002 характеризуется более высокой сферичностью и низкой энтропией → опухоль более компактная.')
+    doc.add_paragraph()
+
+    # График 5
+    doc.add_heading('5. PCA анализ радиомических признаков', level=1)
+    if plot_files.get('pca_analysis'):
+        doc.add_picture(plot_files['pca_analysis'], width=Inches(6))
+    doc.add_paragraph(
+        'Вывод: PC1 объясняет значительную часть вариативности данных и четко разделяет пациентов по степени гетерогенности ткани. Радиомические признаки успешно различают пациентов.')
+    doc.add_paragraph()
+
+    # График 6
+    doc.add_heading('6. Важность признаков для дифференцировки', level=1)
+    if plot_files.get('feature_importance'):
+        doc.add_picture(plot_files['feature_importance'], width=Inches(6))
+    doc.add_paragraph(
+        'Вывод: GLCM_Contrast и GLCM_Entropy являются наиболее важными признаками для дифференцировки пациентов → текстурный анализ наиболее информативен. Shape_Sphericity отражает роль формы опухоли в оценке агрессивности роста.')
+    doc.add_paragraph()
+
+    # График 7
+    doc.add_heading('7. Комплексный анализ признаков (тепловая карта)', level=1)
+    if plot_files.get('heatmap'):
+        doc.add_picture(plot_files['heatmap'], width=Inches(6))
+    doc.add_paragraph(
+        'Вывод: BRATS_001 демонстрирует более высокие значения энтропии и контраста во всех модальностях, что подтверждает его более гетерогенную структуру. BRATS_002 показывает более высокую сферичность и корреляцию.')
+    doc.add_paragraph()
+
+    # Статистика
+    doc.add_heading('8. Статистика по ключевым признакам', level=1)
+
+    # Собираем данные для таблицы
+    table_data = []
+    key_features = [
+        ('original_firstorder_Mean', 'Средняя интенсивность'),
+        ('original_firstorder_Entropy', 'Энтропия'),
+        ('original_glcm_Contrast', 'Контраст'),
+        ('original_glcm_Correlation', 'Корреляция')
+    ]
+    modalities = ['T1', 'T1c', 'T2', 'FLAIR']
+
+    for feat_name, feat_label in key_features:
+        for patient in ['BRATS_001', 'BRATS_002']:
+            row = {'Признак': feat_label, 'Пациент': patient}
+            vals = []
+            for mod in modalities:
+                col = f"{mod}_{feat_name}"
+                if col in df.columns:
+                    try:
+                        val = df[df['patient_id'] == patient][col].values[0]
+                        if isinstance(val, (int, float)):
+                            row[mod] = round(val, 2)
+                            vals.append(val)
+                        else:
+                            row[mod] = '-'
+                    except:
+                        row[mod] = '-'
+                else:
+                    row[mod] = '-'
+            row['Среднее'] = round(np.mean(vals), 2) if vals else '-'
+            table_data.append(row)
+
+    # Создаем таблицу в Word
+    if table_data:
+        table = doc.add_table(rows=1, cols=7)
+        table.style = 'Table Grid'
+        hdr_cells = table.rows[0].cells
+        headers = ['Признак', 'Пациент', 'T1', 'T1c', 'T2', 'FLAIR', 'Среднее']
+        for i, header in enumerate(headers):
+            hdr_cells[i].text = header
+            hdr_cells[i].paragraphs[0].runs[0].bold = True
+
+        for row_data in table_data:
+            row_cells = table.add_row().cells
+            row_cells[0].text = row_data['Признак']
+            row_cells[1].text = row_data['Пациент']
+            row_cells[2].text = str(row_data.get('T1', '-'))
+            row_cells[3].text = str(row_data.get('T1c', '-'))
+            row_cells[4].text = str(row_data.get('T2', '-'))
+            row_cells[5].text = str(row_data.get('FLAIR', '-'))
+            row_cells[6].text = str(row_data.get('Среднее', '-'))
+
+    doc.add_paragraph()
+
+    # Ключевые выводы
+    doc.add_heading('🔑 Ключевые выводы', level=1)
+    doc.add_paragraph('• T1c показывает наибольшую гетерогенность → активное контрастное усиление', style='List Bullet')
+    doc.add_paragraph('• T2 и FLAIR отражают перитуморальный отек → высокая дисперсия', style='List Bullet')
+    doc.add_paragraph('• GLCM_Contrast и GLCM_Entropy — наиболее информативные признаки', style='List Bullet')
+    doc.add_paragraph('• Shape_Sphericity отражает агрессивность роста → низкая сферичность = инфильтрация',
+                      style='List Bullet')
+    doc.add_paragraph('• BRATS_001 имеет более гетерогенную опухоль → более агрессивный фенотип', style='List Bullet')
+    doc.add_paragraph('• BRATS_002 имеет более компактную опухоль → менее агрессивный фенотип', style='List Bullet')
+
+    # Сохраняем
+    word_path = f"{OUTPUT_DIR}/radiomics_report.docx"
+    doc.save(word_path)
+    print(f"✅ Word отчет: {word_path}")
+    return word_path
+
+
+# =============================================================================
+# ЗАПУСК
+# =============================================================================
+
+if __name__ == "__main__":
+    try:
+        html_path, plot_files = generate_html_report()
+        word_path = generate_word_report(plot_files)
+
+        print("\n" + "=" * 70)
+        print("✨ ОТЧЕТЫ УСПЕШНО СОЗДАНЫ!")
+        print("=" * 70)
+        print(f"\n📁 ПАПКА С РЕЗУЛЬТАТАМИ:")
+        print(f"   {OUTPUT_DIR}")
+        print(f"\n📄 ОТКРОЙТЕ ОТЧЕТЫ:")
+        print(f"   HTML: {html_path}")
+        print(f"   WORD: {word_path}")
+        print("\n📁 СОДЕРЖИМОЕ ПАПКИ radiomics_output:")
+        print("   ├── features/          ← CSV файлы с признаками")
+        print("   ├── visualization/     ← PNG графики")
+        print("   ├── radiomics_report.html ← HTML отчет")
+        print("   └── radiomics_report.docx ← WORD отчет (для редактирования)")
+        print("=" * 70)
+    except Exception as e:
+        print(f"\n❌ Ошибка: {e}")
+        import traceback
+
+        traceback.print_exc()

scripts/Тема 2.1/config_3d.py

@@ -0,0 +1,150 @@
+# config_3d.py
+# =============================================================================
+# Конфигурация для 3D обработки данных Brain Tumour
+# АДАПТИРОВАНА ПОД ВАШ ПУТЬ
+# =============================================================================
+
+import os
+from pathlib import Path
+
+# =============================================================================
+# ПУТИ — ИСПРАВЛЕНО!
+# =============================================================================
+
+# Корень проекта (где лежит этот файл)
+PROJECT_ROOT = Path(__file__).parent.resolve()
+
+# !!! ВАЖНО: ВАШ ТОЧНЫЙ ПУТЬ К ДАННЫМ !!!
+DATA_ROOT = Path(r"D:\Radiomics_Data\Experiments\experiment-17-06-2026\Task01_BrainTumour\Task01_BrainTumour")
+
+# Папки с данными
+PATH_IMAGES_TRAIN = DATA_ROOT / "imagesTr"
+PATH_IMAGES_TEST = DATA_ROOT / "imagesTs"
+PATH_LABELS_TRAIN = DATA_ROOT / "labelsTr"
+
+# Папка для результатов
+OUTPUT_ROOT = PROJECT_ROOT / "data_3d_output"
+PATH_FEATURES = OUTPUT_ROOT / "features"
+PATH_LOGS = OUTPUT_ROOT / "logs"
+PATH_MODELS = OUTPUT_ROOT / "models"
+
+# =============================================================================
+# НАСТРОЙКИ ФАЙЛОВ
+# =============================================================================
+
+# Формат файлов
+FILE_EXTENSION = ".nii.gz"
+
+# =============================================================================
+# НАСТРОЙКИ ОБРАБОТКИ
+# =============================================================================
+
+# Максимальное количество пациентов (None = все)
+MAX_PATIENTS = None
+
+# Использовать параллельную обработку
+USE_PARALLEL = False  # Для отладки лучше False
+
+# Количество ядер для параллельной обработки
+N_JOBS = -1  # -1 = все ядра
+
+# =============================================================================
+# НАСТРОЙКИ RADIOMICS
+# =============================================================================
+
+RADIOMICS_SETTINGS = {
+    'minimumROIDimensions': 2,
+    'minimumROISize': None,
+    'normalize': True,
+    'normalizeScale': 100,
+    'removeOutliers': None,
+    'resampledPixelSpacing': None,
+    'interpolator': 'sitkBSpline',
+    'preCrop': True,
+    'padDistance': 5,
+    'distances': [1],
+    'force2D': False,
+    'force2Ddimension': 0,
+    'resegmentRange': None,
+    'label': 1
+}
+
+ENABLED_FEATURES = {
+    'firstorder': True,
+    'shape': True,
+    'glcm': True,
+    'glrlm': True,
+    'glszm': True,
+    'gldm': True,
+    'ngtdm': False,
+}
+
+ENABLED_IMAGE_TYPES = {
+    'Original': {},
+    'Wavelet': {},
+    'LoG': {'sigma': [1.0, 2.0, 3.0]},
+    'Square': {},
+    'SquareRoot': {},
+    'Logarithm': {},
+    'Exponential': {},
+    'Gradient': {}
+}
+
+
+# =============================================================================
+# ВСПОМОГАТЕЛЬНЫЕ ФУНКЦИИ
+# =============================================================================
+
+def ensure_directories():
+    """Создаёт все необходимые директории"""
+    print("\n📁 СОЗДАНИЕ ПАПОК:")
+    for path in [PATH_FEATURES, PATH_LOGS, PATH_MODELS]:
+        path.mkdir(parents=True, exist_ok=True)
+        print(f"  ✅ {path}")
+    print()
+
+
+def print_structure():
+    """Выводит структуру проекта"""
+    print("\n" + "=" * 70)
+    print("🧠 3D РАДИОМИКА — BRAIN TUMOUR")
+    print("=" * 70)
+    print(f"  📂 Проект:          {PROJECT_ROOT}")
+    print(f"  📂 Данные:          {DATA_ROOT}")
+    print(f"  📂 Обучающие:       {PATH_IMAGES_TRAIN}")
+    print(f"  📂 Тестовые:        {PATH_IMAGES_TEST}")
+    print(f"  📂 Маски:           {PATH_LABELS_TRAIN}")
+    print(f"  📂 Результаты:      {PATH_FEATURES}")
+    print(f"  📂 Логи:            {PATH_LOGS}")
+    print("=" * 70 + "\n")
+
+
+def check_data():
+    """Проверяет наличие данных"""
+    print("🔍 ПРОВЕРКА ДАННЫХ:")
+    print("-" * 50)
+
+    for name, path in [
+        ("Обучающие изображения", PATH_IMAGES_TRAIN),
+        ("Тестовые изображения", PATH_IMAGES_TEST),
+        ("Маски", PATH_LABELS_TRAIN)
+    ]:
+        if path.exists():
+            files = list(path.glob(f'*{FILE_EXTENSION}'))
+            print(f"  ✅ {name}: {len(files)} файлов")
+        else:
+            print(f"  ❌ {name}: папка не найдена ({path})")
+
+    json_path = DATA_ROOT / "dataset.json"
+    if json_path.exists():
+        print(f"  ✅ dataset.json: {json_path}")
+    else:
+        print(f"  ❌ dataset.json: не найден")
+
+    print("-" * 50 + "\n")
+
+
+if __name__ == "__main__":
+    print_structure()
+    ensure_directories()
+    check_data()

