Update app.py

app.py

@@ -1,32 +1,32 @@
-# -*- coding: utf-8 -*-
-# -*- coding: utf-8 -*-
-"""
-تحليل قرحة القدم السكري بالاعتماد فقط على نموذج التجزئة FUSegNet
-"""
-
-import os
+import tensorflow as tf
+from tensorflow.keras.models import load_model
+import torch
+import torch.nn as nn
 import numpy as np
+import gradio as gr
 from PIL import Image
 import cv2
-import torch
-import torch.nn as nn
-import gdown
+from torchvision import transforms
+import gdown  
+import os
+import albumentations as A
 import segmentation_models_pytorch as smp
-import gradio as gr
-
+from rembg import remove
+import mediapipe as mp
 
-# ================================
-# إعدادات عامة
-# ================================
+# تعريفات عالمية
+classifier = None
 segmenter = None
+class_names = ["Abnormal(Ulcer)", "Normal(Healthy skin)"]
 IMG_SIZE = 224
 DEVICE = torch.device("cuda" if torch.cuda.is_available() else "cpu")
 
+# تهيئة MediaPipe للكشف عن القدم
+mp_pose = mp.solutions.pose
+mp_drawing = mp.solutions.drawing_utils
 
-# ================================
-# نموذج FUSegNet (Unet + scse)
-# ================================
 class FUSegNet(nn.Module):
+    """FUSegNet نموذج مخصص لمطابقة هيكل"""
     def __init__(self, encoder_name='efficientnet-b7', classes=1, activation='sigmoid'):
         super(FUSegNet, self).__init__()
         self.unet = smp.Unet(
@@ -34,228 +34,452 @@ class FUSegNet(nn.Module):
             encoder_weights=None,
             classes=classes,
             activation=activation,
-            decoder_attention_type='scse',
+            decoder_attention_type='pscse',
         )
-
+    
     def forward(self, x):
         return self.unet(x)
 
-
-# ================================
-# تحميل النموذج من Google Drive
-# ================================
 def check_and_download(url, path, min_size_mb=50):
+    """التحقق من وجود الملفات وتحميلها إذا كانت مفقودة"""
     if not os.path.exists(path) or os.path.getsize(path) < min_size_mb * 1024 * 1024:
         print(f"📥 تحميل النموذج من Google Drive: {url}")
         try:
-            gdown.download(url, path, quiet=False)
+            gdown.download(url, path, quiet=False, fuzzy=True)
         except Exception as e:
             print(f"❌ خطأ في التحميل: {e}")
 
-
-def initialize_model():
-    global segmenter
+def initialize_models():
+    """تهيئة النماذج"""
+    global classifier, segmenter
+    
+    # روابط ومسارات النماذج
+    EFF_MODEL_URL = "https://drive.google.com/uc?id=1vVmA_-D3pZPbKHrPFEbDJd2nexF1H9Ni"
     SEG_MODEL_URL = "https://drive.google.com/uc?id=13jMlcH9yTSejL_IfMDXqdAiVy6Z_SpE1"
+    
+    EFF_MODEL_PATH = "efficientnetb3_dfu_model.keras"
     SEG_MODEL_PATH = "best_model.pth"
+    
+    # تحميل النماذج
+    check_and_download(EFF_MODEL_URL, EFF_MODEL_PATH, min_size_mb=50)
     check_and_download(SEG_MODEL_URL, SEG_MODEL_PATH, min_size_mb=100)
-
+    
+    # نموذج التصنيف
+    try:
+        print("🔄 جاري تحميل نموذج التصنيف...")
+        classifier = tf.keras.models.load_model(EFF_MODEL_PATH, compile=False)
+        print("✅ تم تحميل نموذج التصنيف بنجاح!")
+    except Exception as e:
+        print(f"❌ خطأ في تحميل نموذج التصنيف: {e}")
+        classifier = None
+    
+    # نموذج التجزئة
     try:
-        print("🔄 تحميل نموذج FUSegNet...")
