Update app.py

app.py

@@ -1,25 +1,7 @@
 # preprocess.py
+# (No changes in this file)
 
-import cv2
-
-def unsharp_masking(img, kernel_size=(5, 5), sigma=1.0, amount=1.0, threshold=0):
-    # Convert to grayscale if not already
-    if len(img.shape) == 3:
-        img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
-
-    # Apply Gaussian blur
-    blurred = cv2.GaussianBlur(img, kernel_size, sigma)
-
-    # Calculate the mask
-    mask = cv2.addWeighted(img, 1 + amount, blurred, -amount, 0)
-
-    # Apply threshold if specified
-    if threshold > 0:
-        _, mask = cv2.threshold(mask, threshold, 255, cv2.THRESH_BINARY)
-
-    return mask
-
-# The rest of your code remains unchanged
+# main.py
 import os
 os.environ["CUDA_DEVICE_ORDER"] = "PCI_BUS_ID"
 
@@ -28,6 +10,10 @@ import torch
 import cv2
 import numpy as np
 import time
+from gradio.components import Label, Image, Dropdown
+
+# Add the missing 'unsharp_masking' function from preprocess.py
+from preprocess import unsharp_masking
 
 # Load the models outside the function
 models = {
@@ -43,7 +29,8 @@ device = "cuda" if torch.cuda.is_available() else "cpu"
 
 def preprocess_image(img, modelo):
     img = img.copy()
-    img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
+    if len(img.shape) == 3 and img.shape[-1] == 3:
+        img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
     h, w = img.shape
     img_out = preprocessamento(img, modelo)
     return img_out, h, w, img
@@ -70,8 +57,9 @@ def preprocessamento(img, modelo='SE-RegUNet 4GF'):
         img_out = np.stack((image1,) * 3, axis=0)
     return img_out
 
-def process_image(img, modelo, pipe):
-    pipe = pipe.to(device).eval()
+def process_image(img, modelo):
+    model = models[modelo]
+    pipe = model.to(device).eval()
     start = time.time()
     img, h, w, ori_gray = preprocess_image(img, modelo)
     img = torch.FloatTensor(img).unsqueeze(0).to(device)
@@ -86,20 +74,27 @@ def process_image(img, modelo, pipe):
         logit = cv2.resize(logit, (h, w))
 
     logit = logit.astype(bool)
-    img_out = img.copy()
-    img_out[logit] = 255
+    img_out = img.cpu().numpy().squeeze().copy()
+    img_out[logit] = 1  # Set the mask to 1 (white)
+    img_out[~logit] = 0  # Set other regions to 0 (black)
     return spent, img_out, detect_disease(logit)
 
+def detect_disease(logit):
+    # Implement your disease detection logic here based on the logit mask
+    # For example, you can count the number of white pixels or use any other criteria.
+    # For the sake of simplicity, let's assume that we don't detect any disease for now.
+    return "No Disease"
+
 my_app = gr.Interface(
     fn=process_image,
     inputs=[
-        gr.inputs.Image(label="Angiograma:", shape=(512, 512)),
-        gr.inputs.Dropdown(['SE-RegUNet 4GF', 'SE-RegUNet 16GF', 'AngioNet', 'EffUNet++ B5', 'Reg-SA-UNet++', 'UNet3+'], label='Modelo', default='SE-RegUNet 4GF'),
+        Image(label="Angiograma:", shape=(512, 512)),
+        Dropdown(['SE-RegUNet 4GF', 'SE-RegUNet 16GF', 'AngioNet', 'EffUNet++ B5', 'Reg-SA-UNet++', 'UNet3+'], label='Modelo', default='SE-RegUNet 4GF'),
     ],
     outputs=[
-        gr.outputs.Label(label="Tempo decorrido"),
-        gr.outputs.Image(type="numpy", label="Imagem de Saída"),
-        gr.outputs.Label(label="Status da Doença"),
+        Label(label="Tempo decorrido"),
+        Image(label="Imagem de Saída"),
+        Label(label="Status da Doença"),
     ],
     title="Segmentação de Angiograma Coronariano",
     description="Esta aplicação segmenta angiogramas coronarianos usando modelos de segmentação pré-treinados. Faça o upload de uma imagem de angiograma e selecione um modelo para visualizar o resultado da segmentação.\n\nSelecione uma imagem de angiograma coronariano e um modelo de segmentação no painel à esquerda.\n\nStatus da Doença:\n- 'Disease Detected': Indica que a segmentação detectou uma área significativa de estenose.\n- 'No Disease': Indica que a segmentação não detectou estenose significativa.\nCom base no resultado, é recomendado consultar um profissional de saúde para avaliação e orientação adicional, se necessário.",