scripts/Тема 2.1/feature_3d.py

@@ -0,0 +1,593 @@
+#!/usr/bin/env python3
+# =============================================================================
+# FeatureService 3D — Многоканальная радиомика Brain Tumour
+# РЕЗУЛЬТАТЫ СОХРАНЯЮТСЯ РЯДОМ С ДАННЫМИ
+# =============================================================================
+
+import os
+import sys
+import time
+import logging
+import json
+import numpy as np
+import pandas as pd
+from pathlib import Path
+from tqdm import tqdm
+import matplotlib.pyplot as plt
+import seaborn as sns
+
+# PyRadiomics
+import radiomics
+from radiomics import featureextractor
+import SimpleITK as sitk
+import nibabel as nib
+
+# =============================================================================
+# КОНФИГУРАЦИЯ
+# =============================================================================
+
+# --- Путь к данным ---
+DATA_ROOT = Path(r"D:\Radiomics_Data\Experiments\experiment-17-06-2026\Task01_BrainTumour\Task01_BrainTumour")
+
+# --- Пути к данным внутри DATA_ROOT ---
+PATH_IMAGES_TRAIN = DATA_ROOT / "imagesTr"
+PATH_IMAGES_TEST = DATA_ROOT / "imagesTs"
+PATH_LABELS_TRAIN = DATA_ROOT / "labelsTr"
+
+# --- !!! НОВЫЕ ПУТИ ДЛЯ РЕЗУЛЬТАТОВ (ВНУТРИ DATA_ROOT) !!! ---
+OUTPUT_ROOT = DATA_ROOT / "radiomics_output"  # ← Теперь рядом с данными!
+PATH_FEATURES = OUTPUT_ROOT / "features"
+PATH_VISUALIZATION = OUTPUT_ROOT / "visualization"
+PATH_LOGS = OUTPUT_ROOT / "logs"
+PATH_MODELS = OUTPUT_ROOT / "models"
+
+# --- Проект (только для справки) ---
+PROJECT_ROOT = Path(__file__).parent.resolve()
+
+FILE_EXTENSION = ".nii.gz"
+MAX_PATIENTS = 2
+
+# Названия модальностей (каналов)
+CHANNEL_NAMES = ['T1', 'T1c', 'T2', 'FLAIR']
+
+
+# =============================================================================
+# СОЗДАНИЕ ПАПОК
+# =============================================================================
+
+def ensure_directories():
+    """Создаёт все необходимые директории внутри папки с данными"""
+    print("\n📁 СОЗДАНИЕ ПАПОК ДЛЯ РЕЗУЛЬТАТОВ:")
+    for path in [PATH_FEATURES, PATH_VISUALIZATION, PATH_LOGS, PATH_MODELS]:
+        path.mkdir(parents=True, exist_ok=True)
+        print(f"  ✅ {path}")
+    print()
+
+
+ensure_directories()
+
+# =============================================================================
+# НАСТРОЙКА ЛОГГИРОВАНИЯ
+# =============================================================================
+
+logging.basicConfig(
+    level=logging.INFO,
+    format='%(asctime)s - %(levelname)s - %(message)s',
+    handlers=[
+        logging.FileHandler(PATH_LOGS / 'radiomics_3d.log', encoding='utf-8'),
+        logging.StreamHandler()
+    ]
+)
+logger = logging.getLogger(__name__)
+
+# =============================================================================
+# НАСТРОЙКИ RADIOMICS
+# =============================================================================
+
+RADIOMICS_SETTINGS = {
+    'minimumROIDimensions': 2,
+    'minimumROISize': None,
+    'normalize': False,
+    'normalizeScale': 1,
+    'removeOutliers': None,
+    'resampledPixelSpacing': None,
+    'interpolator': 'sitkBSpline',
+    'preCrop': True,
+    'padDistance': 5,
+    'distances': [1],
+    'force2D': False,
+    'force2Ddimension': 0,
+    'resegmentRange': None,
+    'label': 1
+}
+
+FEATURE_CLASSES = [
+    'firstorder',
+    'shape',
+    'glcm',
+    'glrlm',
+    'glszm',
+    'gldm',
+    'ngtdm'
+]
+
+ENABLED_IMAGE_TYPES = {
+    'Original': {},
+    'Wavelet': {},
+    'Square': {},
+    'SquareRoot': {},
+    'Logarithm': {},
+    'Exponential': {},
+    'Gradient': {}
+}
+
+
+# =============================================================================
+# ВСПОМОГАТЕЛЬНЫЕ ФУНКЦИИ
+# =============================================================================
+
+def print_structure():
+    """Выводит структуру проекта и данных"""
+    print("\n" + "=" * 70)
+    print("🧠 3D РАДИОМИКА — BRAIN TUMOUR (МНОГОКАНАЛЬНАЯ)")
+    print("=" * 70)
+    print(f"  📂 Папка с данными:  {DATA_ROOT}")
+    print(f"  📂 Изображения:      {PATH_IMAGES_TRAIN}")
+    print(f"  📂 Маски:            {PATH_LABELS_TRAIN}")
+    print(f"  📂 РЕЗУЛЬТАТЫ:       {OUTPUT_ROOT}")
+    print(f"     ├── features/     {PATH_FEATURES}")
+    print(f"     ├── visualization/{PATH_VISUALIZATION}")
+    print(f"     └── logs/         {PATH_LOGS}")
+    print("=" * 70 + "\n")
+
+
+def check_data():
+    """Проверяет наличие данных"""
+    print("🔍 ПРОВЕРКА ДАННЫХ:")
+    print("-" * 50)
+
+    for name, path in [
+        ("Обучающие изображения", PATH_IMAGES_TRAIN),
+        ("Тестовые изображения", PATH_IMAGES_TEST),
+        ("Маски", PATH_LABELS_TRAIN)
+    ]:
+        if path.exists():
+            files = [f for f in path.glob(f'*{FILE_EXTENSION}')
+                     if not f.name.startswith('._')]
+            print(f"  ✅ {name}: {len(files)} файлов")
+        else:
+            print(f"  ❌ {name}: папка не найдена")
+
+    # Проверяем, создалась ли папка для результатов
+    if OUTPUT_ROOT.exists():
+        print(f"  ✅ Папка результатов: {OUTPUT_ROOT}")
+    else:
+        print(f"  ❌ Папка результатов не создана")
+
+    print("-" * 50 + "\n")
+
+
+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_channels(filepath):
+    """Загружает NIfTI и возвращает все каналы"""
+    try:
+        if not Path(filepath).exists():
+            return None, None
+
+        img = nib.load(str(filepath))
+        data = img.get_fdata()
+
+        if data.ndim == 4:
+            num_channels = data.shape[3]
+            logger.info(f"   📊 Найдено каналов: {num_channels}")
+
+            channels = []
+            for i in range(num_channels):
+                channel_data = data[:, :, :, i]
+                if np.isnan(channel_data).any():
+                    channel_data = np.nan_to_num(channel_data)
+                channels.append(channel_data)
+
+            return channels, num_channels
+        elif data.ndim == 3:
+            logger.info(f"   📊 Одноканальное изображение")
+            if np.isnan(data).any():
+                data = np.nan_to_num(data)
+            return [data], 1
+        else:
+            logger.error(f"❌ Неподдерживаемая размерность: {data.ndim}")
+            return None, None
+
+    except Exception as e:
+        logger.error(f"❌ Ошибка загрузки {filepath}: {e}")
+        return None, None
+
+
+def create_sitk_image_from_array(data):
+    """Создаёт SimpleITK изображение из массива"""
+    if np.isnan(data).any():
+        data = np.nan_to_num(data)
+    return sitk.GetImageFromArray(data)
+
+
+# =============================================================================
+# ОСНОВНОЙ КЛАСС
+# =============================================================================
+
+class MultiChannelRadiomicsExtractor:
+
+    def __init__(self, settings=None, feature_classes=None, image_types=None):
+        self.settings = settings or RADIOMICS_SETTINGS
+        self.feature_classes = feature_classes or FEATURE_CLASSES
+        self.image_types = image_types or ENABLED_IMAGE_TYPES
+        self.channel_names = CHANNEL_NAMES
+
+        logger.info("🔧 Инициализация многоканального экстрактора...")
+
+        try:
+            self.extractor = featureextractor.RadiomicsFeatureExtractor()
+
+            for key, value in self.settings.items():
+                self.extractor.settings[key] = value
+
+            for feature_class in self.feature_classes:
+                try:
+                    self.extractor.enableFeatureClassByName(feature_class)
+                    logger.info(f"  ✅ Включён класс: {feature_class}")
+                except Exception as e:
+                    logger.warning(f"  ⚠️ Не удалось включить {feature_class}: {e}")
+
+            self.extractor.enableImageTypes(**self.image_types)
+
+            logger.info("✅ Экстрактор инициализирован")
+
+        except Exception as e:
+            logger.error(f"❌ Ошибка инициализации: {e}")
+            raise
+
+    def extract_features_for_channel(self, image_data, mask_data, patient_id, channel_name):
+        """Извлекает признаки для одного канала"""
+        try:
+            image_sitk = create_sitk_image_from_array(image_data)
+            mask_sitk = create_sitk_image_from_array(mask_data)
+
+            mask_array = sitk.GetArrayFromImage(mask_sitk)
+            if mask_array.sum() == 0:
+                logger.warning(f"   ⚠️ Пустая маска для {channel_name}")
+                return None
+
+            result = self.extractor.execute(image_sitk, mask_sitk)
+
+            features = {}
+            for key, value in result.items():
+                if isinstance(value, (int, float, str, bool, np.number)):
+                    new_key = f"{channel_name}_{key}"
+                    features[new_key] = value
+                elif isinstance(value, np.ndarray):
+                    new_key = f"{channel_name}_{key}"
+                    features[new_key] = value.tolist()
+
+            return features
+
+        except Exception as e:
+            logger.error(f"   ❌ Ошибка для {channel_name}: {e}")
+            return None
+
+    def extract_all_channels(self, image_path, mask_path, patient_id):
+        """Извлекает признаки для всех каналов"""
+        logger.info(f"🔄 Обработка: {patient_id}")
+
+        channels, num_channels = load_nifti_channels(image_path)
+        if channels is None:
+            logger.error(f"❌ Не удалось загрузить изображение")
+            return None
+
+        mask_channels, _ = load_nifti_channels(mask_path)
+        if mask_channels is None:
+            logger.error(f"❌ Не удалось загрузить маску")
+            return None
+        mask_data = mask_channels[0]
+
+        channel_names = self.channel_names[:len(channels)]
+        if len(channel_names) < len(channels):
+            channel_names = [f"Channel_{i}" for i in range(len(channels))]
+
+        all_features = {
+            'patient_id': patient_id,
+            'image_path': str(image_path),
+            'mask_path': str(mask_path),
+            'num_channels': len(channels)
+        }
+
+        start_time = time.time()
+
+        for i, (channel_data, ch_name) in enumerate(zip(channels, channel_names)):
+            logger.info(f"   📊 Канал {i + 1}: {ch_name}")
+
+            features = self.extract_features_for_channel(
+                channel_data, mask_data, patient_id, ch_name
+            )
+
+            if features:
+                all_features.update(features)
+            else:
+                logger.warning(f"   ⚠️ Не удалось извлечь признаки для {ch_name}")
+
+        elapsed = time.time() - start_time
+        logger.info(f"✅ {patient_id}: {len(all_features)} признаков ({elapsed:.2f}с)")
+
+        return all_features
+
+    def process_patient(self, image_path, mask_path, output_dir=None):
+        if output_dir is None:
+            output_dir = PATH_FEATURES
+
+        patient_id = Path(image_path).stem.replace('.nii', '')
+        features = self.extract_all_channels(image_path, mask_path, patient_id)
+
+        if features is None:
+            return None
+
+        output_path = Path(output_dir) / f"{patient_id}_multichannel_features.csv"
+
+        try:
+            output_path.parent.mkdir(parents=True, exist_ok=True)
+            pd.DataFrame([features]).to_csv(output_path, index=False, encoding='utf-8')
+            logger.info(f"💾 Сохранено: {output_path}")
+            return str(output_path)
+        except Exception as e:
+            logger.error(f"❌ Ошибка сохранения: {e}")
+            return None
+
+    def process_all_patients(self, images_dir, masks_dir, output_dir=None):
+        if output_dir is None:
+            output_dir = PATH_FEATURES
+
+        if not Path(images_dir).exists():
+            logger.error(f"❌ Папка не найдена: {images_dir}")
+            return []
+        if not Path(masks_dir).exists():
+            logger.error(f"❌ Папка не найдена: {masks_dir}")
+            return []
+
+        all_files = list(Path(images_dir).glob(f'*{FILE_EXTENSION}'))
+        image_files = [f for f in all_files if is_valid_nifti_file(f)]
+
+        if MAX_PATIENTS:
+            image_files = image_files[:MAX_PATIENTS]
+
+        logger.info(f"📁 Найдено пациентов: {len(image_files)}")
+
+        if not image_files:
+            logger.warning("⚠️ Нет файлов")
+            return []
+
+        results = []
+        for img_path in tqdm(image_files, desc="Обработка пациентов"):
+            patient_id = img_path.stem.replace('.nii', '')
+            mask_path = Path(masks_dir) / f"{patient_id}{FILE_EXTENSION}"
+
+            if not mask_path.exists():
+                logger.warning(f"⚠️ Нет маски для {patient_id}")
+                continue
+
+            if not is_valid_nifti_file(mask_path):
+                logger.warning(f"⚠️ Маска системный файл")
+                continue
+
+            result = self.process_patient(img_path, mask_path, output_dir)
+            if result:
+                results.append(result)
+
+        logger.info(f"✅ Обработано: {len(results)} пациентов")
+        return results
+
+
+# =============================================================================
+# ВИЗУАЛИЗАЦИЯ
+# =============================================================================
+
+def visualize_features(features_df, output_dir=None):
+    if output_dir is None:
+        output_dir = PATH_VISUALIZATION
+
+    output_dir = Path(output_dir)
+    output_dir.mkdir(parents=True, exist_ok=True)
+
+    if features_df is None or len(features_df) == 0:
+        logger.warning("⚠️ Нет данных для визуализации")
+        return
+
+    key_features = [
+        'original_shape_Volume',
+        'original_shape_SurfaceArea',
+        'original_shape_Sphericity',
+        'original_firstorder_Mean',
+        'original_firstorder_Entropy',
+        'original_firstorder_Skewness',
+        'original_glcm_Contrast',
+        'original_glcm_Correlation',
+        'original_glrlm_RunEntropy',
+        'original_glszm_ZoneEntropy'
+    ]
+
+    available_features = [col for col in features_df.columns
+                          if any(kf in col for kf in key_features)]
+
+    if not available_features:
+        logger.warning("⚠️ Нет доступных признаков для визуализации")
+        return
+
+    print("\n" + "=" * 60)
+    print("📊 ВИЗУАЛИЗАЦИЯ РЕЗУЛЬТАТОВ")
+    print("=" * 60)
+    print(f"  📂 Сохранение в: {output_dir}")
+
+    # Распределения
+    fig, axes = plt.subplots(3, 4, figsize=(16, 12))
+    axes = axes.flatten()
+
+    for i, feature in enumerate(available_features[:12]):
+        if i < len(axes):
+            sns.histplot(features_df[feature].dropna(), kde=True, ax=axes[i])
+            axes[i].set_title(feature[:40], fontsize=9)
+            axes[i].set_xlabel('')
+
+    for j in range(i + 1, len(axes)):
+        axes[j].set_visible(False)
+
+    plt.tight_layout()
+    plt.savefig(output_dir / 'feature_distributions.png', dpi=300, bbox_inches='tight')
+    plt.close()
+    print(f"  ✅ Распределения: {output_dir / 'feature_distributions.png'}")
+
+    # Корреляции
+    top_features = available_features[:10]
+    if len(top_features) > 1:
+        plt.figure(figsize=(12, 10))
+        corr_matrix = features_df[top_features].corr()
+        sns.heatmap(corr_matrix, annot=True, fmt='.2f', cmap='coolwarm',
+                    square=True, annot_kws={'size': 8})
+        plt.title('Корреляционная матрица признаков')
+        plt.tight_layout()
+        plt.savefig(output_dir / 'correlation_matrix.png', dpi=300, bbox_inches='tight')
+        plt.close()
+        print(f"  ✅ Корреляции: {output_dir / 'correlation_matrix.png'}")
+
+    # Сравнение каналов
+    channel_cols = [col for col in features_df.columns
+                    if any(f'_{ch}_' in col for ch in ['T1', 'T1c', 'T2', 'FLAIR'])]
+
+    if channel_cols:
+        feature_types = set()
+        for col in channel_cols:
+            for ft in ['firstorder_Mean', 'glcm_Contrast', 'glcm_Entropy']:
+                if ft in col:
+                    feature_types.add(ft)
+
+        for ft in feature_types:
+            ft_cols = [col for col in channel_cols if ft in col]
+            if len(ft_cols) > 1:
+                plt.figure(figsize=(10, 6))
+                data_to_plot = [features_df[col].dropna() for col in ft_cols]
+                channels = [col.split('_')[0] for col in ft_cols]
+
+                plt.boxplot(data_to_plot, labels=channels)
+                plt.title(f'Сравнение каналов: {ft}')
+                plt.ylabel(ft)
+                plt.tight_layout()
+                plt.savefig(output_dir / f'channel_comparison_{ft}.png', dpi=300, bbox_inches='tight')
+                plt.close()
+                print(f"  ✅ Сравнение каналов: {output_dir / f'channel_comparison_{ft}.png'}")
+
+
+# =============================================================================
+# ОБЪЕДИНЕНИЕ РЕЗУЛЬТАТОВ
+# =============================================================================
+
+def merge_features(features_dir=None, output_path=None):
+    if features_dir is None:
+        features_dir = PATH_FEATURES
+
+    if output_path is None:
+        output_path = features_dir / "combined_multichannel_features.csv"
+
+    features_dir = Path(features_dir)
+    csv_files = list(features_dir.glob("*_multichannel_features.csv"))
+
+    if not csv_files:
+        logger.warning("⚠️ Нет CSV файлов для объединения")
+        return None
+
+    logger.info(f"🔗 Объединяю {len(csv_files)} файлов...")
+
+    all_dfs = []
+    for csv_file in tqdm(csv_files, desc="Объединение"):
+        try:
+            df = pd.read_csv(csv_file)
+            all_dfs.append(df)
+        except Exception as e:
+            logger.error(f"❌ Ошибка чтения {csv_file}: {e}")
+
+    if not all_dfs:
+        return None
+
+    combined_df = pd.concat(all_dfs, ignore_index=True)
+    combined_df.to_csv(output_path, index=False, encoding='utf-8')
+    logger.info(f"💾 Объединённый файл: {output_path}")
+    logger.info(f"   Пациентов: {len(combined_df)}")
+    logger.info(f"   Признаков: {len(combined_df.columns)}")
+
+    return combined_df
+
+
+# =============================================================================
+# ГЛАВНАЯ ФУНКЦИЯ
+# =============================================================================
+
+def main():
+    print_structure()
+    check_data()
+
+    if not DATA_ROOT.exists():
+        print("\n❌ Папка с данными не найдена!")
+        return
+
+    try:
+        extractor = MultiChannelRadiomicsExtractor()
+
+        print("\n" + "=" * 60)
+        print("📊 ИЗВЛЕЧЕНИЕ ПРИЗНАКОВ (ВСЕ КАНАЛЫ)")
+        print("=" * 60)
+
+        results = extractor.process_all_patients(
+            images_dir=PATH_IMAGES_TRAIN,
+            masks_dir=PATH_LABELS_TRAIN,
+            output_dir=PATH_FEATURES
+        )
+
+        if results:
+            print("\n" + "=" * 60)
+            print("📊 ОБЪЕДИНЕНИЕ РЕЗУЛЬТАТОВ")
+            print("=" * 60)
+
+            combined_df = merge_features(PATH_FEATURES)
+
+            if combined_df is not None:
+                visualize_features(combined_df, PATH_VISUALIZATION)
+
+        print("\n" + "=" * 70)
+        print("✨ ГОТОВО!")
+        print(f"   📂 Данные:          {DATA_ROOT}")
+        print(f"   📂 Результаты:      {OUTPUT_ROOT}")
+        print(f"      ├── features/    {PATH_FEATURES}")
+        print(f"      ├── visualization/{PATH_VISUALIZATION}")
+        print(f"      └── logs/        {PATH_LOGS}")
+        print("=" * 70)
+
+    except Exception as e:
+        logger.error(f"❌ Ошибка: {e}")
+        import traceback
+        traceback.print_exc()
+
+
+if __name__ == "__main__":
+    try:
+        main()
+    except KeyboardInterrupt:
+        print("\n⚠️ Прервано")
+    except Exception as e:
+        print(f"\n❌ Ошибка: {e}")
+        import traceback
+
+        traceback.print_exc()

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()

scripts/Тема 2.2/nrrd_to_yolo.py

@@ -0,0 +1,246 @@
+import os
+import re
+import numpy as np
+import nrrd
+import pydicom
+from pydicom.uid import ExplicitVRLittleEndian, generate_uid
+from pathlib import Path
+import matplotlib
+matplotlib.use('Agg')
+import matplotlib.pyplot as plt
+from matplotlib.patches import Rectangle
+from matplotlib.colors import ListedColormap
+from scipy import ndimage
+import cv2
+
+# === НАСТРОЙКИ ===
+BASE_DIR = "data/1_2236040_zno_cyst_AF"
+IMG_NRRD = "501 arterial ax 1mm iDose (5).nrrd"
+SEG_NRRD = "Segmentation.seg.nrrd"
+CT_CMAP = 'gray'
+
+# Параметр аппроксимации полигона (0.01 = 1% от длины контура)
+POLY_EPSILON = 0.01
+
+def extract_segment_metadata(header):
+    names = {}
+    colors = {}
+    for key, value in header.items():
+        if key.startswith('Segment') and key.endswith('_LabelValue'):
+            match = re.search(r'Segment(\d+)_LabelValue', key)
+            if match:
+                seg_idx = int(match.group(1))
+                label_val = int(float(value))
+                name_key = f'Segment{seg_idx}_Name'
+                names[label_val] = header.get(name_key, f'Class_{label_val}').strip()
+                color_key = f'Segment{seg_idx}_Color'
+                color_str = header.get(color_key, '')
+                if color_str:
+                    parts = color_str.strip().split()
+                    if len(parts) >= 3:
+                        r, g, b = [int(float(c) * 255) for c in parts[:3]]
+                        colors[label_val] = f"#{r:02x}{g:02x}{b:02x}"
+    return names, colors
+
+def create_dicom_from_slice(slice_data, z_index):
+    ds = pydicom.Dataset()
+    ds.file_meta = pydicom.Dataset()
+    ds.file_meta.TransferSyntaxUID = ExplicitVRLittleEndian
+    ds.file_meta.MediaStorageSOPClassUID = '1.2.840.10008.5.1.4.1.1.2'
+    ds.file_meta.MediaStorageSOPInstanceUID = generate_uid()
+    ds.file_meta.ImplementationClassUID = generate_uid()
+    ds.SOPClassUID = ds.file_meta.MediaStorageSOPClassUID
+    ds.SOPInstanceUID = ds.file_meta.MediaStorageSOPInstanceUID
+    ds.PatientName = "ANON^PATIENT"
+    ds.PatientID = "000000"
+    ds.StudyDate = "20260602"
+    ds.Modality = "CT"
+    ds.InstanceNumber = str(z_index)
+    ds.Rows, ds.Columns = slice_data.shape
+    ds.PixelSpacing = [1.0, 1.0]
+    ds.SliceThickness = 1.0
+    ds.BitsAllocated = 16; ds.BitsStored = 16; ds.HighBit = 15; ds.PixelRepresentation = 1
+    ds.ImagePositionPatient = [0.0, 0.0, float(z_index)]
+    ds.ImageOrientationPatient = [1.0, 0.0, 0.0, 0.0, 1.0, 0.0]
+    ds.SamplesPerPixel = 1; ds.PhotometricInterpretation = "MONOCHROME2"
+    ds.PixelData = slice_data.tobytes()
+    return ds
+
+def extract_polygon(mask_uint8):
+    contours, _ = cv2.findContours(mask_uint8, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
+    if not contours:
+        return None
+    largest_contour = max(contours, key=cv2.contourArea)
+    epsilon = POLY_EPSILON * cv2.arcLength(largest_contour, True)
+    approx = cv2.approxPolyDP(largest_contour, epsilon, True)
+    if len(approx) < 3:
+        return None
+    points = [(int(pt[0][0]), int(pt[0][1])) for pt in approx]
+    return points
+
+def save_png_safe(path: Path, image: np.ndarray):
+    """
+    Надёжное сохранение PNG через cv2.imencode.
+    Обходит ограничение cv2.imwrite на Unicode-пути в Windows.
+    """
+    success, buffer = cv2.imencode('.png', image)
+    if not success:
+        raise RuntimeError(f"cv2.imencode failed for {path}")
+    path.write_bytes(buffer.tobytes())
+
+def main():
+    base_path = Path(BASE_DIR)
+    if not base_path.exists():
+        print(f"❌ Ошибка: Директория '{BASE_DIR}' не найдена.")
+        return
+
+    print(f"📂 Рабочая директория: {base_path.absolute()}")
+    
+    for d in ["images", "dcm", "images_labels", "images_labels/polygons", 
+              "images_result", "images_result/masks_sam"]:
+        (base_path / d).mkdir(exist_ok=True)
+
+    print("📥 Загрузка NRRD...")
+    img_data, _ = nrrd.read(base_path / IMG_NRRD)
+    seg_data, seg_header = nrrd.read(base_path / SEG_NRRD)
+
+    if img_data.shape != seg_data.shape:
+        raise ValueError(f"Размеры не совпадают: {img_data.shape} vs {seg_data.shape}")
+
+    SEGMENT_NAMES, SEGMENT_COLORS = extract_segment_metadata(seg_header)
+    if not SEGMENT_NAMES:
+        print("️ Метаданные не найдены. Используются заглушки.")
+        unique = np.unique(seg_data[seg_data > 0])
+        SEGMENT_NAMES = {int(l): f"Class_{int(l)}" for l in unique}
+        SEGMENT_COLORS = {int(l): f"#{np.random.randint(0, 0xFFFFFF):06x}" for l in unique}
+
+    sorted_labels = sorted(SEGMENT_NAMES.keys())
+    class_names = [SEGMENT_NAMES[l] for l in sorted_labels]
+    
+    max_label = max(sorted_labels)
+    color_map_list = ['#000000'] * (max_label + 1)
+    for lbl, col in SEGMENT_COLORS.items():
+        if lbl <= max_label:
+            color_map_list[lbl] = col
+    custom_cmap = ListedColormap(color_map_list)
+
+    print(f"✅ Найдено {len(class_names)} классов: {class_names}")
+    (base_path / "predefined_classes.txt").write_text("\n".join(class_names))
+
+    W, H, D = img_data.shape
+    count = 0
+    mask_count = 0  # <-- счётчик масок для диагностики
+
+    for z in range(D):
+        img_slice = img_data[:, :, z].T
+        seg_slice = seg_data[:, :, z].T
+        
+        create_dicom_from_slice(img_slice.astype(np.int16), z).save_as(base_path / "dcm" / f"slice_{z:04d}.dcm")
+
+        p_min, p_max = np.percentile(img_slice, [0.5, 99.5])
+        img_uint8 = (np.clip(img_slice, p_min, p_max) - p_min) / (p_max - p_min + 1e-8) * 255
+        img_uint8 = img_uint8.astype(np.uint8)
+
+        slice_labels = np.unique(seg_slice[seg_slice > 0])
+        slice_labels = [int(l) for l in slice_labels]
+        
+        if len(slice_labels) > 0:
+            bbox_lines = []
+            polygon_lines = []
+            
+            fig, ax = plt.subplots(figsize=(img_slice.shape[1]/100, img_slice.shape[0]/100))
+            ax.imshow(img_uint8, cmap=CT_CMAP)
+            ax.imshow(seg_slice, cmap=custom_cmap, alpha=0.4)
+            
+            H_curr, W_curr = img_slice.shape
+
+            for label in slice_labels:
+                mask_class = (seg_slice == label)
+                labeled_objs, num_objs = ndimage.label(mask_class, structure=np.ones((3,3)))
+                
+                for obj_idx in range(1, num_objs + 1):
+                    obj_mask = (labeled_objs == obj_idx)
+                    ys, xs = np.where(obj_mask)
+                    if len(ys) == 0: continue
+                    
+                    x_min, y_min, x_max, y_max = xs.min(), ys.min(), xs.max(), ys.max()
+                    
+                    # --- BBOX (YOLO) ---
+                    xc = (x_min + x_max) / 2.0
+                    yc = (y_min + y_max) / 2.0
+                    bw = x_max - x_min
+                    bh = y_max - y_min
+                    yolo_class_id = sorted_labels.index(label)
+                    bbox_lines.append(f"{yolo_class_id} {xc/W_curr:.6f} {yc/H_curr:.6f} {bw/W_curr:.6f} {bh/H_curr:.6f}")
+                    
+                    # --- POLYGON (YOLO Segmentation) ---
+                    obj_mask_uint8 = (obj_mask * 255).astype(np.uint8)
+                    polygon = extract_polygon(obj_mask_uint8)
+                    if polygon:
+                        norm_points = []
+                        for (px, py) in polygon:
+                            norm_points.append(f"{px/W_curr:.6f}")
+                            norm_points.append(f"{py/H_curr:.6f}")
+                        polygon_str = " ".join(norm_points)
+                        polygon_lines.append(f"{yolo_class_id} {polygon_str}")
+                    
+                    # --- SAM Mask (ИСПРАВЛЕНО: надёжное сохранение) ---
+                    single_mask = np.zeros((H_curr, W_curr), dtype=np.uint8)
+                    single_mask[obj_mask] = 255
+                    mask_filename = f"slice_{z:04d}_class_{yolo_class_id}_obj_{(obj_idx-1):04d}.png"
+                    mask_path = base_path / "images_result" / "masks_sam" / mask_filename
+                    
+                    try:
+                        save_png_safe(mask_path, single_mask)
+                        mask_count += 1
+                    except Exception as e:
+                        print(f"⚠️ Ошибка сохранения маски {mask_path}: {e}")
+                    
+                    # --- Отрисовка на превью ---
+                    color_hex = color_map_list[label]
+                    rect = Rectangle((x_min, y_min), bw, bh, linewidth=2, 
+                                     edgecolor=color_hex, facecolor='none', linestyle='-', alpha=0.7)
+                    ax.add_patch(rect)
+                    if polygon:
+                        poly_pts = np.array(polygon)
+                        closed_pts = np.vstack([poly_pts, poly_pts[0:1]])
+                        ax.plot(closed_pts[:, 0], closed_pts[:, 1], 
+                                color=color_hex, linewidth=2.5, linestyle='--', alpha=0.9)
+
+            (base_path / "images_labels" / f"slice_{z:04d}.txt").write_text("\n".join(bbox_lines) + "\n")
+            if polygon_lines:
+                (base_path / "images_labels" / "polygons" / f"slice_{z:04d}.txt").write_text("\n".join(polygon_lines) + "\n")
+            
+            plt.imsave(base_path / "images" / f"slice_{z:04d}.png", img_uint8, cmap=CT_CMAP, format='png')
+            
+            ax.set_title(f"Slice {z} | BBoxes: {len(bbox_lines)} | Polys: {len(polygon_lines)}")
+            ax.axis('off')
+            plt.tight_layout(pad=0)
+            plt.savefig(base_path / "images_result" / f"slice_{z:04d}_preview.png", dpi=150, bbox_inches='tight')
+            plt.close(fig)
+            count += 1
+
+    (base_path / "data.yaml").write_text(f"""path: {base_path.absolute()}
+train: images
+val: images
+test: images
+nc: {len(class_names)}
+names: {class_names}
+""")
+
+    print(f"\n✅ Готово! Обработано срезов: {count}")
+    print(f"💾 Создано бинарных масок: {mask_count}")
+    print(f"   📁 images/               → PNG для обучения")
+    print(f"   📁 images_labels/        → YOLO bbox (.txt)")
+    print(f"       └── polygons/        → YOLO polygon segmentation (.txt)")
+    print(f"       └── predefined_classes.txt")
+    print(f"   📁 images_result/        → Цветные превью")
+    print(f"       └── masks_sam/       → Бинарные маски 0/255 ({mask_count} шт.)")
+
+if __name__ == "__main__":
+    try:
+        main()
+    except Exception as e:
+        print(f"❌ Ошибка: {e}")
+        import traceback
+        traceback.print_exc()

