Update app.py

app.py

@@ -7,7 +7,7 @@ import tensorflow as tf
 from tensorflow import keras
 
 # Cargar el modelo entrenado
-model1 = load_model('./isatron_v3.h5')  # Cambiado a isatron_v3.h5
+model1 = load_model('./isatron_v3.h5')
 
 # Función para encontrar la última capa convolucional
 def find_last_conv_layer(model):
@@ -67,27 +67,19 @@ def make_gradcam_heatmap(img_array, model, last_conv_layer_name, pred_index=None
     heatmap = heatmap.numpy()
     return heatmap
 
-def overlay_heatmap(heatmap, img, alpha=0.3):
-    # Redimensionar el mapa de calor al tamaño de la imagen
+def overlay_heatmap(heatmap, img, alpha=0.4):
+    # Redimensionar mapa de calor al tamaño de la imagen
     heatmap = cv2.resize(heatmap, (img.shape[1], img.shape[0]))
-
-    # Aplicar un umbral al mapa de calor para resaltar solo las zonas importantes
-    threshold = 0.6  # Solo mostrar las áreas con alta activación
-    heatmap[heatmap < threshold] = 0
-
-    # Aplicar el colormap JET para mantener los colores, pero suavizar la superposición
+    # Convertir mapa de calor a RGB
     heatmap = np.uint8(255 * heatmap)
     heatmap = cv2.applyColorMap(heatmap, cv2.COLORMAP_JET)
-
-    # Convertir la imagen original a BGR para poder mezclar con el mapa de calor
+    # Convertir imagen a BGR
     img = cv2.cvtColor(img, cv2.COLOR_RGB2BGR)
-
-    # Superponer el mapa de calor en la imagen original
-    overlayed_img = cv2.addWeighted(heatmap, alpha, img, 1 - alpha, 0)
-
+    # Aplicar mapa de calor a la imagen original
+    overlayed_img = heatmap * alpha + img
+    overlayed_img = np.uint8(overlayed_img)
     # Convertir de nuevo a RGB
     overlayed_img = cv2.cvtColor(overlayed_img, cv2.COLOR_BGR2RGB)
-    
     return overlayed_img
 
 def image_classifier1(img):
@@ -97,37 +89,23 @@ def image_classifier1(img):
     img_array = load_and_preprocess_image1(img)
     # Realizar predicción usando model1
     preds = model1.predict(img_array)
-    
-    # Asumimos que el modelo devuelve una probabilidad entre 0 y 1 para PNEUMONIA
-    prediction = preds[0][0]  # Suponiendo que el modelo devuelve la probabilidad de neumonía
-
-    # Si la predicción es mayor a 0.5, consideramos que es neumonía
-    if prediction > 0.5:
-        pred_label = "PNEUMONIA"
-        prediction_percentage = {'PNEUMONIA': float(prediction * 100), 'NORMAL': float((1 - prediction) * 100)}
-    else:
-        pred_label = "NORMAL"
-        prediction_percentage = {'NORMAL': float((1 - prediction) * 100), 'PNEUMONIA': float(prediction * 100)}
-
+    prediction = preds[0][0]  # Suponiendo que el modelo devuelve una probabilidad
+    # Determinar el índice de la clase predicha
+    pred_index = int(prediction > 0.5)
     # Generar mapa de calor
-    heatmap = make_gradcam_heatmap(img_array, model1, last_conv_layer_name, pred_index=int(prediction > 0.5))
+    heatmap = make_gradcam_heatmap(img_array, model1, last_conv_layer_name, pred_index=pred_index)
     # Superponer mapa de calor en la imagen original
     overlayed_img = overlay_heatmap(heatmap, orig_img)
-    
     # Retornar la imagen superpuesta y los porcentajes de predicción
+    prediction_percentage = {'PNEUMONIA': float(prediction), 'NORMAL': float(1 - prediction)}
     return overlayed_img, prediction_percentage
 
-# Crear interfaz Gradio con estilo predeterminado y pie de página
+# Crear interfaz Gradio
 demo_model1 = gr.Interface(
     fn=image_classifier1,
-    inputs=gr.Image(type="pil", label="Sube una imagen de radiografía"),
-    outputs=[
-        gr.Image(type="numpy", label="Imagen con Mapa de Calor"),
-        gr.Label(num_top_classes=2, label="Resultados de Predicción")
-    ],
-    title="IsaTron V2 con Mapa de Calor",
-    description="Esta aplicación detecta neumonía a partir de imágenes de radiografías de tórax.",
-    article="Jeysshon 2024"
+    inputs="image",
+    outputs=[gr.outputs.Image(type="numpy"), "label"],
+    title="IsaTron V2 con Mapa de Calor"
 )
 
 # Ejecutar la interfaz