BioKnee

Este repositorio (rama main) concentra el trabajo de IA para análisis de rodilla/rótula y deja documentada su integración con la rama de aplicación móvil + microservicios.

Objetivo general

BioKnee busca apoyar el análisis clínico de rodilla mediante:

• Segmentación de estructuras anatómicas en imágenes.
• Procesamiento morfológico de máscaras (erosión/desbinarización).
• Obtención de centroides anatómicos.
• Cálculo del ángulo Q como salida cuantitativa.

---

1) Contenido de la rama main (IA)

En esta rama se encuentra el desarrollo del pipeline de IA y experimentación:

.
├── U_Net_BioKnee_Algoritmo.ipynb
├── U_Net_BioKnee_Actualizada.ipynb
├── U-net2D_Rotula.ipynb
├── Desbinarizador_2.py
├── ConvierT.p
├── ConvierTT.m
├── ConvierTT.fig
└── Convertidor2.m

Descripción breve

• Notebooks U-Net (.ipynb): entrenamiento/ajustes de modelos para segmentación de rodilla-rótula.
• Desbinarizador_2.py: utilidades de posprocesado de máscara.
• Scripts/archivos auxiliares (.m, .p, .fig): apoyo para conversión/procesamiento en flujo de investigación.

Requisitos sugeridos para IA

• Python 3.10+
• Jupyter Notebook / JupyterLab
• Dependencias de visión por computador y ML (según notebook)

Nota: al ser una rama enfocada en investigación, las dependencias exactas pueden variar por notebook.

---

2) Integración con la rama de aplicación móvil

La aplicación móvil y los microservicios (documentados previamente) consumen el resultado de esta IA para su flujo clínico.

Arquitectura funcional (app + servicios)

1. App móvil (React Native + Expo)

   • Registro/login de doctor.
   • Alta y consulta de pacientes.
   • Visualización de resultados del análisis.

2. Microservicio de usuarios (userservice)

   • API REST con Express + MongoDB.
   • Registro de doctores/pacientes y autenticación JWT.

3. Microservicio de segmentación (segmenter)

   • API REST en Flask.
   • Carga del modelo TFLite desde GridFS.
   • Segmentación + centroides + ángulo Q.

Estructura esperada en la rama móvil/microservicios

.
├── App.js
├── HomeScreen.js
├── LoginScreen.js
├── DoctorHomeScreen.js
├── PatientListScreen.js
├── PatientDetailScreen.js
├── AngleResultScreen.js
├── userservice/
│   ├── Server_users.js
│   ├── Dockerfile
│   └── package.json
├── segmenter/
│   ├── server_segmentation.py
│   ├── Dockerfile
│   └── requirements.txt
└── docker-compose.yml

Puertos y variables (rama app/microservicios)

• mongo: 27017
• userservice: 3000
• segmenter: 5000

Variables comunes:

• SECRET_KEY=clave_secreta
• MONGO_URL=mongodb://mongo:27017/users (userservice)
• MONGO_URL=mongodb://mongo:27017/rodilla_tasks (segmenter)

Endpoints esperados

Usuarios (Express) — http://localhost:3000

• POST /register-doctor
• POST /register-patient (token)
• POST /login
• GET /patients (token)
• GET /profile (token)

Header:

Authorization: Bearer <token>

Segmentación (Flask) — http://localhost:5000

• POST /segment (form-data image)

Respuesta JSON:

• mask_png_b64
• overlay_png_b64
• angle_q
• centroids

---

Flujo funcional unificado

1. La IA segmenta la imagen y extrae centroides.
2. Se calcula el ángulo Q automáticamente.
3. El microservicio expone estos resultados vía API.
4. La app móvil consume y presenta los resultados al médico.

---

Notas importantes

• El servicio de segmentación usa un modelo TFLite en GridFS con nombre esperado:
  • U-Net_entrenada_DA_45e_GPU.tflite
• Si existe un modelo .h5 en artefactos de entrenamiento, debe convertirse/publicarse a .tflite para el flujo productivo.
• En despliegue con Docker, la conexión Mongo debería parametrizarse por entorno para apuntar al host mongo.

---

Próximas mejoras

• Versionar dependencias de notebooks IA en un requirements.txt/environment.yml específico de main.
• Publicar métricas de entrenamiento y validación del modelo en un reporte reproducible.
• Documentar contrato OpenAPI para los microservicios.
• Integrar CI/CD para validación de notebooks y servicios.

---

Licencia

Este proyecto se distribuye bajo la licencia MIT. Consulta LICENSE para más detalles.