Create app.py

app.py

@@ -0,0 +1,147 @@
+import os
+import gradio as gr
+import torch
+from torch import nn
+import torchvision.models as models
+import torchvision.transforms as transforms
+from PIL import Image
+from datasets import load_dataset
+import numpy as np
+from transformers import AutoModelForSequenceClassification, AutoTokenizer, pipeline
+
+# Veri setini yükleme
+dataset = load_dataset("wanglab/chest-agent-bench")
+
+# Model tanımı - önceden eğitilmiş bir DenseNet modeli kullanacağız
+class ChestXRayModel(nn.Module):
+    def __init__(self, num_classes=14):
+        super(ChestXRayModel, self).__init__()
+        self.densenet = models.densenet121(pretrained=True)
+        num_features = self.densenet.classifier.in_features
+        self.densenet.classifier = nn.Sequential(
+            nn.Linear(num_features, num_classes),
+            nn.Sigmoid()
+        )
+    
+    def forward(self, x):
+        return self.densenet(x)
+
+# Model yükleme fonksiyonu (gerçek bir uygulamada önceden eğitilmiş model kullanılacaktır)
+def load_model():
+    model = ChestXRayModel()
+    # Gerçek uygulamada: model.load_state_dict(torch.load('path/to/model.pth'))
+    model.eval()
+    return model
+
+# Görüntü dönüştürme
+transform = transforms.Compose([
+    transforms.Resize((224, 224)),
+    transforms.ToTensor(),
+    transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
+])
+
+# Sınıf etiketleri (CheXpert'ten alındı)
+class_names = [
+    'Atelektazi', 'Kardiyomegali', 'Effüzyon', 'İnfiltrasyon', 'Kitle',
+    'Nodül', 'Pnömoni', 'Pnömotoraks', 'Konsolidasyon', 'Ödem',
+    'Amfizem', 'Fibrozis', 'Plevral Kalınlaşma', 'Hernia'
+]
+
+# Rapor oluşturma için doğal dil işleme modeli
+def load_nlp_model():
+    tokenizer = AutoTokenizer.from_pretrained("facebook/bart-large-cnn")
+    summarizer = pipeline("summarization", model="facebook/bart-large-cnn", tokenizer=tokenizer)
+    return summarizer
+
+# Röntgen analiz fonksiyonu
+def analyze_xray(image):
+    # Görüntü ön işleme
+    if image is None:
+        return None, "Lütfen bir görüntü yükleyin."
+    
+    img = Image.fromarray(image).convert('RGB')
+    img_tensor = transform(img).unsqueeze(0)
+    
+    # Model tahminleri 
+    model = load_model()
+    with torch.no_grad():
+        outputs = model(img_tensor)
+    
+    # Tahminleri işleme
+    probabilities = outputs[0].numpy()
+    
+    # Pozitif bulguların tespiti (0.5 eşik değeri ile)
+    findings = []
+    for i, prob in enumerate(probabilities):
+        if prob > 0.5:
+            findings.append(f"{class_names[i]} (%.2f%%)" % (prob * 100))
+    
+    if not findings:
+        findings.append("Belirgin patoloji tespit edilmedi.")
+    
+    # Görselle ilgili özet rapor oluşturma (gerçek uygulama için geliştirilebilir)
+    summary = f"**Röntgen Analiz Raporu**\n\n"
+    summary += "**Tespit Edilen Bulgular:**\n"
+    for finding in findings:
+        summary += f"- {finding}\n"
+    
+    # Gerçek bir uygulamada NLP tabanlı açıklama eklenir
+    summary += "\n**Yorum:**\n"
+    if "Belirgin patoloji tespit edilmedi." in findings:
+        summary += "Radyografide belirgin patolojik bulgu izlenmedi. Klinik bulgular ışığında değerlendirilmesi önerilir."
+    else:
+        summary += "Yukarıda belirtilen bulgular saptandı. Klinik bulgularla korele değerlendirilmesi önerilir."
+    
+    # Doktora öneriler
+    summary += "\n\n**Öneriler:**\n"
+    if any(x in ' '.join(findings) for x in ['Pnömoni', 'Atelektazi', 'İnfiltrasyon']):
+        summary += "- Enfeksiyon belirtileri dikkate alınmalı\n"
+        summary += "- Antibiyotik tedavisi değerlendirilmeli\n"
+    if 'Nodül' in ' '.join(findings) or 'Kitle' in ' '.join(findings):
+        summary += "- İleri görüntüleme (BT) önerilir\n"
+        summary += "- Takip görüntüleme planlanmalı\n"
+    if 'Effüzyon' in ' '.join(findings) or 'Pnömotoraks' in ' '.join(findings):
+        summary += "- Torasentez düşünülebilir\n"
+    
+    return img, summary
+
+# Veri setinden örnek yükleme fonksiyonu
+def load_sample():
+    # Rastgele bir örnek seçelim
+    random_idx = np.random.randint(0, len(dataset["train"]))
+    sample = dataset["train"][random_idx]
+    image = sample["image"].convert('RGB')
+    image_array = np.array(image)
+    return image_array
+
+# Gradio arayüzü
+with gr.Blocks(title="Göğüs Röntgeni Analiz Asistanı", theme=gr.themes.Soft()) as demo:
+    gr.Markdown("# 🏥 Göğüs Röntgeni Analiz Asistanı")
+    gr.Markdown("Bu araç, göğüs röntgenlerini analiz ederek olası bulguları tespit etmeye yardımcı olur.")
+    
+    with gr.Row():
+        with gr.Column(scale=1):
+            image_input = gr.Image(type="numpy", label="Röntgen Görüntüsü")
+            with gr.Row():
+                analyze_btn = gr.Button("Analiz Et", variant="primary")
+                sample_btn = gr.Button("Örnek Yükle")
+        
+        with gr.Column(scale=1):
+            image_output = gr.Image(label="İşaretlenmiş Görüntü")
+            text_output = gr.Markdown(label="Rapor")
+    
+    analyze_btn.click(analyze_xray, inputs=image_input, outputs=[image_output, text_output])
+    sample_btn.click(load_sample, inputs=None, outputs=image_input)
+    
+    gr.Markdown("## Nasıl Kullanılır")
+    gr.Markdown("""
+    1. Göğüs röntgeni yükleyin veya 'Örnek Yükle' butonuna tıklayın
+    2. 'Analiz Et' butonuna tıklayın
+    3. Sistem röntgeni analiz edecek ve olası bulguları listeleyecektir
+    
+    **Not:** Bu uygulama sadece yardımcı bir araçtır ve kesin teşhis için uzman radyolog görüşü gereklidir.
+    """)
+
+# Uygulamayı başlat
+if __name__ == "__main__":
+    demo.launch(share=True)