Edit app.py

app.py

@@ -23,7 +23,30 @@ ROWS, COLS = 224, 224
 model_path = hf_hub_download(repo_id="Martinagg/simpleNet", filename="simpleNet.h5")
 model = tf.keras.models.load_model(model_path)
 
-# === Función de predicción ===
+# === Cargar modelo ZoomNet para Grad-CAM ===
+zoom_path = hf_hub_download(repo_id="Martinagg/ZoomNet", filename="ZoomNet.keras")
+model_zoom = tf.keras.models.load_model(zoom_path)
+
+# === Función Grad-CAM ===
+def make_gradcam_heatmap(img_array, model, last_conv_layer_name="conv4", pred_index=None):
+    grad_model = tf.keras.models.Model(
+        [model.inputs],
+        [model.get_layer(last_conv_layer_name).output, model.output]
+    )
+    with tf.GradientTape() as tape:
+        conv_outputs, predictions = grad_model(img_array)
+        if pred_index is None:
+            pred_index = tf.argmax(predictions[0])
+        class_channel = predictions[:, pred_index]
+    grads = tape.gradient(class_channel, conv_outputs)
+    pooled_grads = tf.reduce_mean(grads, axis=(0, 1, 2))
+    conv_outputs = conv_outputs[0]
+    heatmap = conv_outputs @ pooled_grads[..., tf.newaxis]
+    heatmap = tf.squeeze(heatmap)
+    heatmap = tf.maximum(heatmap, 0) / tf.math.reduce_max(heatmap)
+    return heatmap.numpy()
+
+# === Función de predicción principal ===
 def preprocess_and_predict(img_input):
     # Convertir PIL a OpenCV (BGR)
     img = np.array(img_input)[:, :, ::-1]
@@ -35,22 +58,22 @@ def preprocess_and_predict(img_input):
     rgb_clean = cv2.cvtColor(zoomed, cv2.COLOR_BGR2RGB)
     clean = quitar_pelos(rgb_clean)
 
-    # 3. Segmentar (obtienes máscara y lesión recortada)
+    # 3. Segmentar
     mask, lesion_rgb = segmentar_lesion(clean, size=(ROWS, COLS))
 
-    # 4. Preparar la imagen segmentada para el modelo
+    # 4. Preparar para SimpleNet
     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
+    img_array = np.expand_dims(img_array, axis=0)
 
-    # 5. Predicción
+    # 5. Predicción con SimpleNet
     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
+    # 6. Métricas geométricas
     area = calcular_area(mask)
     perim = calcular_perimetro(mask)
     circ = calcular_circularidad(mask)
@@ -64,7 +87,18 @@ def preprocess_and_predict(img_input):
         f"Simetría Horizontal: {sim_h}"
     )
 
-    return mask, lesion_rgb, result_text, metrics_text
+    # 7. Grad-CAM con ZoomNet (usando la imagen en bruto)
+    raw_resized = cv2.resize(np.array(img_input), (ROWS, COLS))
+    raw_array = image.img_to_array(raw_resized) / 255.0
+    raw_array = np.expand_dims(raw_array, axis=0)
+
+    heatmap = make_gradcam_heatmap(raw_array, model_zoom, last_conv_layer_name="conv4")
+    heatmap = cv2.resize(heatmap, (ROWS, COLS))
+    heatmap = np.uint8(255 * heatmap)
+    heatmap_color = cv2.applyColorMap(heatmap, cv2.COLORMAP_JET)
+    overlay = cv2.addWeighted(raw_resized.astype("uint8"), 0.6, heatmap_color, 0.4, 0)
+
+    return mask, lesion_rgb, result_text, metrics_text, overlay
 
 # === Interfaz Gradio ===
 demo = gr.Interface(
@@ -74,10 +108,11 @@ demo = gr.Interface(
         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")
+        gr.Textbox(label="Métricas de la Lesión"),
+        gr.Image(type="numpy", label="Grad-CAM (ZoomNet)")
     ],
     title="DermaScan - Clasificación de Lesiones",
-    description="Sube una imagen de piel. El sistema segmenta la lesión, muestra la máscara, la predicción y métricas geométricas."
+    description="Sube una imagen de piel. El sistema segmenta la lesión, muestra la máscara, la predicción, métricas geométricas y Grad-CAM."
 )
 
 if __name__ == "__main__":