seminars/FeatureExtractionClient.ipynb

@@ -0,0 +1,518 @@
+{
+ "cells": [
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "id": "0",
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "!pip install pandas"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "id": "1",
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "!pip install pillow"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "id": "2",
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "!pip install torch==2.6.0 torchaudio==2.6.0 torchvision==0.21.0 --index-url https://download.pytorch.org/whl/cu124"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "id": "3",
+   "metadata": {},
+   "outputs": [],
+   "source": []
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "id": "4",
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "#!/usr/bin/env python3\n",
+    "# =============================================================================\n",
+    "# FeatureService Client — Hybrid Version\n",
+    "# Батчинг + поллинг статуса + пост-обработка CSV\n",
+    "# =============================================================================\n",
+    "\n",
+    "import os\n",
+    "import csv\n",
+    "import time\n",
+    "import requests\n",
+    "import pandas as pd\n",
+    "from PIL import Image\n",
+    "import numpy as np\n",
+    "import io\n",
+    "import re\n",
+    "from http import HTTPStatus\n",
+    "from pathlib import Path\n",
+    "\n",
+    "# =============================================================================\n",
+    "# CONFIG\n",
+    "# =============================================================================\n",
+    "\n",
+    "# Сервер\n",
+    "#SERVER_IP = \"85.143.113.40\"\n",
+    "SERVER_IP = \"192.168.203.91\"\n",
+    "#SERVER_IP = \"127.0.0.1\"\n",
+    "SERVER_PORT = 14407\n",
+    "BASE_URL = f\"http://{SERVER_IP}:{SERVER_PORT}\"\n",
+    "\n",
+    "# Пути\n",
+    "DIR_PATH = \"../data/\"\n",
+    "RESEARCH_DIR = \"prep/\"\n",
+    "PATH_IMAGES = DIR_PATH + RESEARCH_DIR + \"images\"\n",
+    "PATH_MASKS = DIR_PATH + RESEARCH_DIR + \"images_results/masks_sam\"\n",
+    "PATH_CSV = DIR_PATH + RESEARCH_DIR + \"csv\"\n",
+    "PATH_CLASSES = DIR_PATH +  RESEARCH_DIR + \"predefined_classes.txt\"\n",
+    "\n",
+    "# Форматы\n",
+    "IMAGE_EXT = \".jpg\"\n",
+    "MASK_EXT = \".png\"\n",
+    "\n",
+    "# Параметры обработки\n",
+    "BATCH_SIZE = 2              # Сколько задач отправлять параллельно\n",
+    "POLL_INTERVAL = 1           # Интервал опроса статуса (сек)\n",
+    "POLL_TIMEOUT = 300          # Максимальное время ожидания задачи (сек)\n",
+    "REQUEST_TIMEOUT = 120       # Таймаут HTTP-запроса (сек)\n",
+    "DELAY_BETWEEN_TASKS = 0.3   # Пауза между задачами внутри батча\n",
+    "\n",
+    "# =============================================================================\n",
+    "# GLOBAL STATE\n",
+    "# =============================================================================\n",
+    "\n",
+    "in_progress = []  # Очередь задач: [(image, mask, task_id), ...]\n",
+    "processed = []    # Успешно обработанные: [(image, mask, task_id, output_csv), ...]\n",
+    "\n",
+    "# =============================================================================\n",
+    "# UTILS\n",
+    "# =============================================================================\n",
+    "\n",
+    "def ensure_dirs():\n",
+    "    \"\"\"Создаёт необходимые директории\"\"\"\n",
+    "    for d in [PATH_IMAGES, PATH_MASKS, PATH_CSV]:\n",
+    "        os.makedirs(d, exist_ok=True)\n",
+    "\n",
+    "def load_classes():\n",
+    "    \"\"\"Загружает словарь классов из файла\"\"\"\n",
+    "    classes = {}\n",
+    "    try:\n",
+    "        with open(PATH_CLASSES, \"r\", encoding=\"utf-8\") as f:\n",
+    "            for line in f:\n",
+    "                line = line.strip()\n",
+    "                if not line:\n",
+    "                    continue\n",
+    "                parts = line.split(maxsplit=1)\n",
+    "                if len(parts) == 2:\n",
+    "                    classes[int(parts[0])] = parts[1].strip()\n",
+    "    except FileNotFoundError:\n",
+    "        print(f\"⚠️ {PATH_CLASSES} не найден, метки будут 'Unknown'\")\n",
+    "    except Exception as e:\n",
+    "        print(f\"⚠️ Ошибка загрузки классов: {e}\")\n",
+    "    return classes\n",
+    "\n",
+    "def get_label(filename, classes):\n",
+    "    \"\"\"Извлекает метку из имени файла: _class_7_ → класс 7 → название\"\"\"\n",
+    "    match = re.search(r'_class_(\\d+)_', filename)\n",
+    "    if match:\n",
+    "        class_id = int(match.group(1))\n",
+    "        return classes.get(class_id, f\"Class_{class_id}\")\n",
+    "    return \"Unknown\"\n",
+    "\n",
+    "def normalize_mask(img):\n",
+    "    \"\"\"Нормализует маску: все ненулевые пиксели → 1 (для PyRadiomics)\"\"\"\n",
+    "    arr = np.array(img)\n",
+    "    arr[arr > 0] = 1\n",
+    "    return Image.fromarray(arr.astype(np.uint8), mode='L')\n",
+    "\n",
+    "def match_mask_to_image(image_short_name, masks_list):\n",
+    "    \"\"\"\n",
+    "    Точное сопоставление маски с изображением.\n",
+    "    Ищет маски, начинающиеся с имени изображения.\n",
+    "    \"\"\"\n",
+    "    matched = []\n",
+    "    for mask in masks_list:\n",
+    "        if mask.startswith(image_short_name) and mask.endswith(MASK_EXT):\n",
+    "            matched.append(mask)\n",
+    "    return matched\n",
+    "\n",
+    "# =============================================================================\n",
+    "# CORE: MODEL COMMUNICATION\n",
+    "# =============================================================================\n",
+    "\n",
+    "def launch_model(short_name, image_name, mask_name):\n",
+    "    \"\"\"\n",
+    "    Отправляет изображение и маску на сервер.\n",
+    "    Возвращает task_id или None при ошибке.\n",
+    "    \"\"\"\n",
+    "    image_path = os.path.join(PATH_IMAGES, image_name)\n",
+    "    mask_path = os.path.join(PATH_MASKS, mask_name)\n",
+    "    \n",
+    "    if not os.path.exists(image_path):\n",
+    "        print(f\"✗ Файл не найден: {image_path}\")\n",
+    "        return None\n",
+    "    if not os.path.exists(mask_path):\n",
+    "        print(f\"✗ Файл не найден: {mask_path}\")\n",
+    "        return None\n",
+    "\n",
+    "    print(f\"🔄 Отправка: {image_name} + {mask_name}\")\n",
+    "    \n",
+    "    try:\n",
+    "        # Читаем изображение\n",
+    "        with open(image_path, 'rb') as img_f:\n",
+    "            image_bytes = img_f.read()\n",
+    "        \n",
+    "        # Нормализуем и читаем маску\n",
+    "        with Image.open(mask_path) as mask_img:\n",
+    "            normalized = normalize_mask(mask_img)\n",
+    "            buf = io.BytesIO()\n",
+    "            normalized.save(buf, format='PNG')\n",
+    "            buf.seek(0)\n",
+    "            mask_bytes = buf.read()\n",
+    "        \n",
+    "        # Формируем multipart/form-data с правильными MIME-типами\n",
+    "        files = [\n",
+    "            ('image', ('image.jpg', image_bytes, 'image/jpeg')),\n",
+    "            ('mask1', ('mask.png', mask_bytes, 'image/png')),\n",
+    "        ]\n",
+    "        \n",
+    "        resp = requests.post(\n",
+    "            f'{BASE_URL}/texture/feature', \n",
+    "            files=files, \n",
+    "            timeout=REQUEST_TIMEOUT\n",
+    "        )\n",
+    "        resp.raise_for_status()\n",
+    "        \n",
+    "        task_id = resp.text.strip().strip('\"').strip(\"'\")\n",
+    "        if not task_id or task_id.lower() == 'error':\n",
+    "            print(f\"✗ Сервер вернул ошибку: {resp.text}\")\n",
+    "            return None\n",
+    "            \n",
+    "        print(f\"✓ Задача создана: {task_id}\")\n",
+    "        return task_id\n",
+    "        \n",
+    "    except requests.exceptions.RequestException as e:\n",
+    "        print(f\"✗ Сетевая ошибка: {e}\")\n",
+    "        return None\n",
+    "    except Exception as e:\n",
+    "        print(f\"✗ Ошибка обработки: {e}\")\n",
+    "        return False\n",
+    "\n",
+    "def wait_for_result(task_id, mask_name):\n",
+    "    \"\"\"\n",
+    "    Поллинг статуса задачи до завершения.\n",
+    "    Сохраняет результат в CSV при успехе.\n",
+    "    Возвращает путь к сохранённому файлу или None.\n",
+    "    \"\"\"\n",
+    "    mask_base = os.path.splitext(mask_name)[0]\n",
+    "    output_csv = os.path.join(PATH_CSV, f\"{mask_base}.csv\")\n",
+    "    \n",
+    "    start_time = time.time()\n",
+    "    \n",
+    "    while True:\n",
+    "        # Проверка таймаута\n",
+    "        if time.time() - start_time > POLL_TIMEOUT:\n",
+    "            print(f\"✗ Таймаут ожидания для {task_id}\")\n",
+    "            return None\n",
+    "        \n",
+    "        try:\n",
+    "            status_resp = requests.get(\n",
+    "                f'{BASE_URL}/texture/status?id={task_id}',\n",
+    "                timeout=REQUEST_TIMEOUT\n",
+    "            )\n",
+    "            \n",
+    "            if status_resp.status_code == HTTPStatus.OK:\n",
+    "                print(f\"✓ Задача {task_id} завершена, получаем результат...\")\n",
+    "                \n",
+    "                result_resp = requests.get(\n",
+    "                    f'{BASE_URL}/texture/result?id={task_id}',\n",
+    "                    timeout=REQUEST_TIMEOUT\n",
+    "                )\n",
+    "                \n",
+    "                if result_resp.status_code == 200 and 'id not found' not in result_resp.text.lower():\n",
+    "                    os.makedirs(PATH_CSV, exist_ok=True)\n",
+    "                    with open(output_csv, \"w\", encoding=\"utf-8\") as f:\n",
+    "                        f.write(result_resp.text)\n",
+    "                    print(f\"💾 Сохранено: {output_csv}\")\n",
+    "                    return output_csv\n",
+    "                else:\n",
+    "                    print(f\"✗ Ошибка получения результата: {result_resp.text[:100]}\")\n",
+    "                    return None\n",
+    "            else:\n",
+    "                # Задача ещё в процессе\n",
+    "                time.sleep(POLL_INTERVAL)\n",
+    "                \n",
+    "        except requests.exceptions.RequestException as e:\n",
+    "            print(f\"⚠️ Ошибка опроса статуса: {e}\")\n",
+    "            time.sleep(POLL_INTERVAL)\n",
+    "        except Exception as e:\n",
+    "            print(f\"✗ Неожиданная ошибка: {e}\")\n",
+    "            return None\n",
+    "\n",
+    "def process_batch():\n",
+    "    \"\"\"\n",
+    "    Обрабатывает очередь in_progress: ждёт завершения всех задач и сохраняет результаты.\n",
+    "    \"\"\"\n",
+    "    global in_progress, processed\n",
+    "    \n",
+    "    if not in_progress:\n",
+    "        return\n",
+    "    \n",
+    "    print(f\"\\n⏳ Ожидание завершения {len(in_progress)} задач...\")\n",
+    "    \n",
+    "    for image_name, mask_name, task_id in in_progress:\n",
+    "        output_path = wait_for_result(task_id, mask_name)\n",
+    "        if output_path:\n",
+    "            processed.append((image_name, mask_name, task_id, output_path))\n",
+    "    \n",
+    "    in_progress.clear()\n",
+    "    print(\"✅ Батч обработан\\n\")\n",
+    "\n",
+    "# =============================================================================\n",
+    "# POST-PROCESSING: CSV MERGE & ENRICH\n",
+    "# =============================================================================\n",
+    "\n",
+    "def delete_useless_columns(row):\n",
+    "    \"\"\"Удаляет служебные колонки PyRadiomics\"\"\"\n",
+    "    diagnostics_cols = [\n",
+    "        'diagnostics_Versions_PyRadiomics', 'diagnostics_Versions_Numpy',\n",
+    "        'diagnostics_Versions_SimpleITK', 'diagnostics_Versions_PyWavelet',\n",
+    "        'diagnostics_Versions_Python', 'diagnostics_Configuration_Settings',\n",
+    "        'diagnostics_Configuration_EnabledImageTypes', 'diagnostics_Image-original_Hash',\n",
+    "        'diagnostics_Image-original_Dimensionality', 'diagnostics_Image-original_Spacing',\n",
+    "        'diagnostics_Image-original_Size', 'diagnostics_Mask-original_CenterOfMassIndex',\n",
+    "        'diagnostics_Mask-original_CenterOfMass', 'diagnostics_Mask-original_BoundingBox',\n",
+    "        'diagnostics_Mask-original_Size', 'diagnostics_Mask-original_Hash',\n",
+    "        'diagnostics_Mask-original_Spacing'\n",
+    "    ]\n",
+    "    for col in diagnostics_cols:\n",
+    "        row.pop(col, None)\n",
+    "    return row\n",
+    "\n",
+    "def merge_csv_files():\n",
+    "    \"\"\"Объединяет все CSV в result.csv\"\"\"\n",
+    "    csv_files = [f for f in os.listdir(PATH_CSV) \n",
+    "                 if f.endswith('.csv') and f != 'result.csv']\n",
+    "    if not csv_files:\n",
+    "        print(\"⚠️ Нет CSV-файлов для объединения\")\n",
+    "        return None\n",
+    "    \n",
+    "    print(f\"🔗 Объединяю {len(csv_files)} файлов...\")\n",
+    "    all_rows = []\n",
+    "    \n",
+    "    for csv_file in csv_files:\n",
+    "        try:\n",
+    "            with open(os.path.join(PATH_CSV, csv_file), 'r', newline='', encoding='utf-8') as f:\n",
+    "                for row in csv.DictReader(f):\n",
+    "                    row = delete_useless_columns(row)\n",
+    "                    row['source_file'] = csv_file\n",
+    "                    all_rows.append(row)\n",
+    "        except Exception as e:\n",
+    "            print(f\"⚠️ Ошибка чтения {csv_file}: {e}\")\n",
+    "    \n",
+    "    if not all_rows:\n",
+    "        print(\"⚠️ Нет данных для сохранения\")\n",
+    "        return None\n",
+    "    \n",
+    "    result_path = os.path.join(PATH_CSV, 'result.csv')\n",
+    "    pd.DataFrame(all_rows).to_csv(result_path, index=False, encoding='utf-8')\n",
+    "    print(f\"💾 Объединённый файл: {result_path}\")\n",
+    "    return result_path\n",
+    "\n",
+    "def add_label_and_path_to_cell(result_path=None):\n",
+    "    \"\"\"\n",
+    "    Добавляет label и path_to_cell ПЕРВЫМИ двумя столбцами в result.csv\n",
+    "    \"\"\"\n",
+    "    if result_path is None:\n",
+    "        result_path = os.path.join(PATH_CSV, 'result.csv')\n",
+    "    \n",
+    "    if not os.path.exists(result_path):\n",
+    "        print(f\"⚠️ Файл не найден: {result_path}\")\n",
+    "        return\n",
+    "    \n",
+    "    classes = load_classes()\n",
+    "    rows = []\n",
+    "    counter = 1\n",
+    "    \n",
+    "    print(\"🏷️  Добавляю label и path_to_cell...\")\n",
+    "    \n",
+    "    with open(result_path, 'r', newline='', encoding='utf-8') as f:\n",
+    "        reader = csv.DictReader(f)\n",
+    "        \n",
+    "        for row in reader:\n",
+    "            # Ищем имя файла в разных возможных полях\n",
+    "            filename = (row.get('name') or row.get('source_file') or \n",
+    "                       row.get('path_to_file') or row.get('filename') or '')\n",
+    "            \n",
+    "            # Извлекаем label\n",
+    "            if filename:\n",
+    "                basename = os.path.splitext(os.path.basename(filename))[0]\n",
+    "                label = get_label(basename, classes)\n",
+    "            else:\n",
+    "                label = \"Unknown\"\n",
+    "            \n",
+    "            # Формируем path_to_cell: \"1_F0000001_class_7_obj_0000.png.csv\"\n",
+    "            source = row.get('source_file', os.path.basename(filename))\n",
+    "            path_to_cell = f\"{counter}_{source}\"\n",
+    "            \n",
+    "            # Создаём новый dict с label и path_to_cell первыми\n",
+    "            new_row = {'label': label, 'path_to_cell': path_to_cell}\n",
+    "            for key, value in row.items():\n",
+    "                if key not in ('label', 'path_to_cell'):\n",
+    "                    new_row[key] = value\n",
+    "            \n",
+    "            rows.append(new_row)\n",
+    "            counter += 1\n",
+    "    \n",
+    "    if rows:\n",
+    "        final_columns = ['label', 'path_to_cell'] + [c for c in rows[0].keys() if c not in ['label', 'path_to_cell']]\n",
+    "        pd.DataFrame(rows).to_csv(\n",
+    "            result_path, \n",
+    "            index=False, \n",
+    "            encoding='utf-8',\n",
+    "            columns=final_columns\n",
+    "        )\n",
+    "        print(f\"✅ Готово: {result_path}\")\n",
+    "        return result_path\n",
+    "    else:\n",
+    "        print(\"⚠️ Нет строк для обработки\")\n",
+    "        return None\n",
+    "\n",
+    "# =============================================================================\n",
+    "# MAIN PROCESSING LOOP\n",
+    "# =============================================================================\n",
+    "\n",
+    "def process_all_images():\n",
+    "    \"\"\"\n",
+    "    Основной цикл: сканирует изображения, сопоставляет маски,\n",
+    "    отправляет задачи батчами с поллингом статуса.\n",
+    "    \"\"\"\n",
+    "    global in_progress, counter\n",
+    "    \n",
+    "    ensure_dirs()\n",
+    "    \n",
+    "    # Сканируем файлы\n",
+    "    images = [f for f in os.listdir(PATH_IMAGES) if f.lower().endswith(IMAGE_EXT)]\n",
+    "    masks = [f for f in os.listdir(PATH_MASKS) if f.lower().endswith(MASK_EXT)]\n",
+    "    \n",
+    "    if not images:\n",
+    "        print(f\"⚠️ Нет изображений в {PATH_IMAGES}\")\n",
+    "        return\n",
+    "    if not masks:\n",
+    "        print(f\"⚠️ Нет масок в {PATH_MASKS}\")\n",
+    "        return\n",
+    "    \n",
+    "    print(f\"📁 Найдено: {len(images)} изображений, {len(masks)} масок\")\n",
+    "    \n",
+    "    counter = 0  # Счётчик задач в текущем батче\n",
+    "    \n",
+    "    for img in images:\n",
+    "        short = os.path.splitext(img)[0]\n",
+    "        img_masks = match_mask_to_image(short, masks)\n",
+    "        \n",
+    "        if not img_masks:\n",
+    "            print(f\"⚠️ Нет масок для {img}\")\n",
+    "            continue\n",
+    "        \n",
+    "        for mask in img_masks:\n",
+    "            # Если батч заполнен — обрабатываем его\n",
+    "            if counter >= BATCH_SIZE:\n",
+    "                process_batch()\n",
+    "                counter = 0\n",
+    "            \n",
+    "            # Отправляем задачу\n",
+    "            task_id = launch_model(short, img, mask)\n",
+    "            if task_id:\n",
+    "                in_progress.append((img, mask, task_id))\n",
+    "                counter += 1\n",
+    "                time.sleep(DELAY_BETWEEN_TASKS)  # Не перегружаем сервер\n",
+    "    \n",
+    "    # Обрабатываем оставшиеся задачи\n",
+    "    if in_progress:\n",
+    "        process_batch()\n",
+    "    \n",
+    "    print(f\"\\n🎯 Всего обработано: {len(processed)} задач\")\n",
+    "\n",
+    "# =============================================================================\n",
+    "# ENTRY POINT\n",
+    "# =============================================================================\n",
+    "\n",
+    "if __name__ == \"__main__\":\n",
+    "    print(f\"🚀 FeatureService Client (Hybrid)\")\n",
+    "    print(f\"🌐 Сервер: {BASE_URL}\")\n",
+    "    print(f\"📦 BATCH_SIZE: {BATCH_SIZE}, ⏱️ POLL_TIMEOUT: {POLL_TIMEOUT}s\\n\")\n",
+    "    \n",
+    "    try:\n",
+    "        # 1. Обработка изображений\n",
+    "        print(\"=== [1/3] Отправка задач на сервер ===\")\n",
+    "        process_all_images()\n",
+    "        \n",
+    "        if not processed:\n",
+    "            print(\"⚠️ Нет успешно обработанных задач. Пропускаю пост-обработку.\")\n",
+    "        else:\n",
+    "            # 2. Объединение CSV\n",
+    "            print(\"\\n=== [2/3] Объединение результатов ===\")\n",
+    "            result_path = merge_csv_files()\n",
+    "            \n",
+    "            # 3. Добавление меток\n",
+    "            if result_path:\n",
+    "                print(\"\\n=== [3/3] Добавление label и path_to_cell ===\")\n",
+    "                add_label_and_path_to_cell(result_path)\n",
+    "        \n",
+    "        print(f\"\\n✨ Готово. Результат: {PATH_CSV}/result.csv\")\n",
+    "        \n",
+    "    except KeyboardInterrupt:\n",
+    "        print(\"\\n⚠️ Прервано пользователем\")\n",
+    "    except Exception as e:\n",
+    "        print(f\"\\n✗ Критическая ошибка: {e}\")\n",
+    "        import traceback\n",
+    "        traceback.print_exc()"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "id": "5",
+   "metadata": {},
+   "outputs": [],
+   "source": []
+  }
+ ],
+ "metadata": {
+  "kernelspec": {
+   "display_name": "Python 3 (ipykernel)",
+   "language": "python",
+   "name": "python3"
+  },
+  "language_info": {
+   "codemirror_mode": {
+    "name": "ipython",
+    "version": 3
+   },
+   "file_extension": ".py",
+   "mimetype": "text/x-python",
+   "name": "python",
+   "nbconvert_exporter": "python",
+   "pygments_lexer": "ipython3",
+   "version": "3.9.13"
+  }
+ },
+ "nbformat": 4,
+ "nbformat_minor": 5
+}

