Update app.py

app.py

@@ -1,482 +1,299 @@
-import tensorflow as tf
-from tensorflow.keras.models import load_model
-import torch
-import torch.nn as nn
+# -*- coding: utf-8 -*-
+"""
+نظام تحليل قرحة القدم السكري باستخدام DFUTissueSegNet
+- يعتمد فقط على التجزئة متعددة الفئات (قرحة / Slough / نخر)
+- يعرض الألوان + نسب كل نوع نسيج + مستوى الخطورة
+"""
+
+import os
 import numpy as np
-import gradio as gr
 from PIL import Image
 import cv2
-from torchvision import transforms
-import gdown  
-import os
-import albumentations as A
-import segmentation_models_pytorch as smp
+import torch
+import torch.nn as nn
+import torch.nn.functional as F
+import gdown
+import gradio as gr
+
 
-# تعريفات عالمية
-classifier = None
+# ======================================================
+# الإعدادات العامة
+# ======================================================
 segmenter = None
-class_names = ["Abnormal(Ulcer)", "Normal(Healthy skin)"]
 IMG_SIZE = 224
 DEVICE = torch.device("cuda" if torch.cuda.is_available() else "cpu")
 
-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(
-            encoder_name=encoder_name,
-            encoder_weights=None,
-            classes=classes,
-            activation=activation,
-            decoder_attention_type='pscse',
+
+# ======================================================
+# تعريف النموذج DFUTissueSegNet
+# ======================================================
+class ConvBlock(nn.Module):
+    def __init__(self, in_channels, out_channels):
+        super(ConvBlock, self).__init__()
+        self.block = nn.Sequential(
+            nn.Conv2d(in_channels, out_channels, 3, padding=1),
+            nn.BatchNorm2d(out_channels),
+            nn.ReLU(inplace=True),
+            nn.Conv2d(out_channels, out_channels, 3, padding=1),
+            nn.BatchNorm2d(out_channels),
+            nn.ReLU(inplace=True)
         )
-    
     def forward(self, x):
-        return self.unet(x)
-
-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, fuzzy=True)
-            print(f"✅ تم تحميل: {os.path.basename(path)}")
-        except Exception as e:
-            print(f"❌ خطأ في التحميل: {e}")
-
-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
+        return self.block(x)
+
+class DFUTissueSegNet(nn.Module):
+    def __init__(self, num_classes=3):
+        super(DFUTissueSegNet, self).__init__()
+        self.encoder1 = ConvBlock(3, 64)
+        self.pool1 = nn.MaxPool2d(2, 2)
+        self.encoder2 = ConvBlock(64, 128)
+        self.pool2 = nn.MaxPool2d(2, 2)
+        self.encoder3 = ConvBlock(128, 256)
+        self.pool3 = nn.MaxPool2d(2, 2)
+        self.encoder4 = ConvBlock(256, 512)
+        self.pool4 = nn.MaxPool2d(2, 2)
+
+        self.center = ConvBlock(512, 1024)
+
+        self.up4 = nn.ConvTranspose2d(1024, 512, 2, stride=2)
+        self.dec4 = ConvBlock(1024, 512)
+        self.up3 = nn.ConvTranspose2d(512, 256, 2, stride=2)
+        self.dec3 = ConvBlock(512, 256)
+        self.up2 = nn.ConvTranspose2d(256, 128, 2, stride=2)
+        self.dec2 = ConvBlock(256, 128)
+        self.up1 = nn.ConvTranspose2d(128, 64, 2, stride=2)
+        self.dec1 = ConvBlock(128, 64)
+
+        self.final = nn.Conv2d(64, num_classes, 1)
+
+    def forward(self, x):
+        e1 = self.encoder1(x)
+        e2 = self.encoder2(self.pool1(e1))
+        e3 = self.encoder3(self.pool2(e2))
+        e4 = self.encoder4(self.pool3(e3))
+        center = self.center(self.pool4(e4))
+
+        d4 = self.up4(center)
+        d4 = torch.cat([d4, e4], dim=1)
+        d4 = self.dec4(d4)
+
+        d3 = self.up3(d4)
+        d3 = torch.cat([d3, e3], dim=1)
+        d3 = self.dec3(d3)
+
+        d2 = self.up2(d3)
+        d2 = torch.cat([d2, e2], dim=1)
+        d2 = self.dec2(d2)
+
+        d1 = self.up1(d2)
+        d1 = torch.cat([d1, e1], dim=1)
+        d1 = self.dec1(d1)
+
+        out = self.final(d1)
+        out = F.softmax(out, dim=1)
+        return out
+
+
+# ======================================================
+# تحميل النموذج
+# ======================================================
+def initialize_model():
+    """تحميل DFUTissueSegNet"""
+    global segmenter
+    MODEL_URL = "https://github.com/JoshKowi/DFUTissueSegNet/raw/main/Models/DFUTissueSegNet_best.pth"
+    MODEL_PATH = "DFUTissueSegNet_best.pth"
+
+    if not os.path.exists(MODEL_PATH):
+        print("📥 تحميل النموذج من GitHub...")
