Spaces:

DHEIVER
/

intracranial_hemorrhage_detection

Sleeping

App Files Files Community

intracranial_hemorrhage_detection / app.py

DHEIVER

Update app.py

fb54997 8 months ago

raw history blame contribute delete

No virus

3.45 kB

	import gradio as gr
	from transformers import AutoFeatureExtractor, AutoModelForImageClassification
	import torch
	import datetime
	from PIL import Image
	import torchvision.transforms as transforms
	import numpy as np

	# Carregue o extrator de recursos e o modelo
	extractor = AutoFeatureExtractor.from_pretrained("DifeiT/rsna-intracranial-hemorrhage-detection")
	model = AutoModelForImageClassification.from_pretrained("DifeiT/rsna-intracranial-hemorrhage-detection")

	# Transformações para pré-processamento
	preprocess = transforms.Compose([
	transforms.ToPILImage(), # Converte para objeto PIL.Image
	transforms.Resize((224, 224)), # Redimensiona para o tamanho de entrada do modelo (224x224)
	transforms.ToTensor(), # Converte para tensor
	transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) # Normalização
	])

	# Mapeamento de classe ID para rótulo
	id2label = {
	"0": "epidural",
	"1": "intraparenchymal",
	"2": "intraventricular",
	"3": "normal",
	"4": "subarachnoid",
	"5": "subdural"
	}

	# Função para classificar a imagem
	def classify_image(image):
	# Aplica o pré-processamento na imagem
	image = preprocess(image)

	# Adiciona uma dimensão extra para criar um lote (batch) de tamanho 1
	image = image.unsqueeze(0)

	# Passa a imagem pelo modelo
	outputs = model(image)

	# Obtém as probabilidades das classes
	logits = outputs.logits

	# Calcula as probabilidades finais usando o softmax
	probabilities = torch.softmax(logits, dim=1)

	# Obtém a classe com a maior probabilidade
	predicted_class = torch.argmax(probabilities, dim=1).item()

	# Rótulo da classe prevista
	predicted_label = id2label.get(str(predicted_class), "Desconhecido")

	# Obtém a data e hora atual
	current_time = datetime.datetime.now().strftime("%Y-%m-%d %H:%M:%S")

	# Formate a saída em HTML com data e hora
	result_html = f"""
	<h2>Resultado da Classificação</h2>
	<p><strong>Classe Predita:</strong> {predicted_label}</p>
	<p><strong>Data e Hora:</strong> {current_time}</p>
	"""

	# Retorna o resultado formatado em HTML
	return result_html

	# Crie uma interface Gradio com instruções de uso
	iface = gr.Interface(
	fn=classify_image,
	inputs=gr.inputs.Image(type="numpy", label="Carregar uma imagem"),
	outputs=gr.outputs.HTML(), # Saída formatada com HTML
	title="Classificador de Hemorragia Intracraniana",
	description="""<h1>Classificador de Hemorragia Intracraniana</h1>
	<p>Esta aplicação Gradio permite classificar imagens relacionadas à hemorragia intracraniana usando um modelo Vision Transformer (ViT).</p>

	<h2>Instruções de Uso</h2>

	<ol>
	<li>Clique no botão "Escolher Arquivo" para fazer o upload de uma imagem relacionada à hemorragia intracraniana.</li>
	<li>Aguarde alguns segundos enquanto o modelo processa a imagem.</li>
	<li>O resultado mostrará a classe prevista relacionada à hemorragia intracraniana.</li>
	<li>A data e a hora da classificação também serão exibidas.</li>
	</ol>

	<p>Este modelo pode identificar classes de hemorragia intracraniana, como "epidural", "intraparenchymal", "intraventricular", "normal", "subarachnoid" e "subdural".</p>

	<p>Por favor, note que este é um modelo de demonstração e os resultados podem não ser precisos para fins clínicos.</p>"""
	)

	# Inicie a interface Gradio
	iface.launch()