NodeQuant AI

Plataforma de soporte a decisiones clínicas en oncología para cuantificación de ganglios linfáticos mediastínicos.

Basado en el dataset Mediastinal-Lymph-Node-SEG del Cancer Imaging Archive:

Idris, T., Somarouthu, S., Jacene, H., LaCasce, A., Ziegler, E., Pieper, S., Khajavi, R., Dorent, R., Pujol, S., Kikinis, R., & Harris, G. (2024). Mediastinal Lymph Node Quantification (LNQ): Segmentation of Heterogeneous CT Data (Version 1) [Data set]. The Cancer Imaging Archive. https://doi.org/10.7937/QVAZ-JA09

---

Descripción

Plataforma analítica inteligente que cuantifica biomarcadores de tomografías computarizadas de ganglios linfáticos mediante radiómica avanzada y predice el riesgo de adenopatías mediastínicas a través de modelos de clasificación y regresión, integrados en un dashboard interactivo Django.

---

Características principales

• Dashboard interactivo Django con interfaz web para carga de estudios NIfTI y generación de reportes clínicos automáticos.
• Extracción radiómica automática de 57+ features por ganglio usando PyRadiomics (firstorder, GLCM, GLRLM, GLSZM, GLDM).
• Regresión volumétrica con StackingRegressor (XGBoost + RandomForest + GradientBoosting) para predicción de volumen (mm³), eje corto y eje largo.
• Clasificación de riesgo en 4 niveles: Sin riesgo, Bajo riesgo, Notorio, Crítico.
• Segmentación 3D con Attention U-Net 3D para detección de ganglios en volúmenes heterogéneos (opcional).
• Sistema de fallback multi-entorno que soporta equipos con venv o Anaconda sin conflictos.

---

Estructura del repositorio

NodeQuantAI/
├── preprocess/                 # Pipeline de preprocesamiento (DICOM → NIfTI → Radiomics)
│   ├── descargar_data_completa.py
│   ├── convertir_dcm_niigz.py
│   ├── resampling_isotropico.py
│   ├── verificar_resampling.py
│   ├── alinear_mascaras.py
│   ├── extraccion_radiomica.py
│   └── preparar_dataset.py
├── cnn/                        # Segmentación 3D (Attention U-Net)
│   ├── modelo_unet3d.py
│   ├── dataset_medico.py
│   └── training.py
├── classification/             # Clasificación de riesgo ganglionar
│   ├── scripts/
│   └── joblib/                 # Modelo serializado (.joblib)
├── regression/                 # Regresión volumétrica
│   ├── scripts/
│   ├── joblib/                 # Modelos serializados (.joblib)
│   └── metrics/                # Métricas y gráficas de evaluación
├── dashboard/                  # Dashboard interactivo Django
│   ├── run.py                  # Punto de entrada (auto-detecta intérpretes)
│   ├── backend/
│   │   ├── motor_inferencia.py # Orquestador del pipeline de inferencia
│   │   └── extractor_py39.py   # Extractor PyRadiomics (subprocess)
│   └── frontend/               # App Django (prediccion)
│       ├── manage.py
│       ├── core/               # Settings Django
│       └── prediccion/         # Vistas, templates, static
├── db/                         # CSVs con features y targets
│   ├── ganglios_radiomica.csv
│   ├── ganglios_master.csv
│   └── casos_prueba.csv
├── Dataset_NIFIT/              # Volúmenes NIfTI originales (no versionado)
├── Dataset_Preprocesado/       # Volúmenes preprocesados (no versionado)
└── Mediastinal_Data/           # Datos DICOM originales (no versionado)

---

Arquitectura dual-venv

El proyecto usa dos entornos virtuales por restricciones de compatibilidad:

Entorno	Python	Propósito	Paquetes clave
venv9	3.9	Extracción radiómica	PyRadiomics, SimpleITK
venv11	3.11	Dashboard y ML	Django 5.2, scikit-learn, XGBoost, joblib

El sistema de fallback automático resuelve qué intérprete usar en cada momento:

• run.py auto-detecta venv11 para Django aunque se lance desde venv9.
• motor_inferencia.py auto-detecta venv9 para PyRadiomics aunque Django corra en venv11.
• Cada candidato se valida con un import real antes de usarse.