+        gdown.download(MODEL_URL, MODEL_PATH, quiet=False)
+
     try:
-        print("🔄 جاري تحميل نموذج FUSegNet...")
-        segmenter = FUSegNet()
-        
-        checkpoint = torch.load(SEG_MODEL_PATH, map_location=DEVICE)
-        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():
-            new_key = k.replace('module.', '').replace('model.', '').replace('unet.', '')
-            new_state_dict[new_key] = v
-        
-        segmenter.load_state_dict(new_state_dict, strict=False)
+        print("🔄 تحميل نموذج DFUTissueSegNet...")
+        segmenter = DFUTissueSegNet(num_classes=3)
+        state_dict = torch.load(MODEL_PATH, map_location=DEVICE)
+        segmenter.load_state_dict(state_dict)
         segmenter.to(DEVICE)
         segmenter.eval()
-        print("✅ تم تحميل نموذج التجزئة بنجاح!")
-        
+        print("✅ تم تحميل DFUTissueSegNet بنجاح.")
     except Exception as e:
-        print(f"❌ خطأ في تحميل نموذج التجزئة: {e}")
+        print(f"❌ فشل تحميل النموذج: {e}")
         segmenter = None
 
-def remove_background_simple(img: Image.Image):
-    """إزالة خلفية الصورة بطريقة مبسطة باستخدام OpenCV"""
-    try:
-        img_np = np.array(img)
-        
-        # تحويل إلى HSV للكشف عن لون البشرة
-        hsv = cv2.cvtColor(img_np, cv2.COLOR_RGB2HSV)
-        
-        # نطاق لون البشرة في HSV
-        lower_skin = np.array([0, 20, 70], dtype=np.uint8)
-        upper_skin = np.array([20, 255, 255], dtype=np.uint8)
-        
-        # قناع البشرة
-        skin_mask = cv2.inRange(hsv, lower_skin, upper_skin)
-        
-        # تنظيف القناع
-        kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5))
-        skin_mask = cv2.morphologyEx(skin_mask, cv2.MORPH_OPEN, kernel)
-        skin_mask = cv2.morphologyEx(skin_mask, cv2.MORPH_CLOSE, kernel)
-        skin_mask = cv2.dilate(skin_mask, kernel, iterations=1)
-        
-        # تطبيق القناع على الصورة
-        result = cv2.bitwise_and(img_np, img_np, mask=skin_mask)
-        
-        # إذا كانت الصورة سوداء بالكامل، نعيد الصورة الأصلية
-        if np.sum(result) == 0:
-            return img
-        
-        return Image.fromarray(result)
-    except Exception as e:
-        print(f"⚠️ فشل إزالة الخلفية: {e}")
-        return img
 
-def detect_foot_region(img: Image.Image):
-    """الكشف عن منطقة القدم"""
-    try:
-        img_np = np.array(img)
-        h, w = img_np.shape[:2]
-        
-        # طريقة مبسطة للكشف عن المنطقة السفلية (القدم)
-        # نفترض أن القدم في الجزء السفلي من الصورة
-        foot_height = h // 2  # النصف السفلي من الصورة
-        foot_region = img_np[h - foot_height:, :]
-        
-        return Image.fromarray(foot_region)
-    except Exception as e:
-        print(f"⚠️ فشل الكشف عن القدم: {e}")
-        return 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_simple(img)
-    
-    # 2. الكشف عن منطقة القدم
-    foot_img = detect_foot_region(img_no_bg)
-    
-    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"""
+# ======================================================
+# دالة التجزئة
+# ======================================================
+def segment_ulcer(pil_img: Image.Image):
+    """تجزئة متعددة الفئات + حساب نسب كل نوع نسيج"""
     if segmenter is None:
-        return smart_ulcer_detection(img)
-    
+        np_img = np.array(pil_img)
+        return np.zeros((np_img.shape[0], np_img.shape[1], 3), dtype=np.uint8), {}
+
     try:
-        print("🔄 تجزئة القرحة باستخدام FUSegNet...")
