Spaces:
Sleeping
Sleeping
File size: 4,132 Bytes
d5b4d18 49d4610 d5b4d18 49d4610 eca9fd3 d5b4d18 49d4610 d5b4d18 49d4610 d5b4d18 49d4610 d5b4d18 eca9fd3 49d4610 eca9fd3 49d4610 04c11d1 d84c975 49d4610 d84c975 2bbf32f d84c975 49d4610 0f02a70 49d4610 06c4589 d84c975 49d4610 |
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 81 82 83 |
import streamlit as st
import os
import numpy as np
import pydicom # библиотека для работы с DICOM-изображениями в медицине.
import tensorflow as tf # библиотека для создания сети
from PIL import Image # библиотека для работы с изображениями
from tensorflow import keras
from tensorflow.keras.preprocessing import image
# Модель
model = tf.keras.models.load_model('model.h5')
# функция для принятия на вход dcm формат
def read_dcm(path):
# Конвертируем
dcm = pydicom.dcmread(path)
img = dcm.pixel_array.astype(np.float32) # преобразование изображения в numpy-массив
intercept = dcm.RescaleIntercept if 'RescaleIntercept' in dcm else 0.0
slope = dcm.RescaleSlope if 'RescaleSlope' in dcm else 1.0
img = slope * img + intercept # масштабирование
if len(img.shape) > 2: img = img[0]
img -= img.min()
img /= img.max()
img *= 255.0
img = img.astype('uint8')
img = Image.fromarray(img).convert('L') # Преобразование в изображение в оттенках серого
img = img.resize((512, 512)) # Изменение размера изображения
img = image.img_to_array(img)
return tf.expand_dims(img, 0) # добавляем дополнительное измерение (batch size)
def read_img(path):
img = image.load_img(path, color_mode='grayscale', target_size=(512, 512))
img_array = image.img_to_array(img)
return tf.expand_dims(img_array, 0) # добавляем дополнительное измерение (batch size)
# Преобразует EagerTensor в NumPy array
img = lambda x: Image.fromarray(x.numpy().astype(np.uint8).reshape(512, 512))
def main():
st.title("Прогноз вероятности рассеянного склероза на снимке МРТ.")
st.write("Где 0 - нет склероза, 1 - есть склероз.")
# Display instruction text
st.markdown("##### Инструкция:")
st.write("1. Загрузите свое изображение, используя кнопку 'Upload an image'.")
st.write("2. Либо выберите одно из предварительно загруженных изображений ниже.")
st.write("3. После загрузки изображения результаты обработки отобразятся ниже.")
st.write("")
uploaded_file = st.file_uploader("Выберите изображение", type=["dcm", "jpg", "png"])
if uploaded_file is None:
# Display a row of preloaded images
st.markdown("##### Preloaded Images")
col1, col2 = st.columns(2) # Create 2 columns for 2 images
with col1:
image1 = img(read_img("image_example_1.jpg"))
st.image(image1, caption='jpg example', use_column_width=True)
with col2:
image2 = img(read_dcm("image_example.dcm"))
st.image(image2, caption='dcm example', use_column_width=True)
if uploaded_file is not None:
if uploaded_file.name.endswith('.dcm'): img_array = read_dcm(uploaded_file)
else: img_array = read_img(uploaded_file)
# Отображение выбранного изображения
st.image(img(img_array), caption='Выбранное изображение', use_column_width=True)
# Предсказание вероятности с помощью модели
predictions = model.predict(img_array)
predictions = tf.nn.softmax(predictions[0])
predictions = round(float(predictions[1]), 2)
st.write(f"Вероятность: {predictions}")
st.write("")
st.write("Автор: https://t.me/dtatarintsev")
st.write("GitHub проекта: https://github.com/DmitryTatarintsev/internship/tree/main/multiple_sclerosis")
if __name__ == "__main__":
main()
|