additional files

app.py

@@ -1,13 +1,136 @@
+import numpy as np
+import pandas as pd
+import cv2
+
 import streamlit as st
+from streamlit_cropper import st_cropper
+import tensorflow as tf
+import tensorflow_io as tfio 
+
+from tensorflow import keras
+
+import matplotlib.pyplot as plt
+from PIL import Image
+
+from fastai.vision.all import *
+
+st.set_page_config(page_title="Aplicación cancer de mama - IXCHEN")
+
+class Modelo:
+
+    def __init__(self, model_name):
+        self.model_name = model_name
+        self.modelo = self.cargar_modelo(self.model_name)
+    
+    def cargar_modelo(self, modelo):
+        if modelo == "alexnet":
+            return load_learner('./clasificacion_alexnet.pkl')
+        elif modelo == 'restnet50':
+            return load_learner('./clasificacion.pkl')
+        
+    def predecir(self, imagen):
+        _, _, probs = self.modelo.predict(imagen)
+        return probs
+    
+modelo_alexnet = Modelo('alexnet')
+modelo_resnet50 = Modelo('restnet50')
+
+realtime_update = st.sidebar.checkbox(label="Actualizar en tiempo real", value=True)
+box_color = st.sidebar.color_picker(label="Color caja", value='#0000FF')
+aspect_choice = st.sidebar.radio(label="Relación aspecto", options=["1:1", "16:9", "4:3", "2:3", "Free"])
+aspect_dict = {
+    "1:1": (1, 1),
+    "16:9": (16, 9),
+    "4:3": (4, 3),
+    "2:3": (2, 3),
+    "Free": None
+}
+
+aspect_ratio = aspect_dict[aspect_choice]
+class_names = ['Benigno', 'Maligno', 'Normal']
+
+def cargar_dicom_file(image_bytes, tipo):
+    if tipo != 'storage':
+        lossy_image = tfio.image.decode_dicom_image(image_bytes.getvalue(), scale='auto', on_error='lossy', dtype=tf.uint8)
+    else:
+        lossy_image = tfio.image.decode_dicom_image(image_bytes, scale='auto', on_error='lossy', dtype=tf.uint8)
+    numpy_lossy_image = np.squeeze(lossy_image.numpy())
+    return numpy_lossy_image
+
+def mostrar_resultados_prediccion(crop_image):
+    resultado_alexnet = modelo_alexnet.predecir(crop_image)
+    resultado_resnet50 = modelo_resnet50.predecir(crop_image)
+    return resultado_alexnet, resultado_resnet50
+
+def obtener_valor_tag(image_byte, tag: int) -> str:
+    raw_tag_value = tfio.image.decode_dicom_data(image_byte, tag).numpy()
+    return raw_tag_value.decode('utf-8')
+
+def obtener_informacion_archivo_dicom(image_bytes, tipo):
+    if tipo != 'storage':
+        image_bytes_values = image_bytes.getvalue()
+    else:
+        image_bytes_values = image_bytes#.getvalue()
+    data = {
+        "Nombre Paciente": obtener_valor_tag(image_bytes_values, tfio.image.dicom_tags.PatientsName),
+        "ID Paciente": obtener_valor_tag(image_bytes_values, tfio.image.dicom_tags.PatientID),
+    }
+    return data
+
+def guardar_correccion():
+    df_resultados = dict()
+
+    df_resultados['resultado_alexnet_benigno'] = resultado_alexnet[0]
+    df_resultados['resultado_alexnet_maligno'] = resultado_alexnet[1]
+    df_resultados['resultado_alexnet_normal'] = resultado_alexnet[2]
+    df_resultados['resultado_resnet50_benigno'] = resultado_resnet50[0]
+    df_resultados['resultado_resnet50_maligno'] = resultado_resnet50[1]
+    df_resultados['resultado_resnet50_normal'] = resultado_resnet50[2]
+    df_resultados['correccion_benigno'] = st.session_state['correcion_benigno']
+    df_resultados['correccion_maligno'] = st.session_state['correcion_maligno']
+    df_resultados['correccion_normal'] = st.session_state['correcion_normal']
+    #df = pd.read_csv('./resultados_pruebas.csv')
+    df_resultados = pd.DataFrame(df_resultados, index=[0])
+    #df_completo = pd.concat([df, df_resultados], axis=0)
+    print(df_resultados)
+    df_resultados.to_csv('./resultados_pruebas.csv')
+
 
-x = st.slider('Select a value')
-st.write(x, 'squared is', x * x)
-
-st.components.v1.html("""
-<iframe
-	src="https://christhofer-cancer-de-mama-privado.hf.space"
-	frameborder="0"
-	width="900"
-	height="600"
-></iframe>
-""", scrolling=True)
+st.write("# Modelo de Machine Learning para el diagnostico del cancer de mama")
+uploaded_file = st.file_uploader("Subir archivo DICOM", type=[".dcm"])
+if uploaded_file:
+    dicom_file = cargar_dicom_file(uploaded_file, tipo='')
+    img = Image.fromarray(dicom_file)
+    rect = st_cropper(img,realtime_update=realtime_update, box_color=box_color,
+                    aspect_ratio=aspect_ratio, return_type='box')
+    realizar_prediccion = st.button("Realizar predicción")
+    st.session_state['uploaded_file'] = uploaded_file.getvalue()
+    if realizar_prediccion:
+            st.empty()
+            crop = dicom_file[
+                rect['top']:rect['height'] + rect['top'], 
+                rect['left']:rect['width'] + rect['left']]
+            resultado_alexnet, resultado_restnet50 = mostrar_resultados_prediccion( crop)
+            resultado_alexnet = np.squeeze(resultado_alexnet) * 100
+            resultado_resnet50 = np.squeeze(resultado_restnet50) * 100
+            datos_alexnet = {
+                "Probabilidad": resultado_alexnet,
+                "Clase": class_names
+            }
+            df_alexnet = pd.DataFrame(data=datos_alexnet).set_index('Clase')
+            datos_resnet50 = {
+                "Probabilidad": resultado_resnet50,
+                "Clase": class_names
+            }
+            df_resnet50 = pd.DataFrame(data=datos_resnet50).set_index('Clase')
+            st.write("### Probabilidades según tipo de tumor - AlexNet")
+            st.bar_chart(df_alexnet)
+            st.write("### Probabilidades según tipo de tumor - ResNet50")
+            st.bar_chart(df_resnet50)
+            df_form = obtener_informacion_archivo_dicom(uploaded_file, tipo='')
+            with st.form("Correcion") as form:
+                st.write("#### Tipo de tumorx")
+                st.slider("Benigno", 0, 100, 0, key='correcion_benigno')
+                st.slider("Maligno", 0, 100, 0, key='correcion_maligno')
+                st.slider("Normal", 0, 100, 0, key='correcion_normal')
+                submitted = st.form_submit_button("Realizar correccion", on_click=guardar_correccion)

clasificacion.pkl

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:959376a202beba507838e4fa0f1a48c845be0d7aca5eec9d5045b0505ff7f16b
+size 11070475

clasificacion_alexnet.pkl

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:1a7813fa953428ac413285f516f49475209f49e96fda27283c4d56cdc2a5e0fe
+size 102959779