-        
-        img_np = np.array(img)
+        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)
+
         img_resized = cv2.resize(img_np, (IMG_SIZE, IMG_SIZE))
-        img_normalized = img_resized.astype(np.float32) / 255.0
-        
-        img_tensor = torch.from_numpy(img_normalized).permute(2, 0, 1).unsqueeze(0).to(DEVICE)
-        
+        img_norm = img_resized.astype(np.float32) / 255.0
+        tensor = torch.from_numpy(img_norm).permute(2, 0, 1).unsqueeze(0).to(DEVICE)
+
         with torch.no_grad():
-            output = segmenter(img_tensor)
-            pred = output.squeeze().cpu().numpy()
-        
-        # استخدام عتبة ثابتة
-        threshold = 0.3
-        mask_bin = (pred >= 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
-        
+            output = segmenter(tensor)
+            pred = output.squeeze().cpu().numpy()  # (3, H, W)
+
+        # تأكيد الأبعاد
+        if pred.ndim != 3 or pred.shape[0] < 3:
+            print("⚠️ النموذج لم يُرجع 3 قنوات. سيتم استخدام القناة الأولى فقط.")
+            pred = np.stack([pred, np.zeros_like(pred), np.zeros_like(pred)], axis=0)
+
+        pred = (pred - pred.min()) / (pred.max() - pred.min() + 1e-8)
+
+        gran = pred[0, :, :]  # أحمر
+        slough = pred[1, :, :]  # أصفر
+        nec = pred[2, :, :]  # أسود
+
+        th = 0.55
+        gran_mask = (gran >= th).astype(np.uint8)
+        slough_mask = (slough >= th).astype(np.uint8)
+        nec_mask = (nec >= th).astype(np.uint8)
+
+        kernel = np.ones((5, 5), np.uint8)
+        for m in [gran_mask, slough_mask, nec_mask]:
+            cv2.morphologyEx(m, cv2.MORPH_OPEN, kernel)
+            cv2.morphologyEx(m, cv2.MORPH_CLOSE, kernel)
+
+        mask_color = np.zeros((*gran_mask.shape, 3), dtype=np.uint8)
+        mask_color[gran_mask == 1] = (255, 0, 0)
+        mask_color[slough_mask == 1] = (255, 255, 0)
+        mask_color[nec_mask == 1] = (0, 0, 0)
+
+        mask_resized = cv2.resize(mask_color, (img_np.shape[1], img_np.shape[0]), interpolation=cv2.INTER_NEAREST)
+
+        total_pixels = mask_resized.shape[0] * mask_resized.shape[1]
+        gran_ratio = np.sum(gran_mask) / total_pixels * 100
+        slough_ratio = np.sum(slough_mask) / total_pixels * 100
+        nec_ratio = np.sum(nec_mask) / total_pixels * 100
+        total_ratio = gran_ratio + slough_ratio + nec_ratio
+
+        tissue_stats = {
+            "قرحة (Granulation)": f"{gran_ratio:.2f}%",
+            "Slough (أنسجة ميتة جزئيًا)": f"{slough_ratio:.2f}%",
+            "نخر (Necrotic)": f"{nec_ratio:.2f}%",
+            "الإجمالي": f"{total_ratio:.2f}%"
+        }
+
+        return mask_resized, tissue_stats
+
     except Exception as e:
         print(f"❌ خطأ في التجزئة: {e}")
-        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
-    gray = cv2.cvtColor(img_np, cv2.COLOR_RGB2GRAY)
-    dry_skin_ratio = np.sum(gray > 200) / gray.size
-    if dry_skin_ratio > 0.1:
-        symptoms.append("جفاف في الجلد")
-    
-    # 3. تشققات محتملة
-    edges = cv2.Canny(gray, 50, 150)
-    edge_density = np.sum(edges > 0) / edges.size
-    if edge_density > 0.05:
-        symptoms.append("تشققات محتملة في الجلد")
-    
-    return symptoms
-
-def apply_ulcer_mask(img: Image.Image, mask):
-    """تطبيق قناع القرحة على الصورة"""
-    img_np = np.array(img)
-    
-    ulcer_pixels = np.sum(mask == 1)
-    if ulcer_pixels == 0:
-        return 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_detailed_report(classification, ulcer_percentage, risk_level, risk_score, symptoms, has_ulcer):
-    """توليد تقرير مفصل بالعربية"""
-    
-    report = {
-        "التصنيف": classification,
-        "نسبة_القرحة": f"{ulcer_percentage:.2f}%",
-        "مستوى_الخطورة": f"{risk_level} {risk_score}/5",
-        "التوصيات_الطبية": []
-    }
-    
-    if not has_ulcer:
-        report["الحالة"] = "سليمة"
-        if symptoms:
-            report["الاعراض_المبكرة"] = symptoms
-            report["التوصيات_الطبية"].append("🔸 مراجعة طبية للكشف عن الأعراض المبكرة")
-            report["التوصيات_الطبية"].append("🔸 العناية اليومية بالقدمين وترطيبها")
