Spaces:
Sleeping
Sleeping
File size: 2,041 Bytes
e6e90d9 126ba7c fb24955 3737840 fb24955 3737840 fb24955 3737840 fb24955 67d1b76 8a7794a 67d1b76 3737840 e3a5091 3737840 fb24955 3737840 67d1b76 e996157 3737840 | 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 | import gradio as gr
import tensorflow as tf
from tensorflow import keras
from keras.layers import Conv2D, MaxPooling2D
from keras.layers import Activation, Dropout, Flatten, Dense
# Criar o modelo
model = keras.models.Sequential()
model.add(Conv2D(32, (3, 3), input_shape=(300, 300, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(32, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(64, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Flatten())
model.add(Dense(64))
model.add(Activation('relu'))
model.add(Dropout(0.5))
model.add(Dense(1))
model.add(Activation('sigmoid'))
# Compilar o modelo
model.compile(loss='binary_crossentropy',
optimizer='rmsprop',
metrics=['accuracy'])
# Carregar pesos pré-treinados (se disponíveis)
model.load_weights('50_epochs.h5')
# Função de pré-processamento
def preprocess(image):
# Redimensionar a imagem para a forma esperada pelo modelo (300x300)
image = tf.image.resize(image, (300, 300))
# Converter os valores dos pixels para o intervalo [0, 1]
image /= 255.0
return image
# Função para previsão
def predict(image):
preprocessed_image = preprocess(image)
prediction = model.predict(tf.expand_dims(preprocessed_image, axis=0))[0][0]
if prediction >= 0.5:
return 'cancer'
else:
return 'noncancer'
# Interface Gradio
inputs = gr.inputs.Image()
outputs = gr.outputs.Textbox()
examples = [['8864_idx5_x1801_y2351_class1.png']]
description = "Este é um classificador de histopatologia de mama. Ele foi treinado para distinguir entre amostras de tecido mamário canceroso e não canceroso. Carregue uma imagem de histopatologia de mama e o modelo irá prever se a amostra é cancerosa ou não cancerosa."
app = gr.Interface(fn=predict, inputs=inputs, outputs=outputs, title='Breast Histopathology Classifier', description=description, examples=examples)
app.launch()
|