seminars/Тема 1.1/Dataset.ipynb

@@ -0,0 +1,175 @@
+{
+ "cells": [
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "id": "553zXx91g7fz"
+   },
+   "source": [
+    "Пример загрузки данных с сайта Breast Cancer Wisconsin (Original)"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "colab": {
+     "base_uri": "https://localhost:8080/"
+    },
+    "id": "JYb7HU1k9lFC",
+    "outputId": "7a608a7c-9f85-4cc8-9b72-65a67381e960"
+   },
+   "outputs": [],
+   "source": [
+    "import pandas as pd\n",
+    "from sklearn.model_selection import train_test_split\n",
+    "from sklearn.tree import DecisionTreeClassifier\n",
+    "from sklearn.metrics import accuracy_score\n",
+    "\n",
+    "# 1) Ссылка на датасет\n",
+    "dataset_url = \"https://archive.ics.uci.edu/ml/machine-learning-databases/breast-cancer-wisconsin/breast-cancer-wisconsin.data\"\n",
+    "\n",
+    "# 2) Имена столбцов (по документации UCI)\n",
+    "col_names = [\n",
+    "    \"Sample_code_number\",\n",
+    "    \"Clump_Thickness\",\n",
+    "    \"Uniformity_of_Cell_Size\",\n",
+    "    \"Uniformity_of_Cell_Shape\",\n",
+    "    \"Marginal_Adhesion\",\n",
+    "    \"Single_Epithelial_Cell_Size\",\n",
+    "    \"Bare_Nuclei\",\n",
+    "    \"Bland_Chromatin\",\n",
+    "    \"Normal_Nucleoli\",\n",
+    "    \"Mitoses\",\n",
+    "    \"Class\"\n",
+    "]\n",
+    "\n",
+    "# 3) Считываем csv\n",
+    "df = pd.read_csv(\n",
+    "    dataset_url,\n",
+    "    names=col_names,\n",
+    "    na_values=[\"?\"],\n",
+    "    header=None\n",
+    ")\n",
+    "\n",
+    "# 4) Быстрый осмотр\n",
+    "print(df.head())\n",
+    "print(df.info())\n",
+    "\n",
+    "# 5) Удалим строки с пропусками\n",
+    "df.dropna(inplace=True)\n",
+    "\n",
+    "# 6) Разделим на признаки (X) и целевую переменную (y)\n",
+    "y = df[\"Class\"]\n",
+    "X = df.drop([\"Sample_code_number\", \"Class\"], axis=1)\n",
+    "\n",
+    "# 7) Разделим на train и test\n",
+    "X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=42)\n",
+    "\n",
+    "# 8) Обучим модель (DecisionTree)\n",
+    "clf = DecisionTreeClassifier(random_state=42)\n",
+    "clf.fit(X_train, y_train)\n",
+    "\n",
+    "# 9) Предсказание и оценка\n",
+    "predictions = clf.predict(X_test)\n",
+    "acc = accuracy_score(y_test, predictions)\n",
+    "print(f\"Accuracy: {acc:.3f}\")\n",
+    "\n"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "id": "2t5p4Mt7hKSw"
+   },
+   "source": [
+    "Пример кода с requests + BeautifulSoup. Подставить нужную ссылку"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "id": "1L4ZnJL5iDMm"
+   },
+   "outputs": [],
+   "source": []
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "colab": {
+     "base_uri": "https://localhost:8080/",
+     "height": 321
+    },
+    "id": "SqUDAUG0esKO",
+    "outputId": "150062f1-72e8-4f8e-b006-12ef211609ab"
+   },
+   "outputs": [],
+   "source": [
+    "import requests\n",
+    "from bs4 import BeautifulSoup\n",
+    "import pandas as pd\n",
+    "\n",
+    "url = \"https://opendata.some-region.ru/datasets/interesting-table\"\n",
+    "response = requests.get(url)\n",
+    "soup = BeautifulSoup(response.text, \"html.parser\")\n",
+    "\n",
+    "# Предположим, на странице есть <table> с классом \"data-table\"\n",
+    "table_html = soup.find(\"table\", {\"class\": \"data-table\"})\n",
+    "\n",
+    "# Преобразуем в DataFrame, если таблица более-менее стандартная\n",
+    "df_list = pd.read_html(str(table_html))  # возвращает список df\n",
+    "df = df_list[0]  # берем первую таблицу\n",
+    "\n",
+    "df.head()\n",
+    "\n"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "id": "dl9b0hqOiFII"
+   },
+   "outputs": [],
+   "source": [
+    "import pandas as pd\n",
+    "\n",
+    "excel_url = \"https://data.gov.ru/files/dataset.xls\"\n",
+    "df_excel = pd.read_excel(excel_url, sheet_name=\"Sheet1\")\n",
+    "print(df_excel.columns)\n"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "id": "A_13q1K9iMr2"
+   },
+   "outputs": [],
+   "source": [
+    "import pandas as pd\n",
+    "\n",
+    "json_url = \"https://data.gov.ru/files/dataset.json\"\n",
+    "df_json = pd.read_json(json_url, orient=\"records\")\n",
+    "print(df_json.info())\n"
+   ]
+  }
+ ],
+ "metadata": {
+  "colab": {
+   "provenance": []
+  },
+  "kernelspec": {
+   "display_name": "Python 3",
+   "name": "python3"
+  },
+  "language_info": {
+   "name": "python"
+  }
+ },
+ "nbformat": 4,
+ "nbformat_minor": 0
+}

seminars/Тема 1.1/Resource1.ipynb

@@ -0,0 +1,274 @@
+{
+ "cells": [
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "id": "btIcF4lpu_Xx"
+   },
+   "source": [
+    "import requests\n",
+    "\n",
+    "# Пример запроса к TCIA API\n",
+    "\n"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "id": "j4rCtvc9u_XD"
+   },
+   "source": [
+    "**Шаг 1**. The Cancer Imaging Archive (TCIA) предоставляет доступ к медицинским изображениям через API. Вы можете использовать библиотеку requests для загрузки данных из TCIA:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "colab": {
+     "base_uri": "https://localhost:8080/"
+    },
+    "id": "uR4WCv5yrzNl",
+    "outputId": "0a2a3495-5147-4bed-a209-c800c26cda8d"
+   },
+   "outputs": [],
+   "source": [
+    "import requests\n",
+    "\n",
+    "# Пример запроса к TCIA API\n",
+    "url = \"https://services.cancerimagingarchive.net/services/v3/TCIA/query/getSeries?Collection=TCGA-BRCA\"\n",
+    "response = requests.get(url)\n",
+    "\n",
+    "# Проверка ответа\n",
+    "if response.status_code == 200:\n",
+    "    print(\"Данные получены успешно\")\n",
+    "else:\n",
+    "    print(\"Ошибка получения данных\")\n",
+    "\n"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "id": "AlwoAu-ju7SC"
+   },
+   "source": []
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "id": "LuW1z73XvxYF"
+   },
+   "source": [
+    "**Шаг 2.** Данные приходят в JSON формате.\n",
+    "В этом примере запрос отправляется с параметром format=json, чтобы вернуть данные в формате JSON.\n",
+    "Преобразование ответа в JSON:\n",
+    "response.json() позволяет конвертировать ответ в словарь Python, с которым будем работать дальше.\n",
+    "Обработка JSON-ответа:\n",
+    "Сначала печатаем весь JSON для ознакомления."
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "colab": {
+     "base_uri": "https://localhost:8080/"
+    },
+    "id": "0rA31BsAuGeM",
+    "outputId": "fac4ab13-ddbb-41fd-ade9-279df305554a"
+   },
+   "outputs": [],
+   "source": [
+    "import requests\n",
+    "import json\n",
+    "\n",
+    "# Пример запроса к TCIA API, предполагающий JSON формат\n",
+    "url = \"https://services.cancerimagingarchive.net/services/v3/TCIA/query/getSeries?Collection=TCGA-BRCA&format=json\"\n",
+    "response = requests.get(url)\n",
+    "\n",
+    "# Проверка ответа\n",
+    "if response.status_code == 200:\n",
+    "    print(\"Данные получены успешно\")\n",
+    "\n",
+    "    # Преобразование ответа в JSON\n",
+    "    data = response.json()\n",
+    "    print(json.dumps(data, indent=4))  # Печать данных в формате JSON с отступами\n",
+    "\n",
+    "    # Обработка данных\n",
+    "    for item in data:\n",
+    "        series_instance_uid = item.get('SeriesInstanceUID', 'N/A')\n",
+    "        modality = item.get('Modality', 'N/A')\n",
+    "        protocol_name = item.get('ProtocolName', 'N/A')\n",
+    "        body_part_examined = item.get('BodyPartExamined', 'N/A')\n",
+    "\n",
+    "        # Печать извлеченной информации\n",
+    "        print(f\"SeriesInstanceUID: {series_instance_uid}\")\n",
+    "        print(f\"Modality: {modality}\")\n",
+    "        print(f\"ProtocolName: {protocol_name}\")\n",
+    "        print(f\"BodyPartExamined: {body_part_examined}\")\n",
+    "        print('-' * 30)\n",
+    "else:\n",
+    "    print(\"Ошибка получения данных\")\n"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "id": "G3VSxAgX6RbK"
+   },
+   "source": [
+    "**Шаг3**.**Получение идентификаторов для загрузки изображений**\n",
+    "\n",
+    "Используя первый запрос к TCIA API, получили метаданные, такие как SeriesInstanceUID для каждой серии изображений.\n",
+    "Эти идентификаторы нужны для следующего шага — получения ссылок на сами изображения.\n",
+    "Запрос на загрузку изображений с использованием SeriesInstanceUID\n",
+    "Чтобы загрузить все изображения в определенной серии, нужно выполнить запрос к TCIA API с использованием SeriesInstanceUID"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "colab": {
+     "base_uri": "https://localhost:8080/"
+    },
+    "id": "AexV0o2gJahr",
+    "outputId": "06c3167c-931f-4f15-917e-a5fe6d7463d5"
+   },
+   "outputs": [],
+   "source": [
+    "import os\n",
+    "import requests\n",
+    "\n",
+    "# Пример использования SeriesInstanceUID\n",
+    "series_instance_uid = \"1.3.6.1.4.1.14519.5.2.1.6450.4002.265963154110062013582166845425\"  # Пример идентификатора\n",
+    "\n",
+    "# URL для загрузки изображений\n",
+    "url = f\"https://services.cancerimagingarchive.net/services/v3/TCIA/query/getImage?SeriesInstanceUID={series_instance_uid}\"\n",
+    "response = requests.get(url, stream=True)\n",
+    "\n",
+    "# Путь для сохранения ZIP-файла\n",
+    "output_path = \"/content/images.zip\"\n",
+    "\n",
+    "# Создание необходимых папок, если их нет\n",
+    "folder_path = os.path.dirname(output_path)\n",
+    "os.makedirs(folder_path, exist_ok=True)\n",
+    "\n",
+    "# Проверка ответа и сохранение изображения\n",
+    "if response.status_code == 200:\n",
+    "    print(f\"Сохранение файла в {output_path}\")\n",
+    "    with open(output_path, \"wb\") as file:\n",
+    "        for chunk in response.iter_content(chunk_size=128):\n",
+    "            file.write(chunk)\n",
+    "    print(f\"Изображения успешно загружены и сохранены как {output_path}\")\n",
+    "else:\n",
+    "    print(\"Ошибка при загрузке изображений\")\n"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "colab": {
+     "base_uri": "https://localhost:8080/"
+    },
+    "id": "-PwPLc8aKV9h",
+    "outputId": "821075b5-c777-451e-e84f-6ea3f69c092a"
+   },
+   "outputs": [],
+   "source": [
+    "import zipfile\n",
+    "\n",
+    "# Распаковка загруженного ZIP-файла\n",
+    "with zipfile.ZipFile(\"images.zip\", 'r') as zip_ref:\n",
+    "    zip_ref.extractall(\"images\")  # Папка для распакованных изображений\n",
+    "print(\"Файлы успешно распакованы\")\n"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "id": "DVVYma3wM4vf"
+   },
+   "source": [
+    "**Шаг. 4**# Для чтения DICOM файлов используйте pydicom, а для визуализации изображений — matplotlib."
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "colab": {
+     "base_uri": "https://localhost:8080/"
+    },
+    "id": "Tw2PTwQrOlLe",
+    "outputId": "d21f3b3b-c985-45ad-fdc6-a8c36cd10335"
+   },
+   "outputs": [],
+   "source": [
+    "!pip install pydicom\n"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "colab": {
+     "base_uri": "https://localhost:8080/",
+     "height": 839
+    },
+    "id": "OLMmOFkCM59-",
+    "outputId": "f4370e76-ad70-45da-8192-fe2de2232455"
+   },
+   "outputs": [],
+   "source": [
+    "import os\n",
+    "import pydicom\n",
+    "import matplotlib.pyplot as plt\n",
+    "\n",
+    "# Папка с распакованными изображениями\n",
+    "dicom_folder = \"images\"\n",
+    "\n",
+    "# Чтение всех DICOM-файлов в папке и визуализация первого изображения\n",
+    "for filename in os.listdir(dicom_folder):\n",
+    "    if filename.endswith(\".dcm\"):\n",
+    "        dicom_path = os.path.join(dicom_folder, filename)\n",
+    "        dicom_data = pydicom.dcmread(dicom_path)\n",
+    "\n",
+    "        # Получение массива пикселей изображения\n",
+    "        image = dicom_data.pixel_array\n",
+    "\n",
+    "        # Визуализация изображения\n",
+    "        plt.imshow(image, cmap=\"gray\")\n",
+    "        plt.title(f\"Пациент ID: {dicom_data.PatientID}\")\n",
+    "        plt.axis(\"off\")\n",
+    "        plt.show()\n",
+    "        break  # Визуализируем только первое изображение\n"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "id": "U-9TfVjKQsFV"
+   },
+   "source": [
+    " библиотеки, как OpenCV, scikit-image, и NumPy предоставляют множество инструментов для фильтрации, повышения контраста и удаления шума."
+   ]
+  }
+ ],
+ "metadata": {
+  "colab": {
+   "provenance": []
+  },
+  "kernelspec": {
+   "display_name": "Python 3",
+   "name": "python3"
+  },
+  "language_info": {
+   "name": "python"
+  }
+ },
+ "nbformat": 4,
+ "nbformat_minor": 0
+}