+        print("🔄 جاري تحميل نموذج FUSegNet...")
         segmenter = FUSegNet()
+        
         checkpoint = torch.load(SEG_MODEL_PATH, map_location=DEVICE)
-        state_dict = checkpoint.get("state_dict", checkpoint)
-
-        new_state = {}
+        if 'state_dict' in checkpoint:
+            state_dict = checkpoint['state_dict']
+        else:
+            state_dict = checkpoint
+        
+        # تنظيف المفاتيح
+        new_state_dict = {}
         for k, v in state_dict.items():
-            nk = k.replace("module.", "").replace("model.", "").replace("unet.", "")
-            new_state[nk] = v
-
-        segmenter.load_state_dict(new_state, strict=False)
+            new_key = k.replace('module.', '').replace('model.', '').replace('unet.', '')
+            new_state_dict[new_key] = v
+        
+        segmenter.load_state_dict(new_state_dict, strict=False)
         segmenter.to(DEVICE)
         segmenter.eval()
-        print("✅ تم تحميل نموذج التجزئة بنجاح.")
+        print("✅ تم تحميل نموذج التجزئة بنجاح!")
+        
     except Exception as e:
-        print(f"❌ فشل تحميل نموذج التجزئة: {e}")
+        print(f"❌ خطأ في تحميل نموذج التجزئة: {e}")
         segmenter = None
 
+def remove_background(img: Image.Image):
+    """إزالة خلفية الصورة للتركيز على القدم"""
+    try:
+        # استخدام rembg لإزالة الخلفية
+        img_np = np.array(img)
+        img_no_bg = remove(img_np)
+        return Image.fromarray(img_no_bg)
+    except Exception as e:
+        print(f"⚠️ فشل إزالة الخلفية: {e}")
+        return img
 
-# ================================
-# وظائف المساعدة
-# ================================
-def ensure_rgb(np_img):
-    if np_img.ndim == 2:
-        np_img = cv2.cvtColor(np_img, cv2.COLOR_GRAY2RGB)
-    elif np_img.shape[-1] == 4:
-        np_img = cv2.cvtColor(np_img, cv2.COLOR_RGBA2RGB)
-    return np_img
-
-
-# ================================
-# التجزئة (تحليل القرحة)
-# ================================
-def segment_ulcer(pil_img: Image.Image):
-    """تجزئة القرحة مع ضبط العتبة والتطبيع والتحقق من الانعكاس"""
+def detect_foot_region(img: Image.Image):
+    """الكشف عن منطقة القدم باستخدام MediaPipe"""
+    try:
+        img_np = np.array(img)
+        
+        with mp_pose.Pose(static_image_mode=True, min_detection_confidence=0.5) as pose:
+            results = pose.process(cv2.cvtColor(img_np, cv2.COLOR_RGB2BGR))
+            
+            if results.pose_landmarks:
+                # الحصول على معالم القدمين (المراجع 29-32 للقدم اليسرى و 30-31 للقدم اليمنى)
+                landmarks = results.pose_landmarks.landmark
+                
+                h, w, _ = img_np.shape
+                foot_points = []
+                
+                # القدم اليسرى
+                left_foot_indices = [27, 29, 31]
+                for idx in left_foot_indices:
+                    if landmarks[idx].visibility > 0.5:
+                        foot_points.append([int(landmarks[idx].x * w), int(landmarks[idx].y * h)])
+                
+                # القدم اليمنى
+                right_foot_indices = [28, 30, 32]
+                for idx in right_foot_indices:
+                    if landmarks[idx].visibility > 0.5:
+                        foot_points.append([int(landmarks[idx].x * w), int(landmarks[idx].y * h)])
+                
+                if foot_points:
+                    foot_points = np.array(foot_points)
+                    x_min, y_min = foot_points.min(axis=0)
+                    x_max, y_max = foot_points.max(axis=0)
+                    
+                    # توسيع منطقة الاهتمام قليلاً
+                    padding = 50
+                    x_min = max(0, x_min - padding)
+                    y_min = max(0, y_min - padding)
+                    x_max = min(w, x_max + padding)
+                    y_max = min(h, y_max + padding)
+                    
+                    return img_np[y_min:y_max, x_min:x_max]
+        
+        return img_np
+    except Exception as e:
+        print(f"⚠️ فشل الكشف عن القدم: {e}")
+        return np.array(img)
+
+def preprocess_for_classification(img: Image.Image):
+    """معالجة الصورة للتصنيف"""
+    img_processed = img.resize((IMG_SIZE, IMG_SIZE))
+    img_array = tf.keras.preprocessing.image.img_to_array(img_processed)
+    img_array = np.expand_dims(img_array, axis=0)
+    img_array = tf.keras.applications.efficientnet.preprocess_input(img_array)
+    return img_array
+
+def classify_image(img: Image.Image):
+    """تصنيف الصورة مع إزالة الخلفية أولاً"""
+    print("🔄 معالجة الصورة وإزالة الخلفية...")
