Spaces:
Runtime error
Runtime error
| 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() | |