seminars/Тема 1.1/resource2.ipynb

@@ -0,0 +1,204 @@
+{
+ "cells": [
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "id": "9B_sc-M_NlTZ"
+   },
+   "source": [
+    "Шаг 1. Устанавливаем библиотеку для работы с загрузкой данных по ссылке"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "colab": {
+     "base_uri": "https://localhost:8080/"
+    },
+    "id": "OsQErPaDDkmK",
+    "outputId": "49149067-e8b9-42f8-acbe-15b2d80cd79e"
+   },
+   "outputs": [],
+   "source": [
+    "!pip install gdown\n"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "id": "_F6Rmsu4NviH"
+   },
+   "source": [
+    "Шаг 3. Скачиваем и распаковываем файлы,з ная ID"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "colab": {
+     "base_uri": "https://localhost:8080/"
+    },
+    "id": "d19wjKXOLIyw",
+    "outputId": "804d657b-dce7-4822-c631-b6a330801207"
+   },
+   "outputs": [],
+   "source": [
+    "import gdown\n",
+    "\n",
+    "# ID файла с Google Диска\n",
+    "file_id = '1qVrpV7vmhIsUxFiH189LmAn0ALbAPrgS'\n",
+    "#https://drive.google.com/file/d/1qVrpV7vmhIsUxFiH189LmAn0ALbAPrgS/view?usp=drive_link\n",
+    "# Формируем URL для скачивания\n",
+    "url = f'https://drive.google.com/uc?id={file_id}'\n",
+    "\n",
+    "# Скачиваем файл в директорию /content/\n",
+    "file_path = '/content/my_file_name.tar'\n",
+    "gdown.download(url, file_path, quiet=False)\n",
+    "\n",
+    "# Распаковываем архив .tar\n",
+    "import tarfile\n",
+    "with tarfile.open(file_path, 'r') as tar:\n",
+    "    tar.extractall(path='/content/')\n",
+    "    print(\"Архив распакован в директорию /content/\")\n"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "id": "YNJiS-a6N4vg"
+   },
+   "source": [
+    "Шаг 4. Просматриваем структуру и описание данных в JSON"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "colab": {
+     "base_uri": "https://localhost:8080/"
+    },
+    "id": "_G-7skCHPJZ2",
+    "outputId": "f0d8712c-1805-4a5d-c857-3c6b6659fc71"
+   },
+   "outputs": [],
+   "source": [
+    "import json\n",
+    "\n",
+    "# Путь к файлу JSON\n",
+    "json_file_path = '/content/Task08_HepaticVessel/dataset.json'\n",
+    "\n",
+    "# Загружаем содержимое JSON файла\n",
+    "with open(json_file_path, 'r') as f:\n",
+    "    dataset_info = json.load(f)\n",
+    "\n",
+    "# Просмотрим содержимое JSON\n",
+    "print(json.dumps(dataset_info, indent=4))  # Красиво выводим содержимое\n"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "id": "4GOfTVYdODLL"
+   },
+   "source": [
+    "Шаг 5. Выводим для просмотра 20 случайных объектов с метками из обучающего набора."
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "colab": {
+     "base_uri": "https://localhost:8080/",
+     "height": 1000
+    },
+    "id": "CTMaymbpP1IQ",
+    "outputId": "e6ce5b6a-b949-4499-93e5-a7f8816bc888"
+   },
+   "outputs": [],
+   "source": [
+    "import random\n",
+    "import nibabel as nib\n",
+    "import matplotlib.pyplot as plt\n",
+    "import numpy as np\n",
+    "import os\n",
+    "\n",
+    "# Папки с изображениями и метками\n",
+    "images_dir = '/content/Task08_HepaticVessel/imagesTr'\n",
+    "labels_dir = '/content/Task08_HepaticVessel/labelsTr'\n",
+    "\n",
+    "# Фильтруем доступные файлы\n",
+    "available_files = sorted([f for f in os.listdir(images_dir) if not f.startswith('._') and f.endswith('.nii.gz')])\n",
+    "images = [os.path.join(images_dir, file) for file in available_files]\n",
+    "labels = [os.path.join(labels_dir, file.replace('imagesTr', 'labelsTr')) for file in available_files]\n",
+    "\n",
+    "# Проверяем количество файлов\n",
+    "print(f\"Обнаружено {len(images)} изображений и {len(labels)} меток.\")\n",
+    "\n",
+    "# Случайно выбираем 20 изображений\n",
+    "random_indices = random.sample(range(len(images)), min(20, len(images)))\n",
+    "\n",
+    "# Цветовая карта для меток\n",
+    "cmap = plt.cm.colors.ListedColormap(['black', 'green', 'red'])  # Цвета: фон, сосуды, опухоли\n",
+    "bounds = [0, 1, 2, 3]\n",
+    "norm = plt.cm.colors.BoundaryNorm(bounds, cmap.N)\n",
+    "\n",
+    "# Визуализация изображений и меток\n",
+    "for idx in random_indices:\n",
+    "    try:\n",
+    "        # Загружаем изображение и метку\n",
+    "        image = nib.load(images[idx]).get_fdata()\n",
+    "        label = nib.load(labels[idx]).get_fdata()\n",
+    "\n",
+    "        # Поиск срезов с ненулевыми метками\n",
+    "        non_empty_slices = [z for z in range(label.shape[2]) if np.unique(label[:, :, z]).size > 1]\n",
+    "\n",
+    "        if not non_empty_slices:\n",
+    "            print(f\"Все срезы в {images[idx]} содержат только фон.\")\n",
+    "            continue\n",
+    "\n",
+    "        # Выбираем случайный срез с ненулевыми метками\n",
+    "        slice_index = random.choice(non_empty_slices)\n",
+    "        print(f\"Выбран срез {slice_index} для изображения {images[idx]}\")\n",
+    "\n",
+    "        plt.figure(figsize=(10, 5))\n",
+    "\n",
+    "        # Отображаем изображение\n",
+    "        plt.subplot(1, 2, 1)\n",
+    "        plt.imshow(image[:, :, slice_index], cmap='gray')\n",
+    "        plt.title(f'Изображение (Slice: {slice_index})')\n",
+    "        plt.axis('off')\n",
+    "\n",
+    "        # Отображаем метки\n",
+    "        plt.subplot(1, 2, 2)\n",
+    "        plt.imshow(label[:, :, slice_index], cmap=cmap, norm=norm)\n",
+    "        plt.title('Метки')\n",
+    "        plt.axis('off')\n",
+    "\n",
+    "        plt.show()\n",
+    "\n",
+    "    except Exception as e:\n",
+    "        print(f\"Ошибка при обработке файла {images[idx]}: {e}\")\n"
+   ]
+  }
+ ],
+ "metadata": {
+  "accelerator": "GPU",
+  "colab": {
+   "gpuType": "T4",
+   "provenance": []
+  },
+  "kernelspec": {
+   "display_name": "Python 3",
+   "name": "python3"
+  },
+  "language_info": {
+   "name": "python"
+  }
+ },
+ "nbformat": 4,
+ "nbformat_minor": 0
+}

seminars/Тема 1.2/Практикум1.ipynb

@@ -0,0 +1,303 @@
+{
+ "cells": [
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "id": "O6Ly_P7Rs5Pq"
+   },
+   "outputs": [],
+   "source": [
+    "# Установка библиотеки MedMNIST\n",
+    "!pip install -q medmnist"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "id": "FNCBYGtd5wnF"
+   },
+   "outputs": [],
+   "source": [
+    "\n",
+    "\n",
+    "# Импорт библиотек\n",
+    "import numpy as np\n",
+    "import tensorflow as tf\n",
+    "from tensorflow.keras import layers, models\n",
+    "import torchvision.transforms as transforms\n",
+    "from torch.utils.data import DataLoader\n",
+    "import medmnist\n",
+    "from medmnist import INFO\n",
+    "\n",
+    "# Загружаем датасет ChestMNIST (multi-label: 14 классов)\n",
+    "data_flag = 'chestmnist'\n",
+    "info = INFO[data_flag]\n",
+    "DataClass = getattr(medmnist, info['python_class'])"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "colab": {
+     "base_uri": "https://localhost:8080/"
+    },
+    "id": "onPt-ifPcb70",
+    "outputId": "413ff073-3fae-465c-fb82-2ea52d4bc967"
+   },
+   "outputs": [],
+   "source": [
+    "\n",
+    "# Трансформации: PyTorch-style -> Tensor\n",
+    "transform = transforms.Compose([\n",
+    "    transforms.ToTensor()\n",
+    "])\n",
+    "\n",
+    "# Загрузка данных\n",
+    "train_dataset = DataClass(split='train', transform=transform, download=True)\n",
+    "test_dataset = DataClass(split='test', transform=transform, download=True)\n",
+    "\n",
+    "# DataLoader для PyTorch-совместимых датасетов\n",
+    "train_loader = DataLoader(train_dataset, batch_size=64, shuffle=True)\n",
+    "test_loader = DataLoader(test_dataset, batch_size=64, shuffle=False)\n",
+    "\n",
+    "# Преобразование в NumPy: (batch, 28, 28, 1), labels в one-hot\n",
+    "def convert_dataset_to_numpy(dataloader):\n",
+    "    images_all = []\n",
+    "    labels_all = []\n",
+    "\n",
+    "    for images, labels in dataloader:\n",
+    "        images = images.permute(0, 2, 3, 1).numpy()  # (B, H, W, C)\n",
+    "        labels = labels.numpy()\n",
+    "        images_all.append(images)\n",
+    "        labels_all.append(labels)\n",
+    "\n",
+    "    X = np.concatenate(images_all, axis=0)\n",
+    "    y = np.concatenate(labels_all, axis=0)\n",
+    "\n",
+    "    return X, y\n",
+    "\n",
+    "X_train, y_train = convert_dataset_to_numpy(train_loader)\n",
+    "X_test, y_test = convert_dataset_to_numpy(test_loader)\n",
+    "\n",
+    "print(\"X_train shape:\", X_train.shape)  # (n_samples, 28, 28, 1)\n",
+    "print(\"y_train shape:\", y_train.shape)  # (n_samples, 14)\n",
+    "\n",
+    "# Масштабирование изображений в диапазон [0, 1]\n",
+    "X_train = X_train.astype(\"float32\") / 255.0\n",
+    "X_test = X_test.astype(\"float32\") / 255.0\n",
+    "\n",
+    "# Определение модели (sigmoid + binary_crossentropy!)\n",
+    "model = tf.keras.Sequential([\n",
+    "    layers.Input(shape=(28, 28, 1)),\n",
+    "    layers.Conv2D(32, kernel_size=3, activation='relu'),\n",
+    "    layers.MaxPooling2D(),\n",
+    "    layers.Conv2D(64, kernel_size=3, activation='relu'),\n",
+    "    layers.MaxPooling2D(),\n",
+    "    layers.Flatten(),\n",
+    "    layers.Dense(128, activation='relu'),\n",
+    "    layers.Dense(14, activation='sigmoid')  # multi-label output\n",
+    "])\n",
+    "\n",
+    "# Компиляция модели\n",
+    "model.compile(\n",
+    "    optimizer=tf.keras.optimizers.Adam(learning_rate=1e-4),  # уменьшенный lr\n",
+    "    loss='binary_crossentropy',                              # Ключевой момент!\n",
+    "    metrics=[\n",
+    "        tf.keras.metrics.BinaryAccuracy(),\n",
+    "        tf.keras.metrics.AUC(name='AUC'),\n",
+    "        tf.keras.metrics.Precision(name='Precision'),\n",
+    "        tf.keras.metrics.Recall(name='Recall')\n",
+    "    ]\n",
+    ")\n",
+    "\n",
+    "# Обучение\n",
+    "history = model.fit(\n",
+    "    X_train, y_train,\n",
+    "    epochs=10,\n",
+    "    batch_size=32,\n",
+    "    validation_data=(X_test, y_test)\n",
+    ")\n"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "colab": {
+     "base_uri": "https://localhost:8080/",
+     "height": 141
+    },
+    "id": "KRDuSl4GNf0i",
+    "outputId": "9d4d18c6-08f1-458e-c846-5a373afcc52a"
+   },
+   "outputs": [],
+   "source": [
+    "model.summary()"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "colab": {
+     "base_uri": "https://localhost:8080/",
+     "height": 506
+    },
+    "id": "9epuUiVJ5z2u",
+    "outputId": "888f592f-b2db-435a-fdf3-d788ba41f7b6"
+   },
+   "outputs": [],
+   "source": [
+    "import matplotlib.pyplot as plt\n",
+    "\n",
+    "# Визуализация первых n изображений и соответствующих меток\n",
+    "def show_sample_images(dataset, class_names, n=9):\n",
+    "    plt.figure(figsize=(5, 5))\n",
+    "    for i in range(n):\n",
+    "        image, label = dataset[i]\n",
+    "        img_np = image.permute(1, 2, 0).numpy().squeeze()  # (H, W)\n",
+    "\n",
+    "        # Преобразуем one-hot в список меток\n",
+    "        active_labels = [class_names[j] for j in range(len(label)) if label[j] == 1]\n",
+    "\n",
+    "        plt.subplot(int(n**0.5 + 0.5), int(n**0.5 + 0.5), i + 1)\n",
+    "        plt.imshow(img_np, cmap='gray')\n",
+    "        plt.axis('off')\n",
+    "        plt.title('\\n'.join(active_labels), fontsize=8)\n",
+    "\n",
+    "    plt.tight_layout()\n",
+    "    plt.show()\n",
+    "\n",
+    "# Названия меток (по ключу из INFO)\n",
+    "class_names = list(info['label'].values())\n",
+    "\n",
+    "# Вызов визуализации\n",
+    "show_sample_images(train_dataset, class_names, n=9)\n"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "colab": {
+     "base_uri": "https://localhost:8080/"
+    },
+    "id": "0NDTDphUgpMi",
+    "outputId": "9735171b-9d5a-425d-91d4-1eac2da6de7c"
+   },
+   "outputs": [],
+   "source": [
+    "# 2. Предсказания\n",
+    "y_pred_probs = model.predict(X_test)\n"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "colab": {
+     "base_uri": "https://localhost:8080/"
+    },
+    "id": "mKpWlhC0t45X",
+    "outputId": "ad6e3b10-d232-465d-e6f5-df71eadc51ae"
+   },
+   "outputs": [],
+   "source": [
+    "import matplotlib.pyplot as plt\n",
+    "\n",
+    "# Функция для отрисовки метрик\n",
+    "def plot_training_history(history):\n",
+    "    metrics = ['loss', 'val_loss', 'AUC', 'val_AUC', 'Precision', 'val_Precision', 'Recall', 'val_Recall']\n",
+    "    plt.figure(figsize=(16, 10))\n",
+    "\n",
+    "    for i, metric in enumerate(metrics):\n",
+    "        plt.subplot(4, 2, i + 1)\n",
+    "        plt.plot(history.history[metric])\n",
+    "        plt.title(metric)\n",
+    "        plt.xlabel('Epoch')\n",
+    "        plt.ylabel(metric)\n",
+    "        plt.grid(True)\n",
+    "\n",
+    "    plt.tight_layout()\n",
+    "    plt.show()\n",
+    "\n",
+    "# Вызов функции\n",
+    "plot_training_history(history)\n"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "colab": {
+     "base_uri": "https://localhost:8080/"
+    },
+    "id": "wECO7vr_gukD",
+    "outputId": "e704d146-d224-43b3-a2f1-d2d40b2cc492"
+   },
+   "outputs": [],
+   "source": [
+    "import matplotlib.pyplot as plt\n",
+    "\n",
+    "from sklearn.metrics import roc_curve, auc, precision_recall_curve, average_precision_score\n",
+    "\n",
+    "def plot_all_roc_pr_curves(y_true, y_probs, class_names):\n",
+    "    num_classes = y_true.shape[1]\n",
+    "    fig_roc, axs_roc = plt.subplots(4, 4, figsize=(20, 20))\n",
+    "    fig_pr, axs_pr = plt.subplots(4, 4, figsize=(20, 20))\n",
+    "\n",
+    "    for i in range(num_classes):\n",
+    "        fpr, tpr, _ = roc_curve(y_true[:, i], y_probs[:, i])\n",
+    "        precision, recall, _ = precision_recall_curve(y_true[:, i], y_probs[:, i])\n",
+    "        roc_auc = auc(fpr, tpr)\n",
+    "        pr_auc = average_precision_score(y_true[:, i], y_probs[:, i])\n",
+    "\n",
+    "        row, col = divmod(i, 4)\n",
+    "\n",
+    "        # ROC Curve\n",
+    "        axs_roc[row, col].plot(fpr, tpr, label=f'AUC = {roc_auc:.2f}')\n",
+    "        axs_roc[row, col].plot([0, 1], [0, 1], 'k--')\n",
+    "        axs_roc[row, col].set_title(f'ROC — {class_names[i]}')\n",
+    "        axs_roc[row, col].set_xlabel('FPR')\n",
+    "        axs_roc[row, col].set_ylabel('TPR')\n",
+    "        axs_roc[row, col].legend()\n",
+    "\n",
+    "        # PR Curve\n",
+    "        axs_pr[row, col].plot(recall, precision, label=f'AP = {pr_auc:.2f}')\n",
+    "        axs_pr[row, col].set_title(f'PR — {class_names[i]}')\n",
+    "        axs_pr[row, col].set_xlabel('Recall')\n",
+    "        axs_pr[row, col].set_ylabel('Precision')\n",
+    "        axs_pr[row, col].legend()\n",
+    "\n",
+    "    # Отключаем лишние пустые графики, если классов < 16\n",
+    "    for j in range(num_classes, 16):\n",
+    "        fig_roc.axes[j].axis('off')\n",
+    "        fig_pr.axes[j].axis('off')\n",
+    "\n",
+    "    fig_roc.tight_layout()\n",
+    "    fig_pr.tight_layout()\n",
+    "    plt.show()\n",
+    "\n",
+    "# Вызов визуализации ROC и PR кривых\n",
+    "plot_all_roc_pr_curves(y_test, y_pred_probs, list(info['label'].values()))\n"
+   ]
+  }
+ ],
+ "metadata": {
+  "colab": {
+   "provenance": []
+  },
+  "kernelspec": {
+   "display_name": "Python 3",
+   "name": "python3"
+  },
+  "language_info": {
+   "name": "python"
+  }
+ },
+ "nbformat": 4,
+ "nbformat_minor": 0
+}

