Update app.py

app.py

@@ -24,11 +24,6 @@ except Exception as e:
     print(f"Error al cargar el modelo: {e}")
     raise
 
-# Imprimir nombres de las capas del modelo
-print("Nombres de las capas en el modelo:")
-for layer in model.layers:
-    print(layer.name)
-
 # Definir las etiquetas
 labels = [
     'Acné / Rosácea', 'Queratosis Actínica / Carcinoma Basocelular', 
@@ -46,10 +41,8 @@ labels = [
 ]
 
 # Función Grad-CAM para generar el mapa de calor de activación
-def grad_cam(model, img_array, last_conv_layer_name, pred_index=None):
-    grad_model = Model(
-        [model.inputs], [model.get_layer(last_conv_layer_name).output, model.output]
-    )
+def grad_cam(model, img_array, last_conv_layer_name="top_conv", pred_index=None):
+    grad_model = Model([model.inputs], [model.get_layer(last_conv_layer_name).output, model.output])
 
     with tf.GradientTape() as tape:
         last_conv_layer_output, preds = grad_model(img_array)
@@ -57,59 +50,100 @@ def grad_cam(model, img_array, last_conv_layer_name, pred_index=None):
             pred_index = tf.argmax(preds[0])
         class_channel = preds[:, pred_index]
 
-    # Calcula los gradientes de la salida de la clase respecto a la salida de la última capa convolucional
     grads = tape.gradient(class_channel, last_conv_layer_output)
-
-    # Promediar sobre cada filtro
     pooled_grads = tf.reduce_mean(grads, axis=(0, 1, 2))
 
-    # Ponderar cada filtro en el mapa de características de la última capa convolucional
     last_conv_layer_output = last_conv_layer_output[0]
     heatmap = last_conv_layer_output @ pooled_grads[..., tf.newaxis]
     heatmap = tf.squeeze(heatmap)
-
-    # Normalizar entre 0 y 1 para el mapa de calor
     heatmap = tf.maximum(heatmap, 0) / tf.math.reduce_max(heatmap)
     return heatmap.numpy()
 
 # Generar el mapa de calor de activación usando Grad-CAM
-def generate_heatmap(image, prediction, last_conv_layer_name="top_conv"):  # Reemplaza "top_conv" según el nombre que encuentres
+def generate_heatmap(image, last_conv_layer_name="top_conv"):
     img_array = tf.image.resize(image, (224, 224))
     img_array = tf.expand_dims(img_array, axis=0)
-    
     heatmap = grad_cam(model, img_array, last_conv_layer_name)
     heatmap = cv2.resize(heatmap, (image.shape[1], image.shape[0]))
     heatmap = np.uint8(255 * heatmap)
     heatmap = cv2.applyColorMap(heatmap, cv2.COLORMAP_JET)
     superimposed_image = cv2.addWeighted(np.array(image), 0.6, heatmap, 0.4, 0)
-    img_pil = Image.fromarray(superimposed_image)
-    return img_pil
+    return Image.fromarray(superimposed_image)
 
+# Función principal para clasificar la imagen y generar el mapa de calor
 def classify_image(image):
+    # Redimensionar y preparar la imagen para predicción
     image_resized = tf.image.resize(image, (224, 224))
     image_resized = tf.expand_dims(image_resized, axis=0)
     prediction = model.predict(image_resized).flatten()
     confidences = {labels[i]: float(prediction[i]) for i in range(len(labels))}
     
-    # Generar mapa de calor utilizando Grad-CAM
-    heatmap_image = generate_heatmap(np.array(image), prediction)
+    # Generar mapa de calor
+    heatmap_image = generate_heatmap(np.array(image))
     return confidences, heatmap_image
 