+    
+    # 1. إزالة الخلفية
+    img_no_bg = remove_background(img)
+    
+    # 2. الكشف عن منطقة القدم
+    foot_region = detect_foot_region(img_no_bg)
+    foot_img = Image.fromarray(foot_region)
+    
+    if classifier is None:
+        # التصنيف الافتراضي باستخدام تحليل الألوان
+        return default_classification(foot_img), foot_img
+    
+    try:
+        # 3. التصنيف باستخدام EfficientNetB3
+        img_array = preprocess_for_classification(foot_img)
+        preds = classifier.predict(img_array, verbose=0)
+        pred_class = np.argmax(preds, axis=1)[0]
+        confidence = np.max(preds)
+        
+        result = class_names[pred_class]
+        print(f"🎯 نتيجة التصنيف: {result} (ثقة: {confidence:.3f})")
+        
+        return result, foot_img
+        
+    except Exception as e:
+        print(f"❌ خطأ في التصنيف: {e}")
+        return "Abnormal(Ulcer)", foot_img
+
+def default_classification(img: Image.Image):
+    """التصنيف الافتراضي باستخدام تحليل الألوان"""
+    img_np = np.array(img)
+    hsv = cv2.cvtColor(img_np, cv2.COLOR_RGB2HSV)
+    
+    # كشف الأحمر (الالتهاب والقرحة)
+    red_mask = cv2.inRange(hsv, np.array([0,50,50]), np.array([10,255,255])) + \
+              cv2.inRange(hsv, np.array([160,50,50]), np.array([180,255,255]))
+    
+    # كشف البني/الأسود (الأنسجة الميتة)
+    brown_mask = cv2.inRange(hsv, np.array([0,40,20]), np.array([20,200,150]))
+    
+    combined_mask = cv2.bitwise_or(red_mask, brown_mask)
+    ulcer_ratio = np.sum(combined_mask > 0) / combined_mask.size
+    
+    result = "Abnormal(Ulcer)" if ulcer_ratio > 0.003 else "Normal(Healthy skin)"
+    print(f"🎯 التصنيف الافتراضي: {result} (نسبة الشذوذ: {ulcer_ratio:.4f})")
+    
+    return result
+
+def segment_ulcer(img: Image.Image):
+    """تجزئة القرحة باستخدام FUSegNet"""
     if segmenter is None:
-        print("⚠️ نموذج التجزئة غير محمّل.")
-        np_img = np.array(pil_img)
-        return np.zeros((np_img.shape[0], np_img.shape[1]), dtype=np.uint8)
-
+        return smart_ulcer_detection(img)
+    
     try:
-        img_np = np.array(pil_img)
-        if img_np.ndim == 2:
-            img_np = cv2.cvtColor(img_np, cv2.COLOR_GRAY2RGB)
-        elif img_np.shape[-1] == 4:
-            img_np = cv2.cvtColor(img_np, cv2.COLOR_RGBA2RGB)
-
-        # تصغير وتطبيع
+        print("🔄 تجزئة القرحة باستخدام FUSegNet...")