-            report["التوصيات_الطبية"].append("🔸 فحص دوري للقدمين")
-        else:
-            report["الاعراض_المبكرة"] = "لا توجد أعراض مبكرة"
-            report["التوصيات_الطبية"].append("✅ استمرار في العناية الروتينية بالقدمين")
-            report["التوصيات_الطبية"].append("✅ الحفاظ على نظافة القدمين وجفافهما")
-    else:
-        report["الحالة"] = "توجد قرحة"
-        report["التوصيات_الطبية"].append("🚨 مراجعة عاجلة مع طبيب مختص")
-        report["التوصيات_الطبية"].append("🔴 تجنب الضغط على المنطقة المصابة")
-        report["التوصيات_الطبية"].append("💊 العناية المركزة بالمنطقة وتنظيفها يومياً")
-        
-        if risk_level == "High Risk":
-            report["التوصيات_الطبية"].append("⚠️ قد تحتاج إلى تدخل طبي عاجل")
-    
-    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"}
-    
+        import traceback
+        traceback.print_exc()
+        np_img = np.array(pil_img)
+        return np.zeros((np_img.shape[0], np_img.shape[1], 3), dtype=np.uint8), {}
+
+
+# ======================================================
+# تطبيق القناع اللوني
+# ======================================================
+def apply_ulcer_mask(pil_img: Image.Image, mask_color):
     try:
-        print("\n" + "="*60)
-        print("🚀 بدء تحليل الصورة...")
-        
-        # 1. التصنيف مع إزالة الخلفية
-        print("📝 الخطوة 1: التصنيف وإزالة 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
-            analysis_note = "تم تحليل الصورة ولم يتم اكتشاف قرحة"
-        else:
-            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)
-            analysis_note = f"تم اكتشاف قرحة بنسبة {ulcer_percentage:.2f}%"
-        
-        # 5. حساب مستوى الخطر
-        risk_level, risk_score, risk_emoji = calculate_risk_level(ulcer_percentage)
-        
-        # 6. توليد التقرير المفصل
-        report = generate_detailed_report(
-            classification, ulcer_percentage, risk_level, risk_score, 
-            early_symptoms, has_ulcer
-        )
-        
-        # إضافة ملخص النتائج
-        report["ملخص_التحليل"] = analysis_note
-        report["رمز_الخطورة"] = risk_emoji
-        
-        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
-        
+        base = np.array(pil_img)
+        if base.ndim == 2:
+            base = cv2.cvtColor(base, cv2.COLOR_GRAY2RGB)
+        elif base.shape[-1] == 4:
+            base = cv2.cvtColor(base, cv2.COLOR_RGBA2RGB)
+
+        if mask_color.shape[:2] != base.shape[:2]:
+            mask_color = cv2.resize(mask_color, (base.shape[1], base.shape[0]))
+
+        mask_gray = cv2.cvtColor(mask_color, cv2.COLOR_RGB2GRAY)
+        alpha = (mask_gray > 0).astype(np.float32)[..., None] * 0.5
+        blended = (alpha * mask_color + (1 - alpha) * base).astype(np.uint8)
+        return Image.fromarray(blended)
     except Exception as e:
-        print(f"❌ خطأ في تحليل الصورة: {e}")
-        error_report = {
-            "خطأ": "فشل في تحليل الصورة",
-            "التفاصيل": str(e),
-            "التوصيات": ["يرجى تحميل صورة أخرى", "تأكد من وضوح الصورة"]
+        print(f"❌ خطأ في تطبيق القناع: {e}")
+        return pil_img
+
+
+# ======================================================
+# تحليل الصورة
+# ======================================================
+def analyze_single_image(pil_img: Image.Image):
+    if pil_img is None:
+        return None, None, {"خطأ": "لم يتم رفع صورة"}
+
+    try:
+        mask_color, tissue_stats = segment_ulcer(pil_img)
+        blended = apply_ulcer_mask(pil_img, mask_color)
+
+        total_ratio = float(tissue_stats.get("الإجمالي", "0").replace("%", ""))
+        if total_ratio == 0:
+            level, emoji = "No Risk", "🟢"
+        elif total_ratio <= 1:
+            level, emoji = "Low Risk", "🟡"
+        elif total_ratio <= 5:
+            level, emoji = "Medium Risk", "🟠"
+        else:
+            level, emoji = "High Risk", "🔴"
+
+        report = {
+            "مستوى_الخطورة": f"{level} {emoji}",
+            "نسب_الأنسجة": tissue_stats,
+            "ملاحظات": "تم التحليل اعتمادًا على DFUTissueSegNet متعدد الفئات."
