File size: 2,461 Bytes
f688574
 
f312a7b
4ac91c4
f312a7b
f688574
 
 
 
 
 
 
 
 
 
101ec35
f688574
 
 
 
 
 
8cc2f16
f688574
8cc2f16
f688574
0d524f5
f688574
 
 
 
519b727
13124d8
f688574
 
 
 
 
 
 
cc5161f
 
 
 
 
 
 
c666502
 
 
 
 
 
 
 
f688574
 
 
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
import math

import gradio as gr
import tensorflow as tf

configs = [
    {
        "model": "my_model_2.h5", "size": 512
    },
    {
        "model": "my_model.h5", "size": 224
    },
]

config = configs[0]

new_model = tf.keras.models.load_model(config["model"])

def classify_image(inp):
    inp = inp.reshape((-1, config["size"], config["size"], 3))
    prediction = new_model.predict(inp).flatten()
    print(prediction)
    if len(prediction) > 1:
        probability = 100 * math.exp(prediction[0]) / (math.exp(prediction[0]) + math.exp(prediction[1]))
    else:
        probability = round(100. / (1 + math.exp(-prediction[0])), 2)
    if probability > 45:
        return "Glaucoma", probability
    if probability > 25:
        return "Unclear", probability
    return "Not glaucoma", probability


gr.Interface(
    fn=classify_image, 
    inputs=gr.inputs.Image(shape=(config["size"], config["size"])),
    outputs=[
    gr.outputs.Textbox(label="Label"),
    gr.outputs.Textbox(label="Glaucoma probability (0 - 100)"),
    ],
    description="Detecte o glaucoma com precisão usando um aplicativo inovador\
    baseado em Deep Learning. Ao analisar imagens OCT do olho, obtidas por meio da \
    Tomografia de Coerência Óptica, o aplicativo identifica de forma precisa padrões e \
    características associadas ao glaucoma. Com um simples upload da imagem OCT,\
    você receberá resultados rápidos e confiáveis sobre a presença ou ausência da condição, \
    permitindo um diagnóstico precoce e preciso. Cuide da sua saúde ocular de maneira conveniente, \
    confiando na tecnologia avançada deste aplicativo que combina a precisão do Deep Learning \
    com a alta resolução das imagens OCT.\n\n
    'akiec': Ceratose actínica intraepitelial (AKIEC) é uma lesão pré-cancerígena da pele exposta ao sol.\
    'bcc': Carcinoma basocelular (BCC) é o tipo mais comum de câncer de pele.\
    'bkl': Lesão benigna da pele (BKL) refere-se a várias lesões não cancerosas.\
    'df': Dermatofibroma (DF) é uma protuberância benigna na pele.\
    'mel': Melanoma (MEL) é um câncer de pele agressivo.\
    'nv': Nevo melanocítico (NV) é um crescimento benigno na pele, como uma pinta.\
    'vasc': Lesão vascular (VASC) envolve anormalidades dos vasos sanguíneos na pele."
    examples=["001.jpg", "002.jpg", "225.jpg"],
    flagging_options=["Correct label", "Incorrect label"],
    allow_flagging="manual",
).launch()