+        
+        img_np = np.array(img)
         img_resized = cv2.resize(img_np, (IMG_SIZE, IMG_SIZE))
-        img_norm = img_resized.astype(np.float32) / 255.0
-        tensor = torch.from_numpy(img_norm).permute(2, 0, 1).unsqueeze(0).to(DEVICE)
-
+        img_normalized = img_resized.astype(np.float32) / 255.0
+        
+        img_tensor = torch.from_numpy(img_normalized).permute(2, 0, 1).unsqueeze(0).to(DEVICE)
+        
         with torch.no_grad():
-            output = segmenter(tensor)
+            output = segmenter(img_tensor)
             pred = output.squeeze().cpu().numpy()
-
-        # في بعض النماذج يكون الناتج بثلاث أبعاد
-        if pred.ndim == 3:
-            pred = pred[0, :, :]
-
-        # ⚙️ تطبيع لضمان القيم بين 0–1
-        pred = (pred - pred.min()) / (pred.max() - pred.min() + 1e-8)
-
-        # ✅ عتبة أعلى لتجنب تلوين كل الصورة
-        threshold = 0.55
-        mask_bin = (pred >= threshold).astype(np.uint8)
-
-        # تنظيف القناع
-        kernel = np.ones((5, 5), np.uint8)
-        mask_bin = cv2.morphologyEx(mask_bin, cv2.MORPH_OPEN, kernel)
-        mask_bin = cv2.morphologyEx(mask_bin, cv2.MORPH_CLOSE, kernel)
-
-        # إذا أغلب الصورة بيضاء (>70%) فالقناع مقلوب، نقلبه
-        white_ratio = np.mean(mask_bin)
-        if white_ratio > 0.7:
-            print("🔄 القناع مقلوب، عكس الاتجاه.")
-            mask_bin = 1 - mask_bin
-
-        # إزالة المناطق الصغيرة جدًا
-        contours, _ = cv2.findContours(mask_bin, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
-        for c in contours:
-            if cv2.contourArea(c) < 150:
-                cv2.fillPoly(mask_bin, [c], 0)
-
-        mask_resized = cv2.resize(mask_bin, (img_np.shape[1], img_np.shape[0]), interpolation=cv2.INTER_NEAREST)
-        ulcer_pixels = int(np.sum(mask_resized))
-        ulcer_percentage = (ulcer_pixels / mask_resized.size) * 100
-        print(f"🩸 عدد بكسلات القناع: {ulcer_pixels} ({ulcer_percentage:.2f}%)")
-
+        
+        # إيجاد أفضل عتبة
+        best_threshold = 0.3
+        mask_bin = (pred >= best_threshold).astype(np.uint8)
+        mask_resized = cv2.resize(mask_bin, (img.width, img.height))
+        
+        ulcer_pixels = np.sum(mask_resized)
+        print(f"📊 FUSegNet اكتشف {ulcer_pixels} بيكسل قرحة")
+        
         return mask_resized
-
+        
     except Exception as e:
         print(f"❌ خطأ في التجزئة: {e}")
-        import traceback
-        traceback.print_exc()
-        np_img = np.array(pil_img)
-        return np.zeros((np_img.shape[0], np_img.shape[1]), dtype=np.uint8)
-
-
-# ================================
-# تلوين القناع على الصورة
-# ================================
-def apply_ulcer_mask(pil_img: Image.Image, mask):
-    base = ensure_rgb(np.array(pil_img))
-    if mask.shape[:2] != base.shape[:2]:
-        mask = cv2.resize(mask, (base.shape[1], base.shape[0]), interpolation=cv2.INTER_NEAREST)
-
-    mask_bin = (mask > 0).astype(np.uint8) * 255
-    mask_bin = cv2.GaussianBlur(mask_bin, (7, 7), 0)
-
-    alpha = (mask_bin.astype(np.float32) / 255.0)[..., None]
-    overlay = np.zeros_like(base, dtype=np.uint8)
-    overlay[..., 0] = 255
-
-    blended = (alpha * overlay + (1 - alpha) * base).astype(np.uint8)
-    contours, _ = cv2.findContours((mask_bin > 0).astype(np.uint8), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
-    for c in contours:
-        if cv2.contourArea(c) > 150:
-            cv2.drawContours(blended, [c], -1, (255, 0, 0), 3)
-    return Image.fromarray(blended)
-
-
-# ================================
-# التحليل الكامل
-# ================================
-def analyze_single_image(pil_img: Image.Image):
-    if pil_img is None:
-        return None, None, {"خطأ": "لم يتم رفع صورة"}
-
+        return smart_ulcer_detection(img)
+
+def smart_ulcer_detection(img: Image.Image):
+    """كشف ذكي للقرحة باستخدام معالجة الصور"""
+    print("🔍 استخدام الخوارزمية الذكية للكشف...")
