{"id":31696631,"url":"https://github.com/devloop307/mri-brain-tumor-detector","last_synced_at":"2026-04-21T05:33:31.765Z","repository":{"id":317092936,"uuid":"1065937710","full_name":"devloop307/mri-brain-tumor-detector","owner":"devloop307","description":"Streamlit app to detect brain tumor on MRI with ResNet18 + Grad-CAM. Deployed on Render.","archived":false,"fork":false,"pushed_at":"2025-09-28T20:37:51.000Z","size":15,"stargazers_count":0,"open_issues_count":0,"forks_count":0,"subscribers_count":0,"default_branch":"main","last_synced_at":"2025-09-28T20:42:56.529Z","etag":null,"topics":["deep-learning","gradcam","medical-imaging","mri","pytorch","streamlit"],"latest_commit_sha":null,"homepage":"","language":"Python","has_issues":true,"has_wiki":null,"has_pages":null,"mirror_url":null,"source_name":null,"license":"apache-2.0","status":null,"scm":"git","pull_requests_enabled":true,"icon_url":"https://github.com/devloop307.png","metadata":{"files":{"readme":"README.md","changelog":null,"contributing":null,"funding":null,"license":"LICENSE","code_of_conduct":null,"threat_model":null,"audit":null,"citation":null,"codeowners":null,"security":null,"support":null,"governance":null,"roadmap":null,"authors":null,"dei":null,"publiccode":null,"codemeta":null,"zenodo":null,"notice":null,"maintainers":null,"copyright":null,"agents":null,"dco":null,"cla":null}},"created_at":"2025-09-28T18:19:47.000Z","updated_at":"2025-09-28T20:37:54.000Z","dependencies_parsed_at":"2025-09-28T20:42:58.498Z","dependency_job_id":null,"html_url":"https://github.com/devloop307/mri-brain-tumor-detector","commit_stats":null,"previous_names":["devloop307/mri-brain-tumor-detector"],"tags_count":null,"template":false,"template_full_name":null,"purl":"pkg:github/devloop307/mri-brain-tumor-detector","repository_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/devloop307%2Fmri-brain-tumor-detector","tags_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/devloop307%2Fmri-brain-tumor-detector/tags","releases_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/devloop307%2Fmri-brain-tumor-detector/releases","manifests_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/devloop307%2Fmri-brain-tumor-detector/manifests","owner_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners/devloop307","download_url":"https://codeload.github.com/devloop307/mri-brain-tumor-detector/tar.gz/refs/heads/main","sbom_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/devloop307%2Fmri-brain-tumor-detector/sbom","scorecard":null,"host":{"name":"GitHub","url":"https://github.com","kind":"github","repositories_count":278981518,"owners_count":26079640,"icon_url":"https://github.com/github.png","version":null,"created_at":"2022-05-30T11:31:42.601Z","updated_at":"2022-07-04T15:15:14.044Z","status":"online","status_checked_at":"2025-10-08T02:00:06.501Z","response_time":56,"last_error":null,"robots_txt_status":"success","robots_txt_updated_at":"2025-07-24T06:49:26.215Z","robots_txt_url":"https://github.com/robots.txt","online":true,"can_crawl_api":true,"host_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub","repositories_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories","repository_names_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repository_names","owners_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners"}},"keywords":["deep-learning","gradcam","medical-imaging","mri","pytorch","streamlit"],"created_at":"2025-10-08T17:10:01.901Z","updated_at":"2025-10-08T17:10:08.113Z","avatar_url":"https://github.com/devloop307.png","language":"Python","funding_links":[],"categories":[],"sub_categories":[],"readme":"# 🧠 Detección de Tumores Cerebrales por MRI – Aplicación Streamlit\n\nClasificador **binario (sí/no)** para detección de tumores cerebrales en imágenes **MRI** con explicación visual usando **Grad-CAM**.  \nAplicación web construida con **Streamlit** y modelo **PyTorch (ResNet18)** preentrenado.\n\n[![Open In Colab](https://colab.research.google.com/assets/colab-badge.svg)](https://colab.research.google.com/drive/15giXohyUo7ck9FjbVnmwcqPvXOPSuK2l?usp=sharing)\n\n---\n\n## 📦 Estructura del Repositorio\n\n```\n.\n├── .streamlit/         # Carpeta de configuración de Streamlit\n│   └── config.toml     # Configuración de tema y servidor\n├── assets/             # Recursos multimedia (capturas, ejemplos)\n├── LICENSE             # Licencia Apache 2.0\n├── Procfile            # Definición de proceso para despliegue (Render)\n├── README.md           # Este archivo\n├── best_threshold.json # Umbrales sugeridos (youden_J, max_F1, recall_priority)\n├── requirements.txt    # Dependencias para despliegue/entorno\n├── resnet18_best.pt    # Checkpoint del modelo entrenado\n├── runtime.txt         # Versión de Python para despliegue (3.10 recomendado)\n└── streamlit_app.py    # Aplicación principal Streamlit (subir imagen → predicción → Grad-CAM)\n```\n\n---\n\n## 🧠 ¿Qué hace?