app.py

import gradio as gr
import tensorflow as tf
import numpy as np
import cv2
from huggingface_hub import hf_hub_download
from tensorflow.keras.preprocessing import image

# === Importar funciones del pipeline ===
from preprocessing.zoom import apply_zoom
from preprocessing.hair_removal import quitar_pelos
from preprocessing.segmentation import segmentar_lesion
from preprocessing.metrics import (
    calcular_area,
    calcular_perimetro,
    calcular_circularidad,
    calcular_simetria
)

# Tamaño de entrada del modelo
ROWS, COLS = 224, 224

# === Cargar modelo desde Hugging Face Hub ===
model_path = hf_hub_download(repo_id="Martinagg/simpleNet", filename="simpleNet.h5")
model = tf.keras.models.load_model(model_path)

# === Función de predicción ===
def preprocess_and_predict(img_input):
    # Convertir PIL a OpenCV (BGR)
    img = np.array(img_input)[:, :, ::-1]

    # 1. Zoom
    zoomed = apply_zoom(img, zoom_factor=0.9)

    # 2. Quitar pelos
    rgb_clean = cv2.cvtColor(zoomed, cv2.COLOR_BGR2RGB)
    clean = quitar_pelos(rgb_clean)

    # 3. Segmentar (obtienes máscara y lesión recortada)
    mask, lesion_rgb = segmentar_lesion(clean, size=(ROWS, COLS))

    # 4. Preparar la imagen segmentada para el modelo
    lesion_resized = cv2.resize(lesion_rgb, (ROWS, COLS))
    img_array = image.img_to_array(lesion_resized) / 255.0
    img_array = np.expand_dims(img_array, axis=0)  # batch dimension

    # 5. Predicción
    probs = model.predict(img_array)[0]
    classes = ["Benign", "Malignant"]
    pred_idx = np.argmax(probs)
    pred_label = classes[pred_idx]
    result_text = f"Predicción: {pred_label} ({probs[pred_idx]*100:.2f}%)"

    # 6. Calcular métricas geométricas
    area = calcular_area(mask)
    perim = calcular_perimetro(mask)
    circ = calcular_circularidad(mask)
    sim_v, sim_h = calcular_simetria(mask)

    metrics_text = (
        f"Área: {area}\n"
        f"Perímetro: {perim}\n"
        f"Circularidad: {circ}\n"
        f"Simetría Vertical: {sim_v}\n"
        f"Simetría Horizontal: {sim_h}"
    )

    return mask, lesion_rgb, result_text, metrics_text

# === Interfaz Gradio ===
demo = gr.Interface(
    fn=preprocess_and_predict,
    inputs=gr.Image(type="pil", label="Sube una imagen de lesión"),
    outputs=[
        gr.Image(type="numpy", label="Máscara Binaria"),
        gr.Image(type="numpy", label="Lesión Segmentada"),
        gr.Textbox(label="Resultado del Modelo"),
        gr.Textbox(label="Métricas de la Lesión")
    ],
    title="DermaScan - Clasificación de Lesiones",
    description="Sube una imagen de piel. El sistema segmenta la lesión, muestra la máscara, la predicción y métricas geométricas."
)

if __name__ == "__main__":
    demo.launch()