Скрининг пневмонии по рентгеновским снимкам

Система вспомогательной диагностики пневмонии на основе анализа рентгенограмм грудной клетки. Классифицирует снимок на три класса: бактериальная пневмония, вирусная пневмония, отсутствие пневмонии. Результаты носят ориентировочный характер и не заменяют врачебный осмотр.

Оглавление

• Возможности
• Архитектура
• Технологический стек
• Требования
• Установка и запуск
• Конфигурация
• Структура проекта
• Разработка
• Участие в разработке
• Благодарности
• Лицензия

Возможности

• Регистрация и вход в личный кабинет
• Загрузка рентгеновского снимка (JPG, PNG и др.)
• Анализ нейросетью на три класса: бактериальная пневмония, вирусная пневмония, отсутствие пневмонии
• Отображение результата и оценки уверенности модели
• Два режима интерфейса: для пациентов и для специалистов
• Единая точка входа через nginx, все сервисы скрыты внутри Docker-сети

Архитектура

┌─────────────┐     ┌─────────────┐     ┌─────────────┐
│   Браузер   │────▶│   nginx     │────▶│   backend   │
│  localhost  │     │  порт 90    │     │  FastAPI    │
└─────────────┘     └─────────────┘     └──────┬──────┘
                                    ┌────────┼────────┐
                                    ▼                 ▼
                            ┌───────────────┐ ┌───────────────┐
                            │  PostgreSQL   │ │   ML-сервис   │
                            │   postgres    │ │ PyTorch ResNet│
                            └───────────────┘ └───────────────┘

• nginx — единственный сервис, доступный с хоста (порт 90). Раздаёт статику React и проксирует /api/* на backend.
• backend — FastAPI: авторизация, регистрация, проксирование загрузки снимков в ML.
• ml — FastAPI + PyTorch (ResNet50): предобработка изображения и классификация.
• postgres — база данных пользователей.

Проверки работоспособности (healthcheck) настроены для backend, ml и postgres; nginx запускается после того, как backend станет здоровым.

Технологический стек

Компонент	Технологии
Frontend	React 18, Create React App
Backend	FastAPI, SQLAlchemy 2, Pydantic 2
ML	PyTorch, torchvision (ResNet50), OpenCV, Pillow
БД	PostgreSQL 16
Инфраструктура	Docker Compose, nginx

Требования

• Docker
• Docker Compose

Установка и запуск

1. Клонируйте репозиторий:

   git clone https://github.com/OdincovMD/Practice.git
   cd Practice

2. При необходимости настройте параметры:

   cp .env.example .env
   # Отредактируйте .env (порт nginx, PostgreSQL, healthcheck и т.п.)

3. Соберите и запустите контейнеры:

   docker compose up --build

4. Откройте приложение в браузере:

   http://localhost:90
   

   Порт по умолчанию — 90. Изменить можно через переменную NGINX_HOST_PORT в .env.

5. Остановка:

   docker compose down

Конфигурация

Переменные окружения (файл .env):

Переменная	Описание	По умолчанию
NGINX_HOST_PORT	Порт nginx на хосте	90
POSTGRES_USER	Пользователь PostgreSQL	postgres
POSTGRES_PASSWORD	Пароль PostgreSQL	postgres
POSTGRES_DB	Имя базы данных	pneumonia
DATABASE_URL	Полный DSN (при задании перекрывает POSTGRES_*)	—
ML_UPLOAD_URL	URL ML-сервиса для backend	http://ml:9000/upload
HEALTHCHECK_INTERVAL	Интервал healthcheck (сек.)	15 / 20
HEALTHCHECK_TIMEOUT	Таймаут healthcheck (сек.)	5
HEALTHCHECK_RETRIES	Количество попыток	5
ML_START_PERIOD	Пауза перед проверкой ML (сек.)	120

Структура проекта

Practice/
├── frontend/          # React-приложение
│   ├── src/
│   │   ├── components/
│   │   ├── css/
│   │   └── ...
│   └── package.json
├── backend/           # FastAPI (авторизация, прокси ML)
│   └── app/
│       ├── routers/
│       ├── services/
│       ├── models.py
│       └── ...
├── ml/                # ML-сервис (PyTorch)
│   └── programm/
│       ├── classification.py
│       ├── model.py
│       ├── image.py
│       └── best_model.pth   # веса модели (добавить вручную)
├── nginx/             # Конфигурация nginx
├── docker-compose.yml
├── .env.example
└── README.md

Важно: Файл best_model.pth с весами обученной модели должен находиться в ml/programm/. Он не включён в репозиторий.

Разработка

Frontend (локально)

cd frontend
npm install
npm start

Приложение будет доступно на http://localhost:3000. Запросы к API проксируются на http://localhost:8000 (см. proxy в package.json).

Backend

cd backend
pip install -r requirements.txt
# Укажите DATABASE_URL (например, на локальный PostgreSQL)
cd app && uvicorn main:app --reload --port 8000

ML (локально)

cd ml
pip install -r requirements.txt
cd programm && uvicorn classification:app --reload --port 9000

Благодарности

Спасибо всем, кто участвовал в разработке:

• Kegelik Nikolay — основная часть разработки
• Xxproner — доработки и улучшения
• OdincovMD — инициация проекта и архитектура
• Horokami — вклад в развитие репозитория

Проект использует открытые технологии и библиотеки: PyTorch, FastAPI, React, PostgreSQL и другие.

Участие в разработке

Приветствуются pull request и issues. Обсуждение идей — через раздел Issues на GitHub.

Лицензия

Распространяется под лицензией MIT. Подробности см. в файле LICENSE.