seminars/Тема 1.2/Т1.ipynb

@@ -0,0 +1,271 @@
+{
+ "cells": [
+  {
+   "cell_type": "raw",
+   "id": "0",
+   "metadata": {},
+   "source": [
+    "Установка библиотек"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "id": "1",
+   "metadata": {
+    "tags": []
+   },
+   "outputs": [],
+   "source": [
+    "%pip install pydicom matplotlib nibabel gdown medmnist Pillow"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "id": "2",
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "#!/usr/bin/env python3\n",
+    "# Download the 56 zip files in Images_png in batches\n",
+    "import urllib.request\n",
+    "\n",
+    "# URLs for the zip files\n",
+    "links = [\n",
+    "    'https://nihcc.box.com/shared/static/vfk49d74nhbxq3nqjg0900w5nvkorp5c.gz',\n",
+    "    'https://nihcc.box.com/shared/static/i28rlmbvmfjbl8p2n3ril0pptcmcu9d1.gz',\n",
+    "    'https://nihcc.box.com/shared/static/f1t00wrtdk94satdfb9olcolqx20z2jp.gz',\n",
+    "\t'https://nihcc.box.com/shared/static/0aowwzs5lhjrceb3qp67ahp0rd1l1etg.gz',\n",
+    "    'https://nihcc.box.com/shared/static/v5e3goj22zr6h8tzualxfsqlqaygfbsn.gz',\n",
+    "\t'https://nihcc.box.com/shared/static/asi7ikud9jwnkrnkj99jnpfkjdes7l6l.gz',\n",
+    "\t'https://nihcc.box.com/shared/static/jn1b4mw4n6lnh74ovmcjb8y48h8xj07n.gz',\n",
+    "    'https://nihcc.box.com/shared/static/tvpxmn7qyrgl0w8wfh9kqfjskv6nmm1j.gz',\n",
+    "\t'https://nihcc.box.com/shared/static/upyy3ml7qdumlgk2rfcvlb9k6gvqq2pj.gz',\n",
+    "\t'https://nihcc.box.com/shared/static/l6nilvfa9cg3s28tqv1qc1olm3gnz54p.gz',\n",
+    "\t'https://nihcc.box.com/shared/static/hhq8fkdgvcari67vfhs7ppg2w6ni4jze.gz',\n",
+    "\t'https://nihcc.box.com/shared/static/ioqwiy20ihqwyr8pf4c24eazhh281pbu.gz'\n",
+    "]\n",
+    "\n",
+    "for idx, link in enumerate(links):\n",
+    "    fn = 'images_%02d.tar.gz' % (idx+1)\n",
+    "    print('downloading'+fn+'...')\n",
+    "    urllib.request.urlretrieve(link, fn)  # download the zip file\n",
+    "\n",
+    "print(\"Download complete. Please check the checksums\")"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "id": "3",
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "import tarfile\n",
+    "import os\n",
+    "\n",
+    "# Распаковка\n",
+    "with tarfile.open('images_02.tar.gz', 'r:gz') as tar:\n",
+    "    tar.extractall(path='images_01')\n",
+    "print(\"✅ Распаковано в папку 'images_01'\")\n",
+    "print(\"Количество файлов в папке:\", len(os.listdir('images_01')))"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "id": "4",
+   "metadata": {
+    "tags": []
+   },
+   "outputs": [],
+   "source": [
+    "import matplotlib.pyplot as plt\n",
+    "from PIL import Image\n",
+    "import random\n",
+    "import os\n",
+    "\n",
+    "image_folder = 'images_01/images'\n",
+    "all_images = [f for f in os.listdir(image_folder) if f.endswith('.png')]\n",
+    "print(f\"Всего PNG-файлов: {len(all_images)}\")\n",
+    "\n",
+    "# Покажем 5 случайных\n",
+    "sample = random.sample(all_images, min(5, len(all_images)))\n",
+    "plt.figure(figsize=(15, 10))\n",
+    "for i, img_name in enumerate(sample):\n",
+    "    img = Image.open(os.path.join(image_folder, img_name))\n",
+    "    plt.subplot(1, 5, i+1)\n",
+    "    plt.imshow(img, cmap='gray')\n",
+    "    plt.title(img_name[:15])\n",
+    "    plt.axis('off')\n",
+    "plt.show()"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "id": "5",
+   "metadata": {
+    "tags": []
+   },
+   "outputs": [],
+   "source": [
+    "!wget -O dataset.zip 'https://storage.yandexcloud.net/aie20.selftest/production/Dataset_for_self-testing_of_AI_services_%28AIE20_SELFTEST%29.zip?X-Amz-Algorithm=AWS4-HMAC-SHA256&X-Amz-Credential=J0yLHxYnLMK5SrRghejm%2F20260222%2Fru-central1%2Fs3%2Faws4_request&X-Amz-Date=20260222T111520Z&X-Amz-Expires=86400&X-Amz-SignedHeaders=host&X-Amz-Signature=b135a1c05ed66ade15b59a73bc29aef7380f9da179abd74267c4ec235462992a'"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "id": "6",
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "%pip install pylibjpeg pylibjpeg-libjpeg"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "id": "7",
+   "metadata": {
+    "tags": []
+   },
+   "outputs": [],
+   "source": [
+    "import os\n",
+    "import random\n",
+    "import pydicom\n",
+    "import matplotlib.pyplot as plt\n",
+    "\n",
+    "# ------------------------------------------------------------\n",
+    "# 1. Настройки\n",
+    "# ------------------------------------------------------------\n",
+    "# Путь к корневой папке с данными CT (измените, если структура иная)\n",
+    "ct_root = 'Dataset_for_self-testing_of_AI_services_(AIE20_SELFTEST)/AIE20_SELFTEST/FLG'\n",
+    "\n",
+    "# Количество случайных исследований для показа\n",
+    "num_samples = 5\n",
+    "\n",
+    "# ------------------------------------------------------------\n",
+    "# 2. Функция для рекурсивного поиска всех DICOM-файлов в папке\n",
+    "# ------------------------------------------------------------\n",
+    "def find_dicom_files(folder):\n",
+    "    \"\"\"Возвращает список путей ко всем файлам (не папкам) внутри folder.\"\"\"\n",
+    "    all_files = []\n",
+    "    for root, dirs, files in os.walk(folder):\n",
+    "        for f in files:\n",
+    "            if not f.startswith('.'):   # игнорируем скрытые файлы\n",
+    "                all_files.append(os.path.join(root, f))\n",
+    "    return all_files\n",
+    "\n",
+    "# ------------------------------------------------------------\n",
+    "# 3. Собираем все папки исследований (производитель/исследование)\n",
+    "# ------------------------------------------------------------\n",
+    "if not os.path.exists(ct_root):\n",
+    "    print(f\"Ошибка: папка {ct_root} не найдена.\")\n",
+    "else:\n",
+    "    # Получаем список производителей\n",
+    "    manufacturers = [m for m in os.listdir(ct_root) \n",
+    "                     if os.path.isdir(os.path.join(ct_root, m))]\n",
+    "    if not manufacturers:\n",
+    "        print(\"Нет папок производителей.\")\n",
+    "    else:\n",
+    "        # Список всех полных путей к папкам исследований\n",
+    "        study_folders = []\n",
+    "        for man in manufacturers:\n",
+    "            man_path = os.path.join(ct_root, man)\n",
+    "            studies = [s for s in os.listdir(man_path) \n",
+    "                       if os.path.isdir(os.path.join(man_path, s))]\n",
+    "            for study in studies:\n",
+    "                study_folders.append(os.path.join(man_path, study))\n",
+    "\n",
+    "        print(f\"Всего найдено папок исследований: {len(study_folders)}\")\n",
+    "\n",
+    "        if not study_folders:\n",
+    "            print(\"Нет доступных исследований.\")\n",
+    "        else:\n",
+    "            # Выбираем случайные папки (не больше, чем есть)\n",
+    "            selected = random.sample(study_folders, min(num_samples, len(study_folders)))\n",
+    "\n",
+    "            # ------------------------------------------------------------\n",
+    "            # 4. Для каждой выбранной папки показываем случайное изображение\n",
+    "            # ------------------------------------------------------------\n",
+    "            plt.figure(figsize=(15, 10))\n",
+    "            for i, folder in enumerate(selected):\n",
+    "                # Рекурсивно ищем все файлы в этой папке\n",
+    "                dicom_files = find_dicom_files(folder)\n",
+    "                if not dicom_files:\n",
+    "                    print(f\"В папке {folder} нет файлов, пропускаем.\")\n",
+    "                    continue\n",
+    "\n",
+    "                # Выбираем случайный файл\n",
+    "                chosen = random.choice(dicom_files)\n",
+    "\n",
+    "                try:\n",
+    "                    ds = pydicom.dcmread(chosen)\n",
+    "                    # Проверяем, есть ли массив пикселей\n",
+    "                    if not hasattr(ds, 'pixel_array'):\n",
+    "                        print(f\"Файл {chosen} не содержит изображения, пропускаем.\")\n",
+    "                        continue\n",
+    "\n",
+    "                    # Извлекаем метаданные для подписи\n",
+    "                    manufacturer = ds.get('Manufacturer', 'Unknown')\n",
+    "                    modality = ds.get('Modality', 'Unknown')\n",
+    "                    patient_id = ds.get('PatientID', 'Unknown')\n",
+    "                    study_desc = ds.get('StudyDescription', 'No description')\n",
+    "                    series_desc = ds.get('SeriesDescription', '')\n",
+    "\n",
+    "                    # Формируем подпись\n",
+    "                    title = (f\"{manufacturer}\\n\"\n",
+    "                             f\"Modality: {modality}\\n\"\n",
+    "                             f\"Patient: {patient_id}\\n\"\n",
+    "                             f\"Study: {study_desc[:30]}\\n\"\n",
+    "                             f\"Series: {series_desc[:20]}\\n\"\n",
+    "                             f\"File: {os.path.basename(chosen)}\")\n",
+    "\n",
+    "                    # Отображаем\n",
+    "                    plt.subplot(1, num_samples, i+1)\n",
+    "                    plt.imshow(ds.pixel_array, cmap='gray')\n",
+    "                    plt.title(title, fontsize=8)\n",
+    "                    plt.axis('off')\n",
+    "\n",
+    "                except Exception as e:\n",
+    "                    print(f\"Ошибка при обработке файла {chosen}: {e}\")\n",
+    "                    continue\n",
+    "\n",
+    "            plt.tight_layout()\n",
+    "            plt.show()"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "id": "8",
+   "metadata": {},
+   "outputs": [],
+   "source": []
+  }
+ ],
+ "metadata": {
+  "kernelspec": {
+   "display_name": "DataSphere Kernel",
+   "language": "python",
+   "name": "python3"
+  },
+  "language_info": {
+   "codemirror_mode": {
+    "name": "ipython",
+    "version": 3
+   },
+   "file_extension": ".py",
+   "mimetype": "text/x-python",
+   "name": "python",
+   "nbconvert_exporter": "python",
+   "pygments_lexer": "ipython3",
+   "version": "3.10.12"
+  }
+ },
+ "nbformat": 4,
+ "nbformat_minor": 5
+}

