Spaces:
Runtime error
Runtime error
File size: 3,305 Bytes
09b486d 06d1764 09b486d 06d1764 1a74ae1 09b486d 06d1764 09b486d 06d1764 09b486d 06d1764 09b486d 06d1764 09b486d 06d1764 09b486d 06d1764 09b486d 06d1764 09b486d 06d1764 09b486d 06d1764 |
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 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 |
import gradio as gr
def saudar(nome):
return "Olá " + nome
título = "Uma Estratégia de Aprendizado de Máquina para a Fenotipagem Automática de Gravidezes de Alto Risco"
descrição = """
O bot foi treinado para segmentar, medir e fazer previsões informadas sobre gravidezes de alto risco com base no perímetro cefálico (HC) do crânio fetal. Ele utiliza técnicas de processamento de imagens para identificar e quantificar informações relevantes, permitindo uma avaliação mais precisa e preditiva do risco associado à gravidez.
"""
# <img src="https://huggingface.co/spaces/course-demos/Rick_and_Morty_QA/resolve/main/rick.png" width=200px>
artigo = "Confira [o repositório do GitHub](https://github.com/MarkTLite) no qual este site e modelo são baseados."
import cv2, math
import matplotlib.pyplot as plt
import numpy as np
from tensorflow.keras.utils import normalize
from tensorflow.keras.models import load_model
from skimage import measure
def prever(img):
img = img.reshape((256,256,1))
img_normalizada = normalize(img, axis=1)
# carregar o modelo
modelo = load_model('model-best.h5', compile=False)
modelo.compile(optimizer='adam', loss="binary_crossentropy")
img_teste = img_normalizada
img_original = img
img_normalizada = img_teste[:,:,0]
img_entrada = np.expand_dims(img_normalizada, 0)
# Prever e aplicar limiar para valores acima de 0.08 de probabilidade
previsão = (modelo.predict(img_entrada) > 0.08).astype(np.uint8)
previsão = previsão[0]
imagem_rótulo = measure.label(previsão, connectivity=img_original.ndim)
fig, ax = plt.subplots()
ax.imshow(imagem_rótulo[:,:,0], cmap=plt.cm.gray)
regiões = measure.regionprops(imagem_rótulo[:,:,0])
hc_anterior, hc = 0,0
for props in regiões:
y0, x0 = props.centroid
orientação = props.orientation
x1 = x0 + math.cos(orientação) * 0.5 * props.minor_axis_length
y1 = y0 - math.sin(orientação) * 0.5 * props.minor_axis_length
x2 = x0 - math.sin(orientação) * 0.5 * props.major_axis_length
y2 = y0 - math.cos(orientação) * 0.5 * props.major_axis_length
distância_menor = ((x0 - x1)**2 + (y0 - y1)**2)**0.5
print(distância_menor*2)
distância_maior = ((x0 - x2)**2 + (y0 - y2)**2)**0.5
print(distância_maior*2)
hc_anterior = 1.62*(distância_menor+distância_maior)
if(hc_anterior>hc):
hc = hc_anterior
print("HC = ",hc, " mm")
ax.plot((x0, x1), (y0, y1), '-r', linewidth=2.5)
ax.plot((x0, x2), (y0, y2), '-r', linewidth=2.5)
ax.plot(x0, y0, '.g', markersize=15)
plt.show()
# Sobrepõe a previsão na imagem original
img_desenhada = cv2.cvtColor(img_original, cv2.COLOR_GRAY2BGR)
contornos, hierarquia = cv2.findContours(previsão, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
cv2.drawContours(img_desenhada, contornos, -1, (255,0,0), 2)
return img_desenhada, "Perímetro Cefálico = " + str(hc) + " mm"
exemplos = [ ['image.png']
]
gr.Interface(prever, gr.Image(shape=(256, 256), image_mode='L'), [gr.outputs.Image(type='plot'), 'text'],
description=descrição, article=artigo, title=título, examples=exemplos, analytics_enabled=False).launch()
|