import streamlit as st
from tensorflow.keras.models import load_model
from PIL import Image
import numpy as np

# -----------------------------
# SAYFA AYARLARI
# -----------------------------
st.set_page_config(
    page_title="Deri Kanseri Sınıflandırma",
    page_icon="🧬",
    layout="centered"
)

# -----------------------------
# MODEL YÜKLEME
# -----------------------------
@st.cache_resource
def load_skin_model():
    return load_model("src/skin_cancer_model.h5")

model = load_skin_model()

# -----------------------------
# GÖRSEL İŞLEME
# -----------------------------
def process_image(img):
    img = img.convert("RGB")
    img = img