seminars/Тема 1.2/Т2.ipynb

@@ -0,0 +1,928 @@
+{
+ "cells": [
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "id": "0",
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "%pip install nibabel monai"
+   ]
+  },
+  {
+   "cell_type": "raw",
+   "id": "1",
+   "metadata": {},
+   "source": [
+    "Task09_Spleen (селезёнка) :\n",
+    "\n",
+    "Размер: всего ~1.5 ГБ (скачается быстро)\n",
+    "\n",
+    "Структура: простая бинарная сегментация (есть селезёнка / нет селезёнки)\n",
+    "\n",
+    "Количество файлов: 41 тренировочное + 20 тестовых изображений"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "id": "2",
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "# Task09_Spleen (рекомендую для начала) - 1.5 ГБ\n",
+    "!wget -O Task09_Spleen.tar 'https://msd-for-monai.s3-us-west-2.amazonaws.com/Task09_Spleen.tar'"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "id": "3",
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "import tarfile\n",
+    "import os\n",
+    "import nibabel as nib\n",
+    "import matplotlib.pyplot as plt\n",
+    "import numpy as np\n",
+    "\n",
+    "# Распаковка\n",
+    "with tarfile.open('Task09_Spleen.tar', 'r') as tar:\n",
+    "    tar.extractall()\n",
+    "\n",
+    "# Посмотрим содержимое\n",
+    "base_dir = 'Task09_Spleen'\n",
+    "print(\"Содержимое:\", os.listdir(base_dir))\n",
+    "# Ожидается: imagesTr (тренировочные изображения), labelsTr (маски), imagesTs (тестовые)"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "id": "4",
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "import os\n",
+    "\n",
+    "base_dir = 'Task09_Spleen'\n",
+    "print(\"Папки в датасете:\", os.listdir(base_dir))\n",
+    "# Ожидаем: ['imagesTr', 'labelsTr', 'imagesTs', 'dataset.json']"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "id": "5",
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "train_images = sorted(os.listdir(os.path.join(base_dir, 'imagesTr')))\n",
+    "train_labels = sorted(os.listdir(os.path.join(base_dir, 'labelsTr')))\n",
+    "\n",
+    "print(f\"Тренировочных изображений: {len(train_images)}\")\n",
+    "print(f\"Масок: {len(train_labels)}\")\n",
+    "print(f\"Пример имени файла изображения: {train_images[0]}\")\n",
+    "print(f\"Пример имени файла маски: {train_labels[0]}\")"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "id": "6",
+   "metadata": {
+    "tags": []
+   },
+   "outputs": [],
+   "source": [
+    "import os\n",
+    "import nibabel as nib\n",
+    "import matplotlib.pyplot as plt\n",
+    "import numpy as np\n",
+    "\n",
+    "base_dir = 'Task09_Spleen'\n",
+    "\n",
+    "# Получаем списки файлов, исключая служебные (начинающиеся с ._)\n",
+    "train_images = sorted([\n",
+    "    f for f in os.listdir(os.path.join(base_dir, 'imagesTr')) \n",
+    "    if not f.startswith('._') and f.endswith('.nii.gz')\n",
+    "])\n",
+    "train_labels = sorted([\n",
+    "    f for f in os.listdir(os.path.join(base_dir, 'labelsTr')) \n",
+    "    if not f.startswith('._') and f.endswith('.nii.gz')\n",
+    "])\n",
+    "\n",
+    "print(f\"Тренировочных изображений (реальных): {len(train_images)}\")\n",
+    "print(f\"Масок (реальных): {len(train_labels)}\")\n",
+    "print(f\"Пример имени файла изображения: {train_images[0]}\")\n",
+    "print(f\"Пример имени файла маски: {train_labels[0]}\")\n",
+    "\n",
+    "# Проверим, совпадают ли имена (в MSD они могут немного отличаться, например, у изображений может быть суффикс '_0000')\n",
+    "# Для простоты возьмём первый файл из изображений и попробуем найти соответствующую маску\n",
+    "# Обычно в Task09_Spleen имена совпадают (без суффиксов)"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "id": "7",
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "# Выбираем первый реальный файл изображения и соответствующую маску\n",
+    "# Предполагаем, что имена совпадают\n",
+    "img_name = train_images[0]\n",
+    "# Ищем маску с таким же именем (в Task09_Spleen они одинаковые)\n",
+    "mask_name = img_name  # если имена совпадают\n",
+    "\n",
+    "img_path = os.path.join(base_dir, 'imagesTr', img_name)\n",
+    "mask_path = os.path.join(base_dir, 'labelsTr', mask_name)\n",
+    "\n",
+    "# Загрузка\n",
+    "img_nii = nib.load(img_path)\n",
+    "mask_nii = nib.load(mask_path)\n",
+    "\n",
+    "img_data = img_nii.get_fdata()\n",
+    "mask_data = mask_nii.get_fdata()\n",
+    "\n",
+    "print(f\"Размер изображения: {img_data.shape}\")\n",
+    "print(f\"Уникальные значения в маске: {np.unique(mask_data)}\")  # должно быть [0., 1.] (фон и селезёнка)\n",
+    "\n",
+    "# Покажем несколько срезов\n",
+    "slices = np.linspace(0, img_data.shape[2]-1, 5, dtype=int)\n",
+    "\n",
+    "plt.figure(figsize=(15, 10))\n",
+    "for i, idx in enumerate(slices):\n",
+    "    plt.subplot(2, 5, i+1)\n",
+    "    plt.imshow(img_data[:, :, idx], cmap='gray')\n",
+    "    plt.title(f'Срез {idx}')\n",
+    "    plt.axis('off')\n",
+    "\n",
+    "    plt.subplot(2, 5, i+6)\n",
+    "    plt.imshow(mask_data[:, :, idx], cmap='hot', alpha=0.7)\n",
+    "    plt.imshow(img_data[:, :, idx], cmap='gray', alpha=0.3)\n",
+    "    plt.title(f'Маска срез {idx}')\n",
+    "    plt.axis('off')\n",
+    "plt.tight_layout()\n",
+    "plt.show()"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "id": "8",
+   "metadata": {
+    "tags": []
+   },
+   "outputs": [],
+   "source": [
+    "import os\n",
+    "import torch\n",
+    "import nibabel as nib\n",
+    "import numpy as np\n",
+    "from monai.networks.nets import UNet\n",
+    "from monai.losses import DiceCELoss\n",
+    "from monai.metrics import DiceMetric\n",
+    "from monai.inferers import sliding_window_inference\n",
+    "from monai.transforms import (\n",
+    "    Compose, LoadImaged, EnsureChannelFirstd, ScaleIntensityd,\n",
+    "    RandRotate90d, RandFlipd, RandShiftIntensityd, ToTensord,\n",
+    "    SpatialPadd\n",
+    ")\n",
+    "from monai.data import CacheDataset, DataLoader\n",
+    "\n",
+    "# --- 1. Подготовка данных ---\n",
+    "base_dir = 'Task09_Spleen'\n",
+    "images_dir = os.path.join(base_dir, 'imagesTr')\n",
+    "labels_dir = os.path.join(base_dir, 'labelsTr')\n",
+    "\n",
+    "train_images = sorted([os.path.join(images_dir, f) \n",
+    "                       for f in os.listdir(images_dir) \n",
+    "                       if f.endswith('.nii.gz') and not f.startswith('._')])\n",
+    "train_labels = sorted([os.path.join(labels_dir, f) \n",
+    "                       for f in os.listdir(labels_dir) \n",
+    "                       if f.endswith('.nii.gz') and not f.startswith('._')])\n",
+    "\n",
+    "assert len(train_images) == len(train_labels), \"Количество изображений и масок не совпадает\"\n",
+    "print(f\"Найдено пар изображение-маска: {len(train_images)}\")\n",
+    "\n",
+    "# --- 2. Определение максимального размера и округление до кратного 16 ---\n",
+    "print(\"Определяем максимальный размер по всем осям...\")\n",
+    "max_shape = [0, 0, 0]\n",
+    "for img_path in train_images:\n",
+    "    img = nib.load(img_path)\n",
+    "    shape = img.shape\n",
+    "    max_shape = [max(max_shape[i], shape[i]) for i in range(3)]\n",
+    "print(f\"Максимальный размер (H, W, D): {max_shape}\")\n",
+    "\n",
+    "# Округляем до ближайшего числа, кратного 16\n",
+    "aligned_shape = [((dim + 15) // 16) * 16 for dim in max_shape]\n",
+    "print(f\"Размер после выравнивания (кратно 16): {aligned_shape}\")\n",
+    "\n",
+    "# --- 3. Создание словарей данных и разбиение на train/val ---\n",
+    "data_dicts = [{\"image\": img, \"label\": lbl} for img, lbl in zip(train_images, train_labels)]\n",
+    "split_idx = int(0.8 * len(data_dicts))\n",
+    "train_dicts = data_dicts[:split_idx]\n",
+    "val_dicts = data_dicts[split_idx:]\n",
+    "print(f\"Тренировочных: {len(train_dicts)}, Валидационных: {len(val_dicts)}\")\n",
+    "\n",
+    "# --- 4. Трансформы (используем aligned_shape) ---\n",
+    "train_transforms = Compose([\n",
+    "    LoadImaged(keys=[\"image\", \"label\"]),\n",
+    "    EnsureChannelFirstd(keys=[\"image\", \"label\"]),\n",
+    "    ScaleIntensityd(keys=[\"image\"]),\n",
+    "    SpatialPadd(keys=[\"image\", \"label\"], spatial_size=aligned_shape, method=\"symmetric\"),\n",
+    "    RandRotate90d(keys=[\"image\", \"label\"], prob=0.5, spatial_axes=(0, 1)),\n",
+    "    RandFlipd(keys=[\"image\", \"label\"], prob=0.5, spatial_axis=0),\n",
+    "    RandShiftIntensityd(keys=[\"image\"], offsets=0.1, prob=0.5),\n",
+    "    ToTensord(keys=[\"image\", \"label\"])\n",
+    "])\n",
+    "\n",
+    "val_transforms = Compose([\n",
+    "    LoadImaged(keys=[\"image\", \"label\"]),\n",
+    "    EnsureChannelFirstd(keys=[\"image\", \"label\"]),\n",
+    "    ScaleIntensityd(keys=[\"image\"]),\n",
+    "    SpatialPadd(keys=[\"image\", \"label\"], spatial_size=aligned_shape, method=\"symmetric\"),\n",
+    "    ToTensord(keys=[\"image\", \"label\"])\n",
+    "])\n",
+    "\n",
+    "# --- 5. Датасеты и загрузчики ---\n",
+    "train_ds = CacheDataset(data=train_dicts, transform=train_transforms, cache_rate=0.5)\n",
+    "val_ds = CacheDataset(data=val_dicts, transform=val_transforms, cache_rate=0.5)\n",
+    "\n",
+    "batch_size = 2\n",
+    "train_loader = DataLoader(train_ds, batch_size=batch_size, shuffle=True, num_workers=2)\n",
+    "val_loader = DataLoader(val_ds, batch_size=batch_size, shuffle=False, num_workers=2)\n",
+    "\n",
+    "# --- 6. Модель, функция потерь, оптимизатор ---\n",
+    "device = torch.device(\"cuda\" if torch.cuda.is_available() else \"cpu\")\n",
+    "print(f\"Используется устройство: {device}\")\n",
+    "\n",
+    "model = UNet(\n",
+    "    spatial_dims=3,\n",
+    "    in_channels=1,\n",
+    "    out_channels=2,\n",
+    "    channels=(16, 32, 64, 128, 256),\n",
+    "    strides=(2, 2, 2, 2),\n",
+    "    num_res_units=2,\n",
+    ").to(device)\n",
+    "\n",
+    "loss_function = DiceCELoss(to_onehot_y=True, softmax=True)\n",
+    "optimizer = torch.optim.Adam(model.parameters(), lr=1e-4)\n",
+    "dice_metric = DiceMetric(include_background=False, reduction=\"mean\")\n",
+    "\n",
+    "roi_size = (96, 96, 96)\n",
+    "sw_batch_size = 4\n",
+    "\n",
+    "# --- 7. Цикл обучения ---\n",
+    "max_epochs = 50\n",
+    "val_interval = 2\n",
+    "best_metric = -1\n",
+    "best_metric_epoch = -1\n",
+    "\n",
+    "for epoch in range(max_epochs):\n",
+    "    print(f\"Эпоха {epoch+1}/{max_epochs}\")\n",
+    "    model.train()\n",
+    "    epoch_loss = 0\n",
+    "    step = 0\n",
+    "    for batch_data in train_loader:\n",
+    "        inputs, labels = batch_data[\"image\"].to(device), batch_data[\"label\"].to(device)\n",
+    "        optimizer.zero_grad()\n",
+    "        outputs = model(inputs)\n",
+    "        loss = loss_function(outputs, labels)\n",
+    "        loss.backward()\n",
+    "        optimizer.step()\n",
+    "        epoch_loss += loss.item()\n",
+    "        step += 1\n",
+    "    \n",
+    "    epoch_loss /= step\n",
+    "    print(f\"  Средняя потеря: {epoch_loss:.4f}\")\n",
+    "\n",
+    "    if (epoch + 1) % val_interval == 0:\n",
+    "        model.eval()\n",
+    "        with torch.no_grad():\n",
+    "            for val_data in val_loader:\n",
+    "                val_inputs, val_labels = val_data[\"image\"].to(device), val_data[\"label\"].to(device)\n",
+    "                val_pred = sliding_window_inference(\n",
+    "                    val_inputs, roi_size, sw_batch_size, model, overlap=0.5\n",
+    "                )\n",
+    "                dice_metric(y_pred=val_pred, y=val_labels)\n",
+    "            metric = dice_metric.aggregate().item()\n",
+    "            dice_metric.reset()\n",
+    "            print(f\"  Dice на валидации: {metric:.4f}\")\n",
+    "            if metric > best_metric:\n",
+    "                best_metric = metric\n",
+    "                best_metric_epoch = epoch + 1\n",
+    "                torch.save(model.state_dict(), \"best_spleen_model.pth\")\n",
+    "                print(\"  ✅ Модель сохранена\")\n",
+    "\n",
+    "print(f\"🎉 Лучший Dice: {best_metric:.4f} на эпохе {best_metric_epoch}\")"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "id": "9",
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "import torch\n",
+    "from monai.networks.nets import UNet\n",
+    "\n",
+    "device = torch.device(\"cuda\" if torch.cuda.is_available() else \"cpu\")\n",
+    "\n",
+    "# Создаём архитектуру (те же параметры, что и при обучении)\n",
+    "model = UNet(\n",
+    "    spatial_dims=3,\n",
+    "    in_channels=1,\n",
+    "    out_channels=2,\n",
+    "    channels=(16, 32, 64, 128, 256),\n",
+    "    strides=(2, 2, 2, 2),\n",
+    "    num_res_units=2,\n",
+    ").to(device)\n",
+    "\n",
+    "# Загружаем веса\n",
+    "checkpoint = torch.load(\"best_spleen_model.pth\", map_location=device)\n",
+    "model.load_state_dict(checkpoint)\n",
+    "model.eval()\n",
+    "print(\"✅ Модель загружена и готова к инференсу.\")"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "id": "10",
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "from monai.transforms import Compose, LoadImage, EnsureChannelFirst, ScaleIntensity, SpatialPad, ToTensor\n",
+    "import matplotlib.pyplot as plt\n",
+    "import numpy as np\n",
+    "\n",
+    "# Параметры (те же, что использовались при обучении)\n",
+    "target_shape = [512, 512, 176]  # выровненный размер\n",
+    "\n",
+    "# Трансформы для инференса\n",
+    "infer_transform = Compose([\n",
+    "    LoadImage(image_only=True),\n",
+    "    EnsureChannelFirst(),\n",
+    "    ScaleIntensity(),\n",
+    "    SpatialPad(spatial_size=target_shape, method=\"symmetric\"),\n",
+    "    ToTensor()\n",
+    "])\n",
+    "\n",
+    "# Выберите тестовый файл (например, первый из imagesTs)\n",
+    "import os\n",
+    "test_dir = 'Task09_Spleen/imagesTs'\n",
+    "if os.path.exists(test_dir):\n",
+    "    test_files = [f for f in os.listdir(test_dir) if f.endswith('.nii.gz') and not f.startswith('._')]\n",
+    "    if test_files:\n",
+    "        test_path = os.path.join(test_dir, test_files[0])\n",
+    "    else:\n",
+    "        # Если нет тестовых, возьмём валидационный из тренировочных (например, 35-й)\n",
+    "        train_dir = 'Task09_Spleen/imagesTr'\n",
+    "        train_files = [f for f in os.listdir(train_dir) if f.endswith('.nii.gz') and not f.startswith('._')]\n",
+    "        test_path = os.path.join(train_dir, train_files[-5])  # последний файл\n",
+    "else:\n",
+    "    train_dir = 'Task09_Spleen/imagesTr'\n",
+    "    train_files = [f for f in os.listdir(train_dir) if f.endswith('.nii.gz') and not f.startswith('._')]\n",
+    "    test_path = os.path.join(train_dir, train_files[-5])\n",
+    "\n",
+    "print(f\"Тестовый файл: {test_path}\")\n",
+    "\n",
+    "# Применяем трансформации и добавляем batch dimension\n",
+    "input_tensor = infer_transform(test_path).unsqueeze(0).to(device)  # [1,1,H,W,D]"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "id": "11",
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "from monai.inferers import sliding_window_inference\n",
+    "\n",
+    "roi_size = (96, 96, 96)   # размер окна (можно подобрать)\n",
+    "sw_batch_size = 4\n",
+    "\n",
+    "with torch.no_grad():\n",
+    "    # Прямой проход (если изображение целиком влезает, можно использовать model(input_tensor))\n",
+    "    # Но для 3D лучше sliding window:\n",
+    "    pred_logits = sliding_window_inference(\n",
+    "        input_tensor, roi_size, sw_batch_size, model, overlap=0.5\n",
+    "    )\n",
+    "    pred_mask = torch.argmax(pred_logits, dim=1).cpu().numpy()[0]  # [H,W,D]\n",
+    "\n",
+    "print(\"Предсказание выполнено.\")\n",
+    "print(f\"Уникальные значения в маске: {np.unique(pred_mask)}\")  # должно быть [0,1]"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "id": "12",
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "# Загружаем оригинальное изображение (без трансформаций)\n",
+    "import nibabel as nib\n",
+    "orig_img_nii = nib.load(test_path)\n",
+    "orig_img = orig_img_nii.get_fdata()  # [H,W,D] исходный размер\n",
+    "\n",
+    "# Размеры\n",
+    "H, W, D = orig_img.shape\n",
+    "print(f\"Исходный размер: {orig_img.shape}\")\n",
+    "\n",
+    "# Обрежем предсказанную маску до исходного размера (если нужно)\n",
+    "pred_mask_cropped = pred_mask[:H, :W, :D]\n",
+    "\n",
+    "# Выберем несколько срезов по оси Z\n",
+    "slices = np.linspace(0, D-1, 5, dtype=int)\n",
+    "\n",
+    "plt.figure(figsize=(15, 10))\n",
+    "for i, idx in enumerate(slices):\n",
+    "    plt.subplot(2, 5, i+1)\n",
+    "    plt.imshow(orig_img[:, :, idx], cmap='gray')\n",
+    "    plt.title(f'Срез {idx}')\n",
+    "    plt.axis('off')\n",
+    "\n",
+    "    plt.subplot(2, 5, i+6)\n",
+    "    plt.imshow(pred_mask_cropped[:, :, idx], cmap='hot', alpha=0.7)\n",
+    "    plt.imshow(orig_img[:, :, idx], cmap='gray', alpha=0.3)\n",
+    "    plt.title(f'Маска срез {idx}')\n",
+    "    plt.axis('off')\n",
+    "plt.tight_layout()\n",
+    "plt.show()"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "id": "13",
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "import torch\n",
+    "import numpy as np\n",
+    "from monai.networks.nets import UNet\n",
+    "from monai.transforms import Compose, LoadImage, EnsureChannelFirst, ScaleIntensity, SpatialPad, ToTensor\n",
+    "from monai.inferers import sliding_window_inference\n",
+    "from monai.metrics import DiceMetric, HausdorffDistanceMetric\n",
+    "import os\n",
+    "import nibabel as nib\n",
+    "\n",
+    "# 1. Загружаем модель (как вы уже сделали)\n",
+    "device = torch.device(\"cuda\" if torch.cuda.is_available() else \"cpu\")\n",
+    "model = UNet(\n",
+    "    spatial_dims=3,\n",
+    "    in_channels=1,\n",
+    "    out_channels=2,\n",
+    "    channels=(16, 32, 64, 128, 256),\n",
+    "    strides=(2, 2, 2, 2),\n",
+    "    num_res_units=2,\n",
+    ").to(device)\n",
+    "checkpoint = torch.load(\"best_spleen_model.pth\", map_location=device)\n",
+    "model.load_state_dict(checkpoint)\n",
+    "model.eval()\n",
+    "\n",
+    "# 2. Параметры (те же, что при обучении)\n",
+    "target_shape = [512, 512, 176]  # выровненный размер\n",
+    "roi_size = (96, 96, 96)\n",
+    "sw_batch_size = 4\n",
+    "\n",
+    "# Трансформы для инференса\n",
+    "infer_transform = Compose([\n",
+    "    LoadImage(image_only=True),\n",
+    "    EnsureChannelFirst(),\n",
+    "    ScaleIntensity(),\n",
+    "    SpatialPad(spatial_size=target_shape, method=\"symmetric\"),\n",
+    "    ToTensor()\n",
+    "])\n",
+    "\n",
+    "# 3. Собираем все валидационные пары (изображение + маска)\n",
