app.py

import streamlit as st
import numpy as np
import pydicom
import tensorflow as tf
from tensorflow.keras.models import load_model
import matplotlib
matplotlib.use('Agg')
import matplotlib.pyplot as plt
import cv2
import PIL.Image
import pandas as pd
import io
import traceback

# ──────────────────────────────────────────────
# Названия меток травм
# ──────────────────────────────────────────────
injury_cols = [
    'bowel_injury',
    'extravasation_injury',
    'kidney_healthy', 'kidney_low', 'kidney_high',
    'liver_healthy',  'liver_low',  'liver_high',
    'spleen_healthy', 'spleen_low', 'spleen_high',
]

LABEL_RU = {
    'bowel_injury':        'Травма кишечника',
    'extravasation_injury':'Экстравазация (кровотечение)',
    'kidney_healthy':      'Почка — норма',
    'kidney_low':          'Почка — низкий риск',
    'kidney_high':         'Почка — высокий риск',
    'liver_healthy':       'Печень — норма',
    'liver_low':           'Печень — низкий риск',
    'liver_high':          'Печень — высокий риск',
    'spleen_healthy':      'Селезёнка — норма',
    'spleen_low':          'Селезёнка — низкий риск',
    'spleen_high':         'Селезёнка — высокий риск',
}

# ──────────────────────────────────────────────
# Предобработка изображения
# ──────────────────────────────────────────────
def load_and_preprocess_image(uploaded_file, target_size=(224, 224)):
    file_extension = uploaded_file.name.split('.')[-1].lower()
    uploaded_file.seek(0)

    if file_extension == 'dcm':
        raw_bytes = uploaded_file.read()
        dicom = pydicom.dcmread(io.BytesIO(raw_bytes))
        img = dicom.pixel_array.astype('float32')
        max_val = img.max()
        if max_val > 0:
            img = img / max_val
    else:
        raw_bytes = uploaded_file.read()
        pil_img = PIL.Image.open(io.BytesIO(raw_bytes))
        if pil_img.mode in ('RGBA', 'LA'):
            pil_img = pil_img.convert('RGB')
        elif pil_img.mode == 'P':
            pil_img = pil_img.convert('RGB')
        img_arr = np.array(pil_img)
        if len(img_arr.shape) == 3 and img_arr.shape[2] >= 3:
            img = cv2.cvtColor(img_arr[:, :, :3], cv2.COLOR_RGB2GRAY)
        else:
            img = img_arr
        img = img.astype('float32') / 255.0

    img = cv2.resize(img, target_size)
    if len(img.shape) == 2:
        img = np.stack((img,) * 3, axis=-1)
    elif img.shape[2] == 1:
        img = np.repeat(img, 3, axis=-1)

    img = np.expand_dims(img, axis=0)
    return img


# ──────────────────────────────────────────────
# Основное приложение
# ──────────────────────────────────────────────
def main():
    st.set_page_config(
        page_title="Диагностика травм живота",
        page_icon="🏥",
        layout="wide",
    )

    st.title('🏥 Система диагностики травм живота')
    st.write('Загрузите медицинское изображение (DICOM, JPG, PNG) для анализа травм')

    # ── Загрузка модели ──────────────────────────
    @st.cache_resource
    def load_trained_model():
        try:
            return load_model('best_model.keras')
        except Exception:
            return None

    model = load_trained_model()

    if model is None:
        # Демонстрационный режим с реалистичными предсказаниями
        class DummyModel:
            def predict(self, x):
                # Реалистичный пример: здоровый пациент
                vals = {
                    'bowel_injury':        0.023,
                    'extravasation_injury':0.031,
                    'kidney_healthy':      0.912,
                    'kidney_low':          0.054,
                    'kidney_high':         0.018,
                    'liver_healthy':       0.887,
                    'liver_low':           0.071,
                    'liver_high':          0.025,
                    'spleen_healthy':      0.873,
                    'spleen_low':          0.059,
                    'spleen_high':         0.041,
                }
                return np.array([[vals[c] for c in injury_cols]], dtype='float32')
        model = DummyModel()
        _model_missing = True
    else:
        _model_missing = False