 # Configuración de la interfaz de Gradio
-title = "AI-DERM DETECTION"
-description = "Interfaz para diagnóstico automatizado de enfermedades de la piel"
+title = "AI-DERM DETECTION: Diagnóstico Automatizado de Enfermedades Cutáneas con Mapa de Calor"
+
+article = (
+    "Se propone un sistema automatizado para el diagnóstico de las 23 enfermedades comunes de la piel:\n\n"
+    "1. Acné / Rosácea\n"
+    "2. Queratosis Actínica / Carcinoma Basocelular\n"
+    "3. Dermatitis Atópica\n"
+    "4. Enfermedades Bullosas\n"
+    "5. Celulitis / Impétigo (Infecciones Bacterianas)\n"
+    "6. Eccema\n"
+    "7. Exantemas (Erupciones Cutáneas por Medicamentos)\n"
+    "8. Pérdida de Cabello (Alopecia)\n"
+    "9. Herpes / VPH\n"
+    "10. Trastornos de la Pigmentación\n"
+    "11. Lupus\n"
+    "12. Melanoma (Cáncer de Piel)\n"
+    "13. Hongos en las Uñas\n"
+    "14. Hiedra Venenosa\n"
+    "15. Psoriasis (liquen plano)\n"
+    "16. Sarna / Enfermedad de Lyme\n"
+    "17. Queratosis Seborreica\n"
+    "18. Enfermedad Sistémica\n"
+    "19. Tiña / Tiña (Infecciones Fúngicas)\n"
+    "20. Urticaria / Ronchas\n"
+    "21. Tumores Vasculares\n"
+    "22. Vasculitis\n"
+    "23. Verrugas / Molusco\n\n"
+    "Este sistema automatizado se basa en un modelo preentrenado EfficientNetB7, capaz de diagnosticar 23 enfermedades cutáneas comunes. La interfaz te permite cargar una imagen y obtener las probabilidades de cada enfermedad detectada.\n\n"
+    "Además, el sistema incorpora Grad-CAM, una técnica de visualización que genera un mapa de calor superpuesto a la imagen de entrada, "
+    "destacando las áreas clave que el modelo considera relevantes para el diagnóstico. Esto permite a los profesionales de la salud y usuarios "
+    "comprender mejor el razonamiento del modelo al realizar una predicción, facilitando la interpretación y confianza en el diagnóstico automatizado.\n\n"
+    "<p style='text-align: center'>"
+    "<span style='font-size: 15pt;'>AI-DERM . Jeysshon Bustos . 2023.</span>"
+    "</p>"
+)
+
+description = (
+    "AI-DERM DETECTION es una herramienta avanzada que permite cargar imágenes de afecciones cutáneas para su diagnóstico automático. "
+    "El modelo clasifica la imagen en una de las 23 categorías de enfermedades cutáneas más comunes. Además, gracias a la implementación de Grad-CAM, "
+    "se muestra un mapa de calor superpuesto sobre la imagen, resaltando las zonas donde el modelo ha encontrado patrones que contribuyen a la clasificación. "
+    "Esta visualización permite entender mejor el diagnóstico y proporciona información adicional sobre las áreas afectadas en la piel."
+)
 
 examples = [
     ['./123.jpg'],
     ['./acne-closed-comedo-2.jpg'],
     ['./distal-subungual-onychomycosis-86.jpeg'],
     ['./cherry-angioma-16.jpg'],
-    ['./malignant-melanoma-16.jpg']
+    ['./malignant-melanoma-16.jpg'],  
+    ['./tinea-primary-lesion-15.jpeg'],
+    ['./congenital-nevus-35.jpg'],
+    ['./tinea-body-137.jpg'],  
+    ['./atopic-13.jpg'], 
+    ['./atopic-7.jpg'] 
 ]
 
+# Lanzar la interfaz de Gradio
 gr.Interface(
     fn=classify_image,
     title=title,
+    article=article,
     description=description,
     inputs=gr.Image(),
     outputs=[gr.Label(num_top_classes=4), gr.Image(label="Mapa de Calor")],