+    "base_dir = 'Task09_Spleen'\n",
+    "val_images = sorted([os.path.join(base_dir, 'imagesTr', f) \n",
+    "                     for f in os.listdir(os.path.join(base_dir, 'imagesTr')) \n",
+    "                     if f.endswith('.nii.gz') and not f.startswith('._')])\n",
+    "val_labels = sorted([os.path.join(base_dir, 'labelsTr', f) \n",
+    "                     for f in os.listdir(os.path.join(base_dir, 'labelsTr')) \n",
+    "                     if f.endswith('.nii.gz') and not f.startswith('._')])\n",
+    "\n",
+    "# Предположим, что последние 9 файлов были валидационными (как в вашем разбиении)\n",
+    "val_images = val_images[-9:]\n",
+    "val_labels = val_labels[-9:]\n",
+    "\n",
+    "print(f\"Валидационных образцов: {len(val_images)}\")\n",
+    "\n",
+    "# 4. Метрики\n",
+    "dice_metric = DiceMetric(include_background=False, reduction=\"mean\")\n",
+    "hausdorff_metric = HausdorffDistanceMetric(include_background=False, percentile=95)\n",
+    "\n",
+    "# 5. Цикл по всем валидационным образцам\n",
+    "all_dice = []\n",
+    "all_hd95 = []\n",
+    "\n",
+    "with torch.no_grad():\n",
+    "    for img_path, mask_path in zip(val_images, val_labels):\n",
+    "        # Подготовка изображения\n",
+    "        input_tensor = infer_transform(img_path).unsqueeze(0).to(device)\n",
+    "        \n",
+    "        # Предсказание\n",
+    "        pred_logits = sliding_window_inference(\n",
+    "            input_tensor, roi_size, sw_batch_size, model, overlap=0.5\n",
+    "        )\n",
+    "        pred_mask = torch.argmax(pred_logits, dim=1).cpu().numpy()[0]  # [H,W,D]\n",
+    "        \n",
+    "        # Загрузка истинной маски (без паддинга)\n",
+    "        true_mask_nii = nib.load(mask_path)\n",
+    "        true_mask = true_mask_nii.get_fdata()\n",
+    "        \n",
+    "        # Обрезаем предсказание до исходного размера\n",
+    "        H, W, D = true_mask.shape\n",
+    "        pred_mask_cropped = pred_mask[:H, :W, :D]\n",
+    "        \n",
+    "        # Преобразуем в тензоры для MONAI метрик\n",
+    "        pred_tensor = torch.from_numpy(pred_mask_cropped).unsqueeze(0).unsqueeze(0).long()  # [1,1,H,W,D]\n",
+    "        true_tensor = torch.from_numpy(true_mask).unsqueeze(0).unsqueeze(0).long()\n",
+    "        \n",
+    "        # Вычисляем Dice\n",
+    "        dice = dice_metric(pred_tensor, true_tensor)\n",
+    "        all_dice.append(dice.item())\n",
+    "        \n",
+    "        # Вычисляем Hausdorff Distance 95%\n",
+    "        hd = hausdorff_metric(pred_tensor, true_tensor)\n",
+    "        all_hd95.append(hd.item())\n",
+    "        \n",
+    "        print(f\"Файл: {os.path.basename(img_path)} -> Dice: {dice.item():.4f}, HD95: {hd.item():.2f} мм\")\n",
+    "\n",
+    "# 6. Итоговая статистика\n",
+    "print(\"\\n\" + \"=\"*40)\n",
+    "print(f\"Средний Dice по валидации: {np.mean(all_dice):.4f} ± {np.std(all_dice):.4f}\")\n",
+    "print(f\"Средний HD95 по валидации: {np.mean(all_hd95):.2f} ± {np.std(all_hd95):.2f} мм\")\n",
+    "print(\"=\"*40)"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "id": "14",
+   "metadata": {
+    "tags": []
+   },
+   "outputs": [],
+   "source": [
+    "import torch\n",
+    "import numpy as np\n",
+    "import matplotlib.pyplot as plt\n",
+    "from monai.networks.nets import UNet\n",
+    "from monai.transforms import Compose, LoadImage, EnsureChannelFirst, ScaleIntensity, SpatialPad, ToTensor\n",
+    "from monai.inferers import sliding_window_inference\n",
+    "import nibabel as nib\n",
+    "import os\n",
+    "\n",
+    "# --- 1. Загрузка модели ---\n",
+    "device = torch.device(\"cuda\" if torch.cuda.is_available() else \"cpu\")\n",
+    "model = UNet(\n",
+    "    spatial_dims=3,\n",
+    "    in_channels=1,\n",
+    "    out_channels=2,\n",
+    "    channels=(16, 32, 64, 128, 256),\n",
+    "    strides=(2, 2, 2, 2),\n",
+    "    num_res_units=2,\n",
+    ").to(device)\n",
+    "checkpoint = torch.load(\"best_spleen_model.pth\", map_location=device)\n",
+    "model.load_state_dict(checkpoint)\n",
+    "model.eval()\n",
+    "print(\"✅ Модель загружена\")\n",
+    "\n",
+    "# --- 2. Вывод структуры model.model для выбора целевого слоя ---\n",
+    "print(\"\\nСтруктура model.model:\")\n",
+    "for idx, module in enumerate(model.model):\n",
+    "    print(f\"[{idx}]: {module.__class__.__name__}\")\n",
+    "\n",
+    "# --- 3. Выбор целевого слоя ---\n",
+    "# Обычно для Grad‑CAM берут последний сверточный слой энкодера.\n",
+    "# В U‑Net от MONAI энкодер состоит из блоков `Down`.\n",
+    "# Выберите индекс блока, который вы хотите использовать (например, последний Down перед bottleneck).\n",
+    "# Попробуйте индекс 2 или 3, если они есть.\n",
+    "# В вашем случае, возможно, подойдёт индекс 2.\n",
+    "# Если не уверены, начните с последнего Down блока.\n",
+    "target_layer_idx = 2  # Попробуйте изменить на 2 или 3, в зависимости от вывода выше\n",
+    "target_layer = model.model[target_layer_idx]\n",
+    "print(f\"\\nВыбран целевой слой: model.model[{target_layer_idx}] -> {target_layer.__class__.__name__}\")\n",
+    "\n",
+    "# --- 4. Класс Grad-CAM ---\n",
+    "class GradCAM:\n",
+    "    def __init__(self, model, target_layer):\n",
+    "        self.model = model\n",
+    "        self.target_layer = target_layer\n",
+    "        self.gradients = None\n",
+    "        self.activations = None\n",
+    "        \n",
+    "        target_layer.register_forward_hook(self.save_activation)\n",
+    "        target_layer.register_full_backward_hook(self.save_gradient)  # обратите внимание на register_full_backward_hook\n",
+    "    \n",
+    "    def save_activation(self, module, input, output):\n",
+    "        self.activations = output.detach()\n",
+    "    \n",
+    "    def save_gradient(self, module, grad_input, grad_output):\n",
+    "        self.gradients = grad_output[0].detach()\n",
+    "    \n",
+    "    def generate_cam(self, input_tensor, target_class=1):\n",
+    "        self.model.zero_grad()\n",
+    "        output = self.model(input_tensor)\n",
+    "        \n",
+    "        target = output[:, target_class].sum()\n",
+    "        target.backward()\n",
+    "        \n",
+    "        weights = torch.mean(self.gradients, dim=(2, 3, 4), keepdim=True)\n",
+    "        cam = torch.sum(weights * self.activations, dim=1, keepdim=True)\n",
+    "        cam = torch.relu(cam)\n",
+    "        cam = cam / (cam.max() + 1e-8)\n",
+    "        return cam.squeeze().cpu().numpy()\n",
+    "\n",
+    "# --- 5. Подготовка тестового изображения ---\n",
+    "test_dir = 'Task09_Spleen/imagesTs'\n",
+    "if os.path.exists(test_dir):\n",
+    "    test_files = [f for f in os.listdir(test_dir) if f.endswith('.nii.gz') and not f.startswith('._')]\n",
+    "    if test_files:\n",
+    "        test_path = os.path.join(test_dir, test_files[0])\n",
+    "    else:\n",
+    "        train_dir = 'Task09_Spleen/imagesTr'\n",
+    "        train_files = [f for f in os.listdir(train_dir) if f.endswith('.nii.gz') and not f.startswith('._')]\n",
+    "        test_path = os.path.join(train_dir, train_files[-5])\n",
+    "else:\n",
+    "    train_dir = 'Task09_Spleen/imagesTr'\n",
+    "    train_files = [f for f in os.listdir(train_dir) if f.endswith('.nii.gz') and not f.startswith('._')]\n",
+    "    test_path = os.path.join(train_dir, train_files[-5])\n",
+    "\n",
+    "print(f\"\\nТестовый файл: {test_path}\")\n",
+    "\n",
+    "target_shape = [512, 512, 176]\n",
+    "infer_transform = Compose([\n",
+    "    LoadImage(image_only=True),\n",
+    "    EnsureChannelFirst(),\n",
+    "    ScaleIntensity(),\n",
+    "    SpatialPad(spatial_size=target_shape, method=\"symmetric\"),\n",
+    "    ToTensor()\n",
+    "])\n",
+    "\n",
+    "input_tensor = infer_transform(test_path).unsqueeze(0).to(device)\n",
+    "\n",
+    "# --- 6. Получение Grad-CAM ---\n",
+    "grad_cam = GradCAM(model, target_layer)\n",
+    "cam_3d = grad_cam.generate_cam(input_tensor, target_class=1)\n",
+    "\n",
+    "# --- 7. Визуализация ---\n",
+    "orig_img = nib.load(test_path).get_fdata()\n",
+    "H, W, D = orig_img.shape\n",
+    "\n",
+    "slices = np.linspace(0, D-1, 5, dtype=int)\n",
+    "\n",
+    "plt.figure(figsize=(15, 10))\n",
+    "for i, idx in enumerate(slices):\n",
+    "    cam_slice = cam_3d[:H, :W, idx]\n",
+    "    \n",
+    "    plt.subplot(2, 5, i+1)\n",
+    "    plt.imshow(orig_img[:, :, idx], cmap='gray')\n",
+    "    plt.title(f'Срез {idx}')\n",
+    "    plt.axis('off')\n",
+    "    \n",
+    "    plt.subplot(2, 5, i+6)\n",
+    "    plt.imshow(orig_img[:, :, idx], cmap='gray', alpha=0.5)\n",
+    "    plt.imshow(cam_slice, cmap='jet', alpha=0.5, interpolation='bilinear')\n",
+    "    plt.title(f'Grad-CAM срез {idx}')\n",
+    "    plt.axis('off')\n",
+    "plt.tight_layout()\n",
+    "plt.show()"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "id": "15",
+   "metadata": {
+    "tags": []
+   },
+   "outputs": [],
+   "source": [
+    "import torch\n",
+    "import numpy as np\n",
+    "import matplotlib.pyplot as plt\n",
+    "from monai.networks.nets import UNet\n",
+    "from monai.transforms import Compose, LoadImage, EnsureChannelFirst, ScaleIntensity, SpatialPad, ToTensor\n",
+    "import nibabel as nib\n",
+    "import os\n",
+    "\n",
+    "# --- 1. Загрузка модели ---\n",
+    "device = torch.device(\"cuda\" if torch.cuda.is_available() else \"cpu\")\n",
+    "model = UNet(\n",
+    "    spatial_dims=3,\n",
+    "    in_channels=1,\n",
+    "    out_channels=2,\n",
+    "    channels=(16, 32, 64, 128, 256),\n",
+    "    strides=(2, 2, 2, 2),\n",
+    "    num_res_units=2,\n",
+    ").to(device)\n",
+    "checkpoint = torch.load(\"best_spleen_model.pth\", map_location=device)\n",
+    "model.load_state_dict(checkpoint)\n",
+    "model.eval()\n",
+    "print(\"✅ Модель загружена\")\n",
+    "\n",
+    "# --- 2. Вывод структуры model.model ---\n",
+    "print(\"\\n📋 Доступные слои в model.model:\")\n",
+    "for idx, module in enumerate(model.model):\n",
+    "    print(f\"  [{idx}]: {module.__class__.__name__}\")\n",
+    "\n",
+    "# --- 3. Класс Grad-CAM ---\n",
+    "class GradCAM:\n",
+    "    def __init__(self, model, target_layer):\n",
+    "        self.model = model\n",
+    "        self.target_layer = target_layer\n",
+    "        self.gradients = None\n",
+    "        self.activations = None\n",
+    "        \n",
+    "        target_layer.register_forward_hook(self.save_activation)\n",
+    "        target_layer.register_full_backward_hook(self.save_gradient)\n",
+    "    \n",
+    "    def save_activation(self, module, input, output):\n",
+    "        self.activations = output.detach()\n",
+    "    \n",
+    "    def save_gradient(self, module, grad_input, grad_output):\n",
+    "        self.gradients = grad_output[0].detach()\n",
+    "    \n",
+    "    def generate_cam(self, input_tensor, target_class=1):\n",
+    "        self.model.zero_grad()\n",
+    "        output = self.model(input_tensor)\n",
+    "        \n",
+    "        target = output[:, target_class].sum()\n",
+    "        target.backward()\n",
+    "        \n",
+    "        weights = torch.mean(self.gradients, dim=(2, 3, 4), keepdim=True)\n",
+    "        cam = torch.sum(weights * self.activations, dim=1, keepdim=True)\n",
+    "        cam = torch.relu(cam)\n",
+    "        cam = cam / (cam.max() + 1e-8)\n",
+    "        return cam.squeeze().cpu().numpy()  # [H, W, D]\n",
+    "\n",
+    "# --- 4. Подготовка тестовых данных ---\n",
+    "base_dir = 'Task09_Spleen'\n",
+    "img_dir = os.path.join(base_dir, 'imagesTr')  # используем тренировочные, если нет test\n",
+    "label_dir = os.path.join(base_dir, 'labelsTr')\n",
+    "\n",
+    "# Получаем списки файлов\n",
+    "img_files = sorted([f for f in os.listdir(img_dir) if f.endswith('.nii.gz') and not f.startswith('._')])\n",
+    "label_files = sorted([f for f in os.listdir(label_dir) if f.endswith('.nii.gz') and not f.startswith('._')])\n",
+    "\n",
+    "print(f\"\\n📂 Найдено изображений: {len(img_files)}, масок: {len(label_files)}\")\n",
+    "\n",
+    "# Создаём словарь соответствий: имя маски (без пути) -> полный путь\n",
+    "label_dict = {os.path.basename(f): os.path.join(label_dir, f) for f in label_files}\n",
+    "\n",
+    "# Выбираем файл изображения (например, 10-й)\n",
+    "idx_file = 10  # можно изменить\n",
+    "img_filename = img_files[idx_file]\n",
+    "img_path = os.path.join(img_dir, img_filename)\n",
+    "\n",
+    "# Ищем соответствующую маску: возможно, имя совпадает или отличается суффиксом\n",
+    "mask_path = None\n",
+    "if img_filename in label_dict:\n",
+    "    mask_path = label_dict[img_filename]\n",
+    "else:\n",
+    "    # Попробуем убрать суффикс _0000, если он есть\n",
+    "    base_name = img_filename.replace('_0000.nii.gz', '.nii.gz')\n",
+    "    if base_name in label_dict:\n",
+    "        mask_path = label_dict[base_name]\n",
+    "\n",
+    "if mask_path is None:\n",
+    "    print(f\"❌ Маска для {img_filename} не найдена. Будет показано только КТ.\")\n",
+    "    has_mask = False\n",
+    "else:\n",
+    "    has_mask = True\n",
+    "    print(f\"✅ Найдена маска: {mask_path}\")\n",
+    "\n",
+    "print(f\"📂 Тестовое изображение: {img_path}\")\n",
+    "\n",
+    "# --- 5. Трансформации для инференса ---\n",
+    "target_shape = [512, 512, 176]  # выровненный размер\n",
+    "infer_transform = Compose([\n",
+    "    LoadImage(image_only=True),\n",
+    "    EnsureChannelFirst(),\n",
+    "    ScaleIntensity(),\n",
+    "    SpatialPad(spatial_size=target_shape, method=\"symmetric\"),\n",
+    "    ToTensor()\n",
+    "])\n",
+    "\n",
+    "input_tensor = infer_transform(img_path).unsqueeze(0).to(device)\n",
+    "\n",
+    "# Если есть маска, загрузим её (без паддинга)\n",
+    "if has_mask:\n",
+    "    true_nii = nib.load(mask_path)\n",
+    "    true_mask = true_nii.get_fdata()  # [H, W, D]\n",
+    "    H, W, D = true_mask.shape\n",
+    "else:\n",
+    "    # Если маски нет, используем размеры изображения (после паддинга мы не знаем исходный размер, поэтому загрузим оригинал)\n",
+    "    orig_nii = nib.load(img_path)\n",
+    "    orig_img = orig_nii.get_fdata()\n",
+    "    H, W, D = orig_img.shape\n",
+    "\n",
+    "# --- 6. Выбор слоёв для Grad-CAM ---\n",
+    "# Запрашиваем у пользователя индексы через ввод (в Jupyter можно использовать input)\n",
+    "print(\"\\n🔍 Введите индексы слоёв для анализа через пробел (например: 2 3 4):\")\n",
+    "user_input = input(\"Индексы: \").strip()\n",
+    "if user_input:\n",
+    "    layer_indices = [int(x) for x in user_input.split()]\n",
+    "else:\n",
+    "    # Если ничего не введено, используем последний слой\n",
+    "    layer_indices = [len(model.model) - 1]\n",
+    "    print(f\"   Используется последний слой: {layer_indices[0]}\")\n",
+    "\n",
+    "# Проверяем, что индексы в допустимом диапазоне\n",
+    "max_idx = len(model.model) - 1\n",
+    "layer_indices = [idx for idx in layer_indices if 0 <= idx <= max_idx]\n",
+    "if not layer_indices:\n",
+    "    raise ValueError(f\"Нет допустимых индексов. Доступны 0..{max_idx}\")\n",
+    "\n",
+    "print(f\"\\n🔍 Выбранные слои: {layer_indices}\")\n",
+    "\n",
+    "cam_maps = {}\n",
+    "for idx in layer_indices:\n",
+    "    target_layer = model.model[idx]\n",
+    "    grad_cam = GradCAM(model, target_layer)\n",
+    "    cam = grad_cam.generate_cam(input_tensor, target_class=1)\n",
+    "    cam_maps[idx] = cam\n",
+    "    print(f\"  Слой {idx} ({target_layer.__class__.__name__}) – карта получена\")\n",
+    "\n",
+    "# --- 7. Визуализация ---\n",
+    "# Выбираем несколько равномерно распределённых срезов по оси Z\n",
+    "num_slices = 5\n",
+    "slices = np.linspace(0, D-1, num_slices, dtype=int)\n",
+    "\n",
+    "# Если есть маска, визуализируем её контуром, иначе только КТ + Grad-CAM\n",
+    "plt.figure(figsize=(4*num_slices, 4*len(layer_indices)))\n",
+    "\n",
+    "for i, layer_idx in enumerate(layer_indices):\n",
+    "    cam_full = cam_maps[layer_idx]  # [H_pad, W_pad, D_pad]\n",
+    "    for j, slice_idx in enumerate(slices):\n",
+    "        # Обрезаем карту до исходного размера\n",
+    "        cam_slice = cam_full[:H, :W, slice_idx]\n",
+    "        \n",
+    "        # Загружаем срез КТ (можно из оригинального файла, но проще из уже загруженного)\n",
+    "        # Для КТ используем orig_img (если нет маски, мы его уже загрузили)\n",
+    "        if has_mask:\n",
+    "            img_slice = true_nii.dataobj[:, :, slice_idx].T  # может потребоваться транспонирование\n",
+    "        else:\n",
+    "            img_slice = orig_img[:, :, slice_idx].T\n",
+    "        \n",
+    "        # Позиция в подграфике\n",
+    "        plt.subplot(len(layer_indices), num_slices, i*num_slices + j + 1)\n",
+    "        \n",
+    "        # Показываем КТ подложкой\n",
+    "        plt.imshow(img_slice, cmap='gray')\n",
+    "        # Накладываем Grad-CAM\n",
+    "        plt.imshow(cam_slice, cmap='jet', alpha=0.4, interpolation='bilinear')\n",
+    "        \n",
+    "        # Если есть маска, добавляем её контур\n",
+    "        if has_mask:\n",
+    "            mask_slice = true_mask[:, :, slice_idx]\n",
+    "            plt.contour(mask_slice, colors='white', linewidths=0.5, alpha=0.8)\n",
+    "        \n",
+    "        plt.title(f'Слой {layer_idx}, срез {slice_idx}')\n",
+    "        plt.axis('off')\n",
+    "plt.tight_layout()\n",
+    "plt.show()"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "id": "16",
+   "metadata": {},
+   "outputs": [],
+   "source": []
+  }
+ ],
+ "metadata": {
+  "kernelspec": {
+   "display_name": "DataSphere Kernel",
+   "language": "python",
+   "name": "python3"
+  },
+  "language_info": {
+   "codemirror_mode": {
+    "name": "ipython",
+    "version": 3
+   },
+   "file_extension": ".py",
+   "mimetype": "text/x-python",
+   "name": "python",
+   "nbconvert_exporter": "python",
+   "pygments_lexer": "ipython3",
+   "version": "3.10.12"
+  }
+ },
+ "nbformat": 4,
+ "nbformat_minor": 5
+}

seminars/Тема 2.1/requirements_3d.txt

@@ -0,0 +1,23 @@
+# =============================================================================
+# Зависимости для 3D радиомики
+# =============================================================================
+
+# Основные
+numpy>=1.23.0
+pandas>=1.5.0
+scipy>=1.10.0
+
+# Работа с медицинскими изображениями
+nibabel>=5.2.0
+SimpleITK>=2.3.0
+pyradiomics>=3.0.0
+
+# Визуализация и анализ
+matplotlib>=3.6.0
+seaborn>=0.12.0
+scikit-learn>=1.2.0
+openpyxl>=3.1.0
+
+# Утилиты
+tqdm>=4.66.0
+joblib>=1.4.0