+    
+    img_np = np.array(img)
+    hsv = cv2.cvtColor(img_np, cv2.COLOR_RGB2HSV)
+    
+    # أقنعة الألوان المرتبطة بالقرحة
+    lower_red1 = np.array([0, 60, 60])
+    upper_red1 = np.array([10, 255, 255])
+    lower_red2 = np.array([160, 60, 60])
+    upper_red2 = np.array([180, 255, 255])
+    red_mask = cv2.inRange(hsv, lower_red1, upper_red1) + cv2.inRange(hsv, lower_red2, upper_red2)
+    
+    lower_brown = np.array([0, 40, 20])
+    upper_brown = np.array([20, 200, 150])
+    brown_mask = cv2.inRange(hsv, lower_brown, upper_brown)
+    
+    combined_mask = cv2.bitwise_or(red_mask, brown_mask)
+    
+    # تنظيف القناع
+    kernel = np.ones((5,5), np.uint8)
+    combined_mask = cv2.morphologyEx(combined_mask, cv2.MORPH_OPEN, kernel)
+    combined_mask = cv2.morphologyEx(combined_mask, cv2.MORPH_CLOSE, kernel)
+    
+    return (combined_mask > 0).astype(np.uint8)
+
+def calculate_risk_level(ulcer_percentage):
+    """حساب مستوى الخطر بناءً على نسبة القرحة"""
+    if ulcer_percentage == 0:
+        return "No Risk", 0, "🟢"
+    elif ulcer_percentage <= 1:
+        return "Low Risk", 1, "🟡"
+    elif ulcer_percentage <= 5:
+        return "Medium Risk", 3, "🟠"
+    else:
+        return "High Risk", 5, "🔴"
+
+def check_early_symptoms(img: Image.Image):
+    """الكشف عن أعراض مبكرة لتقرح القدم"""
+    img_np = np.array(img)
+    hsv = cv2.cvtColor(img_np, cv2.COLOR_RGB2HSV)
+    
+    symptoms = []
+    
+    # 1. احمرار خفيف
+    light_red_mask = cv2.inRange(hsv, np.array([0, 30, 150]), np.array([10, 100, 255]))
+    light_red_ratio = np.sum(light_red_mask > 0) / light_red_mask.size
+    if light_red_ratio > 0.01:
+        symptoms.append("احمرار خفيف في الجلد")
+    
+    # 2. جفاف الجلد
+    lab = cv2.cvtColor(img_np, cv2.COLOR_RGB2LAB)
+    l_channel = lab[:,:,0]
+    dry_skin_ratio = np.sum(l_channel > 200) / l_channel.size
+    if dry_skin_ratio > 0.1:
+        symptoms.append("جفاف في الجلد")
+    
+    # 3. تورم محتمل
+    edges = cv2.Canny(cv2.cvtColor(img_np, cv2.COLOR_RGB2GRAY), 50, 150)
+    edge_density = np.sum(edges > 0) / edges.size
+    if edge_density > 0.05:
+        symptoms.append("تورم محتمل")
+    
+    return symptoms
+
+def apply_ulcer_mask(img: Image.Image, mask):
+    """تطبيق قناع القرحة على الصورة"""
+    img_np = np.array(img)
+    
+    # إنشاء قناع ملون
+    colored_mask = np.zeros_like(img_np)
+    colored_mask[mask == 1] = [255, 0, 0]  # أحمر
+    
+    # دمج مع الصورة الأصلية
+    result = cv2.addWeighted(img_np, 0.7, colored_mask, 0.3, 0)
+    
+    # إضافة حدود حمراء
+    contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
+    for contour in contours:
+        area = cv2.contourArea(contour)
+        if area > 50:  # تجاهل المناطق الصغيرة جداً
+            cv2.drawContours(result, [contour], -1, (255, 0, 0), 2)
+    
+    return Image.fromarray(result)
+
+def generate_report(classification, ulcer_percentage, risk_level, risk_score, symptoms, has_ulcer):
+    """توليد تقرير مفصل"""
+    report = {
+        "التصنيف": classification,
+        "نسبة_القرحة": f"{ulcer_percentage:.2f}%",
+        "مستوى_الخطورة": risk_level,
+        "درجة_الخطورة": risk_score,
+        "التوصيات": []
+    }
+    
+    if not has_ulcer:
+        if symptoms:
+            report["الأعراض_المبكرة"] = symptoms
+            report["التوصيات"].append("مراجعة طبية للكشف عن الأعراض المبكرة")
+            report["التوصيات"].append("العناية اليومية بالقدمين")
+        else:
+            report["الحالة"] = "سليمة"
+            report["التوصيات"].append("استمرار في العناية بالقدمين")
+            report["التوصيات"].append("فحص دوري للقدمين")
+    else:
+        report["التوصيات"].append("مراجعة عاجلة مع طبيب مختص")
+        report["التوصيات"].append("العناية المركزة بالمنطقة المصابة")
+        report["التوصيات"].append("تجنب الضغط على المنطقة المصابة")