\n\n1. **Subes** una imagen (PNG/JPG/TIFF) de una resonancia magnética.\n2. La aplicación la **preprocesa** (escala de grises→3 canales, redimensión 224, normalización ImageNet).\n3. El modelo **infiere** `prob_yes` (probabilidad de presencia de tumor).\n4. Se compara contra un **umbral** (por defecto: *recall_priority* de `best_threshold.json`).\n5. Si la predicción es **SÍ**, genera una visualización **Grad-CAM** + **caja delimitadora** para resaltar la región de mayor atención.\n\n---\n\n## 🔧 Requisitos\n\n- Python **3.10** (recomendado)\n- Compatible con CPU (funciona sin GPU)\n- Paquetes listados en `requirements.txt`\n\n\u003e **Nota**: El archivo del modelo preentrenado (`resnet18_best.pt`) debe agregarse al repositorio. Si el archivo es grande, considera usar **Git LFS**:\n\u003e\n\u003e ```bash\n\u003e git lfs install\n\u003e git lfs track \"*.pt\"\n\u003e git add .gitattributes\n\u003e git commit -m \"chore(lfs): habilitar LFS para archivos .pt\"\n\u003e ```\n\n---\n\n## ▶️ Ejecutar Localmente\n\n```bash\n# 1) Crear y activar entorno virtual\npython -m venv .venv\n\n# Windows:\n.venv\\Scripts\\activate\n# macOS/Linux:\n# source .venv/bin/activate\n\n# 2) Instalar dependencias\npip install --upgrade pip\npip install -r requirements.txt\n\n# 3) Ejecutar la aplicación\nstreamlit run streamlit_app.py\n# Se abre en: http://localhost:8501\n```\n\n---\n\n## ⚙️ Umbrales de Decisión\n\n`best_threshold.json` contiene tres opciones de umbral:\n\n- **youden_J**: Balance entre especificidad/sensibilidad en curva ROC\n- **max_F1**: Maximiza el puntaje F1 en curva PR  \n- **recall_priority** (por defecto): Prioriza el recall para reducir falsos negativos\n\nPuedes cambiar el umbral activo editando el archivo JSON o ajustando 1-2 líneas en `streamlit_app.py`.\n\n---\n\n## 🖼️ Uso\n\n1. Sube una imagen de MRI\n2. Haz clic en **\"🔍 Predecir\"**\n3. Visualiza los resultados:\n   - **Predicción**: SÍ (anomalía detectada) o NO\n   - **prob_yes** (puntuación de probabilidad 0-1)\n   - Si es SÍ: Visualización Grad-CAM con caja delimitadora estimada\n\n---\n\n## 🚢 Despliegue en Render (Tier Gratuito)\n\n1. Sube el repositorio a GitHub\n2. Crea un Web Service en Render → Python\n3. Asegúrate de tener:\n   - `requirements.txt`\n   - `runtime.txt` con `3.10`\n   - `Procfile` con:\n     ```\n     web: streamlit run streamlit_app.py --server.port=$PORT --server.address=0.0.0.0\n     ```\n4. Render instalará las dependencias e iniciará la aplicación\n5. Accede en: `https://\u003ctu-servicio\u003e.onrender.com`\n\n\u003e **Nota del Tier Gratuito**: La aplicación entra en suspensión sin tráfico; la primera solicitud puede tomar varios segundos en despertar.\n\n---\n\n## ❓ Preguntas Frecuentes\n\n**¿Puedo usar imágenes diferentes al conjunto de datos de entrenamiento?**  \nSí, siempre que sean imágenes MRI en escala de grises o RGB. La aplicación convierte a 3 canales y normaliza apropiadamente.\n\n**¿Por qué mi prob_yes es exactamente 1.000 o 0.000?**  \nEl modelo podría estar muy confiado. Considera ajustar el umbral, calibrar probabilidades o revisar el conjunto de validación.\n\n**¿La caja delimitadora del Grad-CAM es una localización clínica real?**  \nEs explicativa, no detección clínica. Para localización robusta, considera entrenar un detector/segmentador con anotaciones (ej., YOLO/Faster-RCNN/U-Net).\n\n---\n\n## 🧪 Notas Técnicas\n\n- **Arquitectura**: ResNet18 (capa final reentrenada para 2 clases)\n- **Preprocesamiento**: Escala de grises→3 canales, Redimensión(224), Normalización(ImageNet)\n- **Explicabilidad**: Grad-CAM en la última capa conv de layer4\n- **Métricas/Umbrales**: Pre-generadas (ROC/PR) y guardadas en `best_threshold.json`\n\n---\n## 📄 Licencia\nEste proyecto se distribuye bajo la licencia Apache-2.0. Consulta el archivo [LICENSE](./LICENSE) para más detalles.\n\n![License](https://img.shields.io/badge/License-Apache_2.0-blue.svg)\n","project_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Fdevloop307%2Fmri-brain-tumor-detector","html_url":"https://awesome.ecosyste.ms/projects/github.com%2Fdevloop307%2Fmri-brain-tumor-detector","lists_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Fdevloop307%2Fmri-brain-tumor-detector/lists"}