---

Requisitos e Instalación

Requisitos previos

• Python 3.9 (para PyRadiomics)
• Python 3.11 (para Django y ML)
• Git

1. Clonar el repositorio

git clone https://github.com/JesusOmarDev1/Lymph-Node.git
cd Lymph-Node

2. Crear entornos virtuales

# Entorno para radiomics (Python 3.9)
py -3.9 -m venv venv9

# Entorno para Django y ML (Python 3.11)
py -3.11 -m venv venv11

3. Instalar dependencias

# --- venv9: Radiomics ---
& .\venv9\Scripts\Activate.ps1
pip install pyradiomics SimpleITK

# --- venv11: Django + ML ---
& .\venv11\Scripts\Activate.ps1
pip install django scikit-learn xgboost joblib pandas numpy scipy
pip install matplotlib seaborn plotly tqdm

4. Aplicar migraciones de Django

& .\venv11\Scripts\python.exe dashboard\frontend\manage.py migrate

---

Variables de entorno (opcional)

Para equipos con Anaconda o rutas personalizadas, se pueden configurar overrides:

Variable	Descripción	Ejemplo
NODEQUANT_PYTHON_RADIOMICS	Ruta al python.exe con PyRadiomics	C:\Users\user\anaconda3\envs\py39\python.exe
NODEQUANT_PYTHON_DJANGO	Ruta al python.exe con Django	C:\Users\user\anaconda3\envs\py311\python.exe

Si no se configuran, el sistema busca automáticamente en venv9/venv11, Conda activo y rutas comunes.

---

Comandos útiles

Activar entornos

# Radiomics (Python 3.9)
& .\venv9\Scripts\Activate.ps1

# Django + ML (Python 3.11)
& .\venv11\Scripts\Activate.ps1

Dashboard

# Iniciar el dashboard (se puede lanzar desde cualquier entorno)
python dashboard\run.py

# El dashboard estará disponible en http://127.0.0.1:8000/

Migraciones Django

& .\venv11\Scripts\python.exe dashboard\frontend\manage.py migrate

Pipeline de preprocesamiento (ejecutar en orden)

& .\venv9\Scripts\Activate.ps1

python preprocess\convertir_dcm_niigz.py
python preprocess\resampling_isotropico.py
python preprocess\verificar_resampling.py
python preprocess\alinear_mascaras.py
python preprocess\extraccion_radiomica.py
python preprocess\preparar_dataset.py

Entrenamiento de modelos

& .\venv11\Scripts\Activate.ps1

# Regresión
python regression\scripts\entrenar_modelo.py
python regression\scripts\evaluar_modelos.py

# Clasificación
python classification\scripts\clasificar_modelo.py

# Segmentación 3D (opcional, requiere GPU)
python cnn\training.py

Prueba directa del motor de inferencia

& .\venv11\Scripts\Activate.ps1
python dashboard\backend\motor_inferencia.py

---

Pipeline del proyecto

1. preprocess/descargar_data_completa.py     → Descarga DICOM desde TCIA
2. preprocess/convertir_dcm_niigz.py         → DICOM → NIfTI (.nii.gz)
3. preprocess/resampling_isotropico.py        → Resampling isotrópico a 1×1×1 mm
4. preprocess/verificar_resampling.py         → Validación del resampling
5. preprocess/alinear_mascaras.py             → Alineación espacial de máscaras
6. preprocess/extraccion_radiomica.py         → Extracción de 57 features → CSV
7. preprocess/preparar_dataset.py             → Preparación de datasets ML
8. regression/scripts/entrenar_modelo.py      → Entrenamiento de modelos de regresión
9. regression/scripts/evaluar_modelos.py      → Evaluación y comparación de modelos
10. cnn/training.py                           → Entrenamiento de segmentación 3D (opcional)

---

Documentación

• DeepWiki - Documentación Técnica — Arquitectura, guías de instalación, troubleshooting y temas avanzados.
• Google Docs - Documentación Interna — (Acceso restringido a colaboradores autorizados)

---

Licencia

Este proyecto está bajo la Licencia MIT. Ver el archivo LICENSE para más detalles.

---

Contacto y Soporte

• Abre un Issue en GitHub
• Consulta la documentación en DeepWiki

---