Aplicação Next.js para visualizar a análise de tecidos de feridas com segmentação por superpixels e predições de clusters. Combina classificação baseada no algoritmo SLIC e predições de um modelo CNN, além de fluxos de rotulagem (supervisão) para decisões de dosagem de fotobiomodulação (PBM).
Este repositório faz parte do projeto de determinação de parâmetros de feridas (wound-parameter-determination). Ele serve como ferramenta de rotulagem e visualização de dados gerados pelo pipeline SLIC, permitindo revisão humana, supervisão de dosagem e exportação de resultados.
- Visualização SLIC: exibe a análise da ferida usando o algoritmo SLIC (Simple Linear Iterative Clustering).
- Visualização CNN: exibe a análise usando um modelo CNN treinado para classificação de tecidos mais precisa.
- Interface interativa: clique e passe o mouse sobre os clusters para inspecionar a composição detalhada de tecidos.
- Comparação com imagem original: alterne entre a imagem segmentada e a original.
- Visão em grade (Grid): navegue pelas amostras em uma grade paginada.
- Mostra as imagens originais da ferida por padrão.
- Ao passar o mouse, exibe a visão segmentada com sobreposição de tecidos.
- Exibe percentuais de composição de tecido.
- Indicadores visuais de arquivos revisados e vistos.
- Clique para ir para a visão detalhada.
- Paginação (24 amostras por página) para melhor desempenho.
- Carregamento em lote (uma única requisição de API por página).
- Sistema de revisão: revisão e correção manual das classificações de clusters.
- Supervisão de dosagem: fluxo de rotulagem assistido (cego/contexto/sugestão) para decisões de dosagem PBM.
- Rastreamento de "visto": marque amostras como vistas para evitar revisá-las várias vezes.
- O seletor aleatório prioriza amostras não vistas.
- Indicadores visuais persistentes entre sessões.
- Filtragem inteligente: ordene arquivos por composição de tecido (necrose, slough, tecido vermelho).
/— Visualizador principal (SLIC/CNN) com revisão e filtros./grid— Visão em grade paginada das amostras./dashboard— Painel com gráficos e estatísticas dos datasets./inferences— Listagem de inferências salvas (via Supabase)./json-view— Visualizador e copiador de JSON de classificações./lista-avaliacoes— Lista de avaliações realizadas./download— Exportação/baixar dados rotulados./pwat— Ferramenta relacionada a escores PWA (Pressure Ulcer/Wound Assessment Tool)./pipeline-demo— Demonstração do pipeline de processamento de imagens./dosage-supervision— Interface de rotulagem de dosagem PBM (fluxo completo)./minimalistic-supervisione/minimalistic-supervision-v2— Versões enxutas do fluxo de supervisão.
- Node.js (v18 ou superior)
- Bun (recomendado) ou npm
- Python (v3.8 ou superior) — necessário para inferência CNN
- Instale as dependências do Node:
npm install
# ou
bun install- Instale as dependências Python para inferência CNN:
pip install -r scripts/requirements.txtInicie o servidor de desenvolvimento:
npm run dev
# ou
bun devAbra http://localhost:3000 no navegador.
Crie o .env.local a partir do .env.example antes de usar as páginas com Supabase:
cp .env.example .env.localDefina:
NEXT_PUBLIC_SUPABASE_URL=https://your-project-ref.supabase.co
NEXT_PUBLIC_SUPABASE_PUBLISHABLE_KEY=your-anon-or-publishable-keyUse apenas a chave anon/publicável do Supabase. Nunca coloque uma chave service_role em variáveis NEXT_PUBLIC_*.
Para uma demonstração local de dosagem que não grava no Supabase, defina também:
NEXT_PUBLIC_DOSAGE_DEMO_MODE=1.