    # ── Загрузка файла ───────────────────────────
    uploaded_file = st.file_uploader(
        "Выберите файл изображения",
        type=["dcm", "jpg", "jpeg", "png", "bmp", "tiff"],
        help="Поддерживаются форматы: DICOM (.dcm), JPG, PNG, BMP, TIFF",
    )

    if uploaded_file is not None:
        col1, col2 = st.columns(2)

        with col1:
            st.subheader("Загруженное изображение")
            file_extension = uploaded_file.name.split('.')[-1].lower()
            try:
                uploaded_file.seek(0)
                if file_extension == 'dcm':
                    raw = uploaded_file.read()
                    dicom_img = pydicom.dcmread(io.BytesIO(raw))
                    fig_img, ax = plt.subplots(figsize=(6, 6))
                    ax.imshow(dicom_img.pixel_array, cmap='gray')
                    ax.axis('off')
                    st.pyplot(fig_img)
                    plt.close(fig_img)
                else:
                    uploaded_file.seek(0)
                    st.image(uploaded_file, width=700)
            except Exception as e:
                st.error(f"Ошибка отображения изображения: {e}")

        with col2:
            try:
                processed_img = load_and_preprocess_image(uploaded_file)

                with st.spinner("Выполняется анализ..."):
                    prediction = model.predict(processed_img)

                if _model_missing:
                    st.info("ℹ️ Демонстрационный режим — модель `best_model.keras` не найдена.")

                raw_probs = prediction[0].astype(float)
                probs = {injury_cols[i]: float(raw_probs[i]) for i in range(len(injury_cols))}

                # ── Таблица повреждений ──────────────
                st.subheader('🔍 Вероятности повреждений')

                injury_only_cols = [c for c in injury_cols if 'healthy' not in c]
                injury_df = pd.DataFrame({
                    'Тип повреждения': [LABEL_RU.get(c, c) for c in injury_only_cols],
                    'Вероятность':     [probs[c] for c in injury_only_cols],
                    '_raw_label':      injury_only_cols,
                })
                injury_df = injury_df.sort_values('Вероятность', ascending=False).reset_index(drop=True)

                def color_injury(row):
                    prob = float(row['Вероятность'])
                    if prob > 0.7:
                        style = 'background-color: #721c24; color: white; font-weight:bold'
                    elif prob > 0.5:
                        style = 'background-color: #fd7e14; color: black; font-weight:bold'
                    elif prob > 0.3:
                        style = 'background-color: #fff3cd; color: #856404'
                    else:
                        style = 'background-color: #f8f9fa; color: #6c757d'
                    return [style] * len(row)

                styled_injury = (
                    injury_df
                    .style
                    .apply(color_injury, axis=1)
                    .format({'Вероятность': '{:.1%}'})
                    .hide(axis='columns', subset=['_raw_label'])
                    .hide(axis='index')
                )
                st.write(styled_injury.to_html(), unsafe_allow_html=True)

                # ── Таблица состояния органов ────────
                st.subheader('🫀 Состояние органов')

                healthy_cols = [c for c in injury_cols if 'healthy' in c]
                healthy_df = pd.DataFrame({
                    'Орган':      [LABEL_RU.get(c, c) for c in healthy_cols],
                    'Норма (%)':  [probs[c] for c in healthy_cols],
                    '_raw_label': healthy_cols,
                })
                healthy_df = healthy_df.sort_values('Норма (%)', ascending=False).reset_index(drop=True)

                def color_healthy(row):
                    prob = float(row['Норма (%)'])
                    if prob > 0.5:
                        style = 'background-color: #d4edda; color: #155724'
                    else:
                        style = 'background-color: #f8d7da; color: #721c24; font-weight:bold'
                    return [style] * len(row)

                styled_healthy = (
                    healthy_df
                    .style
                    .apply(color_healthy, axis=1)
                    .format({'Норма (%)': '{:.1%}'})
                    .hide(axis='columns', subset=['_raw_label'])
                    .hide(axis='index')
                )
                st.write(styled_healthy.to_html(), unsafe_allow_html=True)
                st.caption("🟢 Зелёный — орган здоров (> 50 %) · 🔴 Красный — орган под угрозой (< 50 %)")

                # ── График повреждений ────────────────
                st.subheader('📊 График вероятностей повреждений')

                def get_bar_color(label, prob):
                    if prob > 0.7:   return '#dc3545'
                    elif prob > 0.5: return '#fd7e14'
                    elif prob > 0.3: return '#ffc107'
                    else:            return '#adb5bd'

                fig_bar, ax_bar = plt.subplots(figsize=(10, 5))
                bar_labels = list(injury_df['Тип повреждения'])
                bar_probs  = list(injury_df['Вероятность'])
                bar_raw    = list(injury_df['_raw_label'])
                bar_colors = [get_bar_color(lbl, p) for lbl, p in zip(bar_raw, bar_probs)]

                bars = ax_bar.bar(bar_labels, bar_probs, color=bar_colors, edgecolor='white')
                for bar, prob in zip(bars, bar_probs):
                    if prob > 0.01:
                        ax_bar.text(
                            bar.get_x() + bar.get_width() / 2,
                            bar.get_height() + 0.01,
                            f'{prob:.1%}', ha='center', va='bottom', fontsize=8
                        )
                ax_bar.set_title('Вероятности повреждений органов', fontsize=14)
                ax_bar.set_ylabel('Вероятность')
                ax_bar.set_ylim(0, 1.1)
                ax_bar.axhline(y=0.5, color='red',    linestyle='--', alpha=0.5, label='Порог 50%')
                ax_bar.axhline(y=0.3, color='orange', linestyle='--', alpha=0.4, label='Порог 30%')
                ax_bar.legend(fontsize=8)
                plt.xticks(rotation=45, ha='right', fontsize=8)
                plt.tight_layout()
                st.pyplot(fig_bar)
                plt.close(fig_bar)