         }
-        return img, error_report
-
-# تهيئة النماذج
-print("🚀 جاري تهيئة النماذج...")
-initialize_models()
-
-# واجهة Gradio المبسطة
-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
-    
-    **🔍 ارفع صورة واحدة للتحليل**
-    """)
-    
-    with gr.Row():
-        with gr.Column(scale=1):
-            gr.Markdown("### 📤 رفع الصورة")
-            image_input = gr.Image(type="pil", label="صورة القدم", height=300)
-            analyze_btn = gr.Button("🔍 بدء التحليل", variant="primary", size="lg")
-            
-            gr.Markdown("""
-            **💡 نصائح للصورة:**
-            - صورة واضحة للقدم
-            - إضاءة جيدة
-            - خلفية بسيطة إن أمكن
-            - القدم مرئية بوضوح
-            """)
-        
-        with gr.Column(scale=1):
-            gr.Markdown("### 📊 نتائج التحليل")
-            image_output = gr.Image(label="الصورة المحللة", height=300)
-            json_output = gr.JSON(label="التقرير الطبي", show_label=True)
-    
-    gr.Markdown("""
-    ---
-    **🎯 تفسير مستويات الخطورة:**
-    - **🟢 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_single_image,
-        inputs=[image_input],
-        outputs=[image_output, json_output]
-    )
 
+        return blended, Image.fromarray(mask_color), report
+
+    except Exception as e:
+        print(f"❌ خطأ أثناء التحليل: {e}")
+        import traceback
+        traceback.print_exc()
+        return pil_img, None, {"خطأ": str(e)}
+
+
+# ======================================================
+# 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 - DFUTissueSegNet")
+        gr.Markdown("### يعتمد التحليل على التجزئة لتحديد أنواع الأنسجة المتضررة ونسبة كل نوع")
+
+        with gr.Row():
+            with gr.Column():
+                input_img = gr.Image(type="pil", label="📤 ارفع صورة القدم")
+                analyze_btn = gr.Button("🔍 بدء التحليل", variant="primary")
+
+            with gr.Column():
+                output_img = gr.Image(type="pil", label="🩸 الصورة مع القناع", height=320)
+                mask_img = gr.Image(type="pil", label="🧩 القناع اللوني", height=320)
+                json_out = gr.JSON(label="📊 التقرير التفصيلي")
+
+        gr.Markdown("""
+        ---
+        ### 🧭 مفتاح الألوان (Legend)
+        - 🩸 **أحمر** → نسيج قرحة (Granulation)  
+        - 🟡 **أصفر** → نسيج ميت جزئيًا (Slough)  
+        - ⚫ **أسود** → نسيج نخر (Necrotic)  
+        ---
+        """)
+
+        analyze_btn.click(
+            fn=analyze_single_image,
+            inputs=[input_img],
+            outputs=[output_img, mask_img, json_out]
+        )
+    return demo
+
+
+# ======================================================
+# تشغيل النظام
+# ======================================================
 if __name__ == "__main__":
-    print("🌐 بدء تشغيل السيرفر...")
-    print("✅ النظام جاهز لتحليل صورة واحدة")
-    demo.launch(server_name="0.0.0.0", server_port=7860, share=True)
+    print("🚀 تهيئة نموذج DFUTissueSegNet...")
+    initialize_model()
+    demo = build_ui()
+    demo.launch(server_name="0.0.0.0", server_port=7860, share=True)