├── app/
│ ├── api/ # Rotas de API
│ │ ├── cnn-predict/ # Endpoint de inferência CNN
│ │ ├── data-files/ # Endpoints de arquivos de dados
│ │ ├── data-files-bulk/ # Endpoint otimizado de carregamento em lote
│ │ ├── data-files-sorted/ # Endpoints de arquivos ordenados/filtrados
│ │ ├── dataset-statistics/ # Estatísticas do dataset
│ │ ├── dosage-supervision/ # API do fluxo de supervisão de dosagem
│ │ ├── supervision/ # Classificações SLIC/VLM (slic.csv, vlm.csv)
│ │ ├── check-review/ # Verificação de revisões
│ │ ├── save-review/ # Salvamento de revisões
│ │ ├── upload/ # Upload de arquivos
│ │ └── original-image/ # Endpoints de imagem original
│ ├── data/ # Dados de feridas processados pelo SLIC
│ ├── dataset_reviewed/ # Correções revisadas por humanos
│ ├── images/ # Imagens originais de treinamento
│ ├── inferences/ # Listagem de inferências (Supabase)
│ ├── grid/ # Página de visão em grade
│ ├── dashboard/ # Painel de estatísticas
│ ├── dosage-supervision/ # Interface de rotulagem de dosagem PBM
│ ├── minimalistic-supervision/ # Versão enxuta da supervisão
│ ├── minimalistic-supervision-v2/
│ ├── pipeline-demo/ # Demonstração do pipeline
│ ├── pwat/ # Ferramenta de escores PWA
│ ├── json-view/ # Visualizador de JSON
│ ├── lista-avaliacoes/ # Lista de avaliações
│ └── download/ # Exportação de dados
├── components/
│ ├── ui/ # Componentes shadcn/ui
│ ├── wound-visualizer.tsx # Componente de visualização SLIC
│ └── wound-visualizer-cnn.tsx # Componente de visualização CNN
├── lib/
│ ├── dosage/ # Atribuição de dosagem, demo e regras
│ ├── types/ # Definições de tipos TypeScript
│ └── utils.ts # Utilitários gerais
├── scripts/
│ ├── cnn_inference.py # Script Python de inferência CNN
│ ├── requirements.txt # Dependências Python
│ └── smoke-dosage-context.mjs # Smoke test do contexto de dosagem
└── supabase/ # Migrações e configuração do Supabase
O algoritmo SLIC segmenta a imagem da ferida em superpixels e os classifica com base na análise de cor em múltiplos espaços de cor (CIELab, RGB, CMYK). Cada cluster recebe escores de tipo de tecido para:
- Necrose (tecido negro)
- Slough (tecido amarelo)
- Tecido vermelho (tecido de granulação saudável)
O modelo CNN refina as predições SLIC usando uma arquitetura de entrada dupla:
- Caminho da imagem completa: captura o contexto global da ferida.
- Caminho da máscara de cluster: foca nas características específicas do cluster.
- Entrada de escores SLIC: usa as predições iniciais do SLIC como características adicionais.
O modelo gera escores refinados de classificação de tecido para cada cluster, melhorando a acurácia em relação à abordagem SLIC tradicional.
Recursos de desempenho:
- Cache automático: as predições CNN são cacheadas após a primeira execução.
- Atualização manual: use o botão de atualizar para reexecutar a inferência.
- Indicador de cache: o selo "Cached" mostra quando veio do cache.
O modelo CNN foi treinado em imagens de feridas com correções revisadas por humanos. Para detalhes de treinamento, veja o script cnn_finetuning.py no repositório pai.
Arquitetura:
- Entrada: imagens RGB 64x64 (completa + máscara de cluster) + escores SLIC
- Caminhos convolucionais duplos com batch normalization
- Camadas totalmente conectadas com dropout
- Saída: 3 escores de tipo de tecido (necrose, slough, tecido_vermelho)
- Selecione um arquivo de dados no menu suspenso.
- Escolha o método de predição: SLIC (rápido) ou CNN (mais preciso, com cache).
- Interaja com a visualização: clique/hover nos clusters, alterne opacidade e views.