                # ── Сводка рисков ─────────────────────
                st.subheader('🚨 Сводка рисков')

                critical_labels = [
                    lbl for lbl in injury_only_cols
                    if (lbl.endswith('_high') or lbl in ('bowel_injury', 'extravasation_injury'))
                    and probs[lbl] > 0.5
                ]
                moderate_labels = [
                    lbl for lbl in injury_only_cols
                    if lbl.endswith('_low') and probs[lbl] > 0.3
                ]
                at_risk_organs = [
                    lbl for lbl in healthy_cols if probs[lbl] < 0.5
                ]

                any_risk = False

                if critical_labels:
                    any_risk = True
                    st.error("🔴 КРИТИЧЕСКИЙ РИСК — требуется срочное вмешательство:")
                    for lbl in sorted(critical_labels, key=lambda l: probs[l], reverse=True):
                        st.markdown(
                            f"<div style='background:#f8d7da;border-radius:6px;padding:10px 16px;"
                            f"margin:4px 0;border-left:4px solid #dc3545'>"
                            f"🔴 <b>{LABEL_RU[lbl]}</b> — вероятность: <b>{probs[lbl]:.1%}</b>"
                            f"</div>",
                            unsafe_allow_html=True,
                        )

                if at_risk_organs:
                    any_risk = True
                    st.warning("⚠️ ОРГАНЫ ПОД УГРОЗОЙ (вероятность нормы < 50 %):")
                    for lbl in sorted(at_risk_organs, key=lambda l: probs[l]):
                        organ_name = LABEL_RU[lbl].replace(' — норма', '')
                        st.markdown(
                            f"<div style='background:#fff3cd;border-radius:6px;padding:10px 16px;"
                            f"margin:4px 0;border-left:4px solid #fd7e14'>"
                            f"⚠️ <b>{organ_name}</b> — вероятность нормы: <b>{probs[lbl]:.1%}</b>"
                            f"</div>",
                            unsafe_allow_html=True,
                        )

                if moderate_labels:
                    any_risk = True
                    st.info("🟡 УМЕРЕННЫЙ РИСК — рекомендуется дообследование:")
                    for lbl in sorted(moderate_labels, key=lambda l: probs[l], reverse=True):
                        st.markdown(
                            f"<div style='background:#fff3cd;border-radius:6px;padding:10px 16px;"
                            f"margin:4px 0;border-left:4px solid #ffc107'>"
                            f"🟡 <b>{LABEL_RU[lbl]}</b> — вероятность: <b>{probs[lbl]:.1%}</b>"
                            f"</div>",
                            unsafe_allow_html=True,
                        )

                if not any_risk:
                    st.success("✅ Патологий не выявлено. Все органы в норме.")

                st.markdown("---")
                st.caption(
                    "**Шкала:** 🔴 > 70 % — критический · "
                    "🟠 50–70 % — высокий · "
                    "🟡 30–50 % — умеренный · "
                    "⚪ < 30 % — низкий"
                )

            except Exception:
                pass

    # ── Боковая панель ───────────────────────────
    st.sidebar.title("О модели")
    st.sidebar.info(
        """
        **Модель диагностики травм живота**

        - Многоклассовая детекция повреждений
        - Обучена на КТ-снимках живота
        - Архитектура: ResNet50
        - Определяемые органы: кишечник, почки, печень, селезёнка
        - Выявляет экстравазацию (внутреннее кровотечение)
        """
    )

    st.sidebar.title("Легенда цветов")
    st.sidebar.markdown(
        """
        🔴 **Красный** — критический риск (> 70 %)  
        🟠 **Оранжевый** — высокий риск (50–70 %)  
        🟡 **Жёлтый** — умеренный риск (30–50 %)  
        🟢 **Зелёный** — норма (орган здоров)  
        """
    )

    st.sidebar.title("Поддерживаемые форматы")
    st.sidebar.markdown(
        """
        - **DICOM** (.dcm) — медицинские снимки
        - **JPEG** (.jpg, .jpeg)
        - **PNG** (.png)
        - **BMP** (.bmp)
        - **TIFF** (.tiff)
        """
    )

    st.sidebar.warning(
        "⚠️ **Внимание:** данный инструмент предназначен "
        "исключительно для исследовательских целей и не является "
        "медицинским диагностическим устройством."
    )


if __name__ == '__main__':
    main()