+    
+    return report
+
+def analyze_single_image(img: Image.Image):
+    """تحليل صورة واحدة حسب السيناريو المطلوب"""
+    if img is None:
+        return None, {"خطأ": "لم يتم رفع صورة"}
+    
     try:
-        ulcer_mask = segment_ulcer(pil_img)
-        ulcer_pixels = int(np.sum(ulcer_mask == 1))
-        ulcer_percentage = (ulcer_pixels / ulcer_mask.size) * 100.0
-
-        # تلوين القناع
-        blended_img = apply_ulcer_mask(pil_img, ulcer_mask)
-        mask_display = Image.fromarray((ulcer_mask * 255).astype(np.uint8))
-
-        # تقييم مستوى الخطورة
-        if ulcer_percentage == 0:
-            risk_level, emoji = "No Risk", "🟢"
-        elif ulcer_percentage <= 1:
-            risk_level, emoji = "Low Risk", "🟡"
-        elif ulcer_percentage <= 5:
-            risk_level, emoji = "Medium Risk", "🟠"
+        print("\n" + "="*50)
+        print("🚀 بدء تحليل الصورة...")
+        
+        # 1. التصنيف مع إزالة الخلفية
+        classification, processed_img = classify_image(img)
+        has_ulcer = classification == "Abnormal(Ulcer)"
+        
+        # 2. إذا لا توجد قرحة، كشف الأعراض المبكرة
+        early_symptoms = []
+        ulcer_mask = None
+        ulcer_percentage = 0.0
+        
+        if not has_ulcer:
+            print("✅ لا توجد قرحة - الكشف عن الأعراض المبكرة...")
+            early_symptoms = check_early_symptoms(processed_img)
+            final_img = processed_img
         else:
-            risk_level, emoji = "High Risk", "🔴"
-
-        report = {
-            "نسبة_القرحة": f"{ulcer_percentage:.2f}%",
-            "مستوى_الخطورة": f"{risk_level} {emoji}",
-            "تفاصيل": "تم التحليل اعتمادًا على التجزئة فقط (بدون تصنيف)."
-        }
-
-        print(f"✅ النتيجة: {ulcer_percentage:.2f}% | {risk_level}")
-        return blended_img, mask_display, report
-
+            print("⚠️ اكتشاف قرحة - المتابعة للتجزئة...")
+            # 3. تجزئة القرحة
+            ulcer_mask = segment_ulcer(processed_img)
+            ulcer_pixels = np.sum(ulcer_mask == 1)
+            total_pixels = ulcer_mask.size
+            ulcer_percentage = (ulcer_pixels / total_pixels) * 100
+            
+            # 4. تطبيق القناع
+            final_img = apply_ulcer_mask(processed_img, ulcer_mask)
+        
+        # 5. حساب مستوى الخطر
+        risk_level, risk_score, risk_emoji = calculate_risk_level(ulcer_percentage)
+        
+        # 6. توليد التقرير
+        report = generate_report(
+            classification, ulcer_percentage, risk_level, risk_score, 
+            early_symptoms, has_ulcer
+        )
+        
+        print(f"📊 النتائج النهائية:")
+        print(f"   - التصنيف: {classification}")
+        print(f"   - نسبة القرحة: {ulcer_percentage:.2f}%")
+        print(f"   - مستوى الخطورة: {risk_level} {risk_emoji}")
+        if early_symptoms:
+            print(f"   - الأعراض المبكرة: {', '.join(early_symptoms)}")
+        
+        return final_img, report
+        
     except Exception as e:
-        print(f"❌ خطأ أثناء التحليل: {e}")
-        import traceback
-        traceback.print_exc()
-        return pil_img, None, {"خطأ": str(e)}
+        print(f"❌ خطأ في تحليل الصورة: {e}")
+        return img, {"خطأ": f"فشل في التحليل: {str(e)}"}
+
+def analyze_images(img1, img2):
+    """تحليل صورتين"""
+    results = []
+    reports = {}
+    
+    for idx, img in enumerate([img1, img2]):
+        image_key = f"صورة_{idx+1}"
+        
+        if img is None:
+            results.append(None)
+            reports[image_key] = {"حالة": "لم يتم رفع صورة"}
+        else:
+            analyzed_img, report = analyze_single_image(img)
+            results.append(analyzed_img)
+            reports[image_key] = report
+    
+    return results, reports
 
+# تهيئة النماذج
+print("🚀 جاري تهيئة النماذج...")
