Update app.py
Browse files
app.py
CHANGED
@@ -1,25 +1,7 @@
|
|
1 |
# preprocess.py
|
|
|
2 |
|
3 |
-
|
4 |
-
|
5 |
-
def unsharp_masking(img, kernel_size=(5, 5), sigma=1.0, amount=1.0, threshold=0):
|
6 |
-
# Convert to grayscale if not already
|
7 |
-
if len(img.shape) == 3:
|
8 |
-
img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
|
9 |
-
|
10 |
-
# Apply Gaussian blur
|
11 |
-
blurred = cv2.GaussianBlur(img, kernel_size, sigma)
|
12 |
-
|
13 |
-
# Calculate the mask
|
14 |
-
mask = cv2.addWeighted(img, 1 + amount, blurred, -amount, 0)
|
15 |
-
|
16 |
-
# Apply threshold if specified
|
17 |
-
if threshold > 0:
|
18 |
-
_, mask = cv2.threshold(mask, threshold, 255, cv2.THRESH_BINARY)
|
19 |
-
|
20 |
-
return mask
|
21 |
-
|
22 |
-
# The rest of your code remains unchanged
|
23 |
import os
|
24 |
os.environ["CUDA_DEVICE_ORDER"] = "PCI_BUS_ID"
|
25 |
|
@@ -28,6 +10,10 @@ import torch
|
|
28 |
import cv2
|
29 |
import numpy as np
|
30 |
import time
|
|
|
|
|
|
|
|
|
31 |
|
32 |
# Load the models outside the function
|
33 |
models = {
|
@@ -43,7 +29,8 @@ device = "cuda" if torch.cuda.is_available() else "cpu"
|
|
43 |
|
44 |
def preprocess_image(img, modelo):
|
45 |
img = img.copy()
|
46 |
-
img
|
|
|
47 |
h, w = img.shape
|
48 |
img_out = preprocessamento(img, modelo)
|
49 |
return img_out, h, w, img
|
@@ -70,8 +57,9 @@ def preprocessamento(img, modelo='SE-RegUNet 4GF'):
|
|
70 |
img_out = np.stack((image1,) * 3, axis=0)
|
71 |
return img_out
|
72 |
|
73 |
-
def process_image(img, modelo
|
74 |
-
|
|
|
75 |
start = time.time()
|
76 |
img, h, w, ori_gray = preprocess_image(img, modelo)
|
77 |
img = torch.FloatTensor(img).unsqueeze(0).to(device)
|
@@ -86,20 +74,27 @@ def process_image(img, modelo, pipe):
|
|
86 |
logit = cv2.resize(logit, (h, w))
|
87 |
|
88 |
logit = logit.astype(bool)
|
89 |
-
img_out = img.copy()
|
90 |
-
img_out[logit] =
|
|
|
91 |
return spent, img_out, detect_disease(logit)
|
92 |
|
|
|
|
|
|
|
|
|
|
|
|
|
93 |
my_app = gr.Interface(
|
94 |
fn=process_image,
|
95 |
inputs=[
|
96 |
-
|
97 |
-
|
98 |
],
|
99 |
outputs=[
|
100 |
-
|
101 |
-
|
102 |
-
|
103 |
],
|
104 |
title="Segmentação de Angiograma Coronariano",
|
105 |
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.",
|
|
|
1 |
# preprocess.py
|
2 |
+
# (No changes in this file)
|
3 |
|
4 |
+
# main.py
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
5 |
import os
|
6 |
os.environ["CUDA_DEVICE_ORDER"] = "PCI_BUS_ID"
|
7 |
|
|
|
10 |
import cv2
|
11 |
import numpy as np
|
12 |
import time
|
13 |
+
from gradio.components import Label, Image, Dropdown
|
14 |
+
|
15 |
+
# Add the missing 'unsharp_masking' function from preprocess.py
|
16 |
+
from preprocess import unsharp_masking
|
17 |
|
18 |
# Load the models outside the function
|
19 |
models = {
|
|
|
29 |
|
30 |
def preprocess_image(img, modelo):
|
31 |
img = img.copy()
|
32 |
+
if len(img.shape) == 3 and img.shape[-1] == 3:
|
33 |
+
img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
|
34 |
h, w = img.shape
|
35 |
img_out = preprocessamento(img, modelo)
|
36 |
return img_out, h, w, img
|
|
|
57 |
img_out = np.stack((image1,) * 3, axis=0)
|
58 |
return img_out
|
59 |
|
60 |
+
def process_image(img, modelo):
|
61 |
+
model = models[modelo]
|
62 |
+
pipe = model.to(device).eval()
|
63 |
start = time.time()
|
64 |
img, h, w, ori_gray = preprocess_image(img, modelo)
|
65 |
img = torch.FloatTensor(img).unsqueeze(0).to(device)
|
|
|
74 |
logit = cv2.resize(logit, (h, w))
|
75 |
|
76 |
logit = logit.astype(bool)
|
77 |
+
img_out = img.cpu().numpy().squeeze().copy()
|
78 |
+
img_out[logit] = 1 # Set the mask to 1 (white)
|
79 |
+
img_out[~logit] = 0 # Set other regions to 0 (black)
|
80 |
return spent, img_out, detect_disease(logit)
|
81 |
|
82 |
+
def detect_disease(logit):
|
83 |
+
# Implement your disease detection logic here based on the logit mask
|
84 |
+
# For example, you can count the number of white pixels or use any other criteria.
|
85 |
+
# For the sake of simplicity, let's assume that we don't detect any disease for now.
|
86 |
+
return "No Disease"
|
87 |
+
|
88 |
my_app = gr.Interface(
|
89 |
fn=process_image,
|
90 |
inputs=[
|
91 |
+
Image(label="Angiograma:", shape=(512, 512)),
|
92 |
+
Dropdown(['SE-RegUNet 4GF', 'SE-RegUNet 16GF', 'AngioNet', 'EffUNet++ B5', 'Reg-SA-UNet++', 'UNet3+'], label='Modelo', default='SE-RegUNet 4GF'),
|
93 |
],
|
94 |
outputs=[
|
95 |
+
Label(label="Tempo decorrido"),
|
96 |
+
Image(label="Imagem de Saída"),
|
97 |
+
Label(label="Status da Doença"),
|
98 |
],
|
99 |
title="Segmentação de Angiograma Coronariano",
|
100 |
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.",
|