- Revise e corrija (modo SLIC): ajuste escores e salve correções.
- Gerencie o cache (modo CNN): atualize para reexecutar inferência.
- Rastreie amostras vistas: "Marcar como visto", seletor aleatório prioriza não vistas.
- Filtre e ordene: por necrose, slough ou tecido vermelho.
- Acesse via botão "Grid View".
- Navegue em páginas de 24 amostras.
- Cada card mostra imagem, nome, composição de tecido e badges de status.
- Hover alterna para a visão segmentada.
- Clique para abrir a análise detalhada.
Abra /dosage-supervision para rotular decisões de dosagem de fotobiomodulação.
O fluxo atribui cada imagem em três modos de apresentação:
blind: rotulagem apenas com a imagem.context: rotulagem com contexto de ferida derivado.suggestion_review: rotulagem com contexto + sugestão de dosagem baseada em regras.
As atribuições vêm da lista completa em app/data/images_list.json. O contexto do caso é enriquecido a partir das saídas de classificação em app/api/supervision/slic.csv e app/api/supervision/vlm.csv. Se uma imagem não tiver linha de classificação, a API retorna metadados de produção com disponibilidade falsa e a sugestão cai para not_sure.
Os rótulos são armazenados na tabela public.dosage_feedback do Supabase. Rotas usadas:
/api/dosage-supervision/list-cases: seleciona a próxima atribuição./api/dosage-supervision/case-context: carrega contexto SLIC/VLM e sugestões./api/dosage-supervision/save-label: salva decisões e doses de laser./api/dosage-supervision/skip-case: registra atribuições puladas.
O adaptador de contexto reutilizável está em lib/dosage/context.ts. Rode o smoke test após mudar nomes de datasets, formatos de CSV ou regras de contexto:
npm run smoke:dosage-contextExecute o SQL de migração no SQL Editor do Supabase antes de usar o fluxo real:
create table if not exists public.dosage_feedback (
id uuid primary key default gen_random_uuid(),
created_at timestamptz not null default now(),
"user" text not null,
image_name text not null,
presentation_mode text not null check (presentation_mode in ('blind', 'context', 'suggestion_review')),
assignment_sequence integer not null,
decision_category text,
dose_range text,
custom_dose text,
wavelength text,
accepted_suggestion boolean,
edited_fields jsonb,
shown_context jsonb,
shown_suggestion jsonb,
dosage_obs text,
skipped boolean not null default false,
applied_lasers_json jsonb,
constraint dosage_feedback_user_image_mode_unique unique ("user", image_name, presentation_mode),
constraint dosage_feedback_user_sequence_unique unique ("user", assignment_sequence)
);
alter table public.dosage_feedback enable row level security;
create policy "Allow public dosage feedback inserts"
on public.dosage_feedback
for insert
to anon, authenticated
with check (true);
create policy "Allow public dosage feedback reads"
on public.dosage_feedback
for select
to anon, authenticated
using (true);
create index if not exists dosage_feedback_user_image_idx
on public.dosage_feedback ("user", image_name);
create index if not exists dosage_feedback_user_sequence_idx
on public.dosage_feedback ("user", assignment_sequence);
create index if not exists dosage_feedback_user_mode_idx
on public.dosage_feedback ("user", presentation_mode);
create index if not exists dosage_feedback_image_idx
on public.dosage_feedback (image_name);A política pública de select é exigida pelo app atual porque a seleção de atribuição verifica rótulos anteriores do usuário. Para implantações públicas, considere mover as escritas/leituras de dosagem para endpoints server-only com service-role e reforçar o RLS.
| Script | Descrição |
|---|---|
npm run dev |
Servidor de desenvolvimento (Turbopack) |
npm run build |
Build de produção |
npm run start |
Inicia o build de produção |
npm run lint |
Lint com ESLint |
npm run smoke:dosage-context |
Smoke test do contexto de dosagem |