+initialize_models()
 
-# ================================
 # واجهة Gradio
-# ================================
-def build_ui():
-    with gr.Blocks(title="تحليل قرحة القدم السكري", theme=gr.themes.Soft()) as demo:
-        gr.Markdown("# 🦶 نظام تحليل قرحة القدم السكري")
-        gr.Markdown("### يعتمد التحليل على التجزئة لتحديد مناطق القرحة ونسبة الخطورة")
-
-        with gr.Row():
-            with gr.Column(scale=1):
-                input_img = gr.Image(type="pil", label="📤 صورة القدم")
-                analyze_btn = gr.Button("🔍 بدء التحليل", variant="primary")
+with gr.Blocks(title="نظام تحليل قرحة القدم السكري", theme=gr.themes.Soft()) as demo:
+    gr.Markdown("""
+    # 🦶 نظام الذكاء الاصطناعي لتحليل قرحة القدم السكري
+    
+    ### 📋 السيناريو الطبي المتبع:
+    1. **إزالة الخلفية** والتركيز على القدم
+    2. **التصنيف**: الكشف عن وجود قرحة
+    3. **إذا لا توجد قرحة**: الكشف عن أعراض مبكرة
+    4. **إذا توجد قرحة**: تحديد منطقة القرحة بدقة
+    5. **تقييم مستوى الخطورة** وتوليد التقرير
+    """)
+    
+    with gr.Row():
+        with gr.Column():
+            gr.Markdown("### 📤 رفع الصور")
+            with gr.Row():
+                img1 = gr.Image(type="pil", label="الصورة الأولى", height=250)
+                img2 = gr.Image(type="pil", label="الصورة الثانية", height=250)
+            
+            analyze_btn = gr.Button("🔍 بدء التحليل", variant="primary", size="lg")
+        
+        with gr.Column():
+            gr.Markdown("### 📊 النتائج")
+            gallery = gr.Gallery(label="الصور المحللة", columns=2, height="auto")
+            json_output = gr.JSON(label="التقارير الطبية")
+    
+    gr.Markdown("""
+    ---
+    **🎯 تفسير النتائج:**
+    - **🟢 No Risk**: لا توجد قرحة ولا أعراض مبكرة
+    - **🟡 Low Risk**: أعراض مبكرة أو قرحة صغيرة (<1%)
+    - **🟠 Medium Risk**: قرحة متوسطة (1-5%)
+    - **🔴 High Risk**: قرحة كبيرة (>5%)
+    
+    **🔍 المناطق الحمراء**: مناطق القرحة المكتشفة
+    """)
+    
+    analyze_btn.click(
+        fn=analyze_images,
+        inputs=[img1, img2],
+        outputs=[gallery, json_output]
+    )
 
-            with gr.Column(scale=1):
-                output_img = gr.Image(type="pil", label="🩸 الصورة مع القناع", height=340)
-                mask_img = gr.Image(type="pil", label="🧩 القناع الأبيض/الأسود", height=340)
-                json_out = gr.JSON(label="📊 التقرير النهائي")
-
-        analyze_btn.click(
-            fn=analyze_single_image,
-            inputs=[input_img],
-            outputs=[output_img, mask_img, json_out]
-        )
-    return demo
-
-
-# ================================
-# التشغيل
-# ================================
 if __name__ == "__main__":
-    print("🚀 تهيئة نموذج التجزئة فقط...")
-    initialize_model()
-    demo = build_ui()
-    demo.launch(server_name="0.0.0.0", server_port=7860, share=True)
-
+    print("🌐 بدء تشغيل السيرفر...")
+    demo.launch(server_name="0.0.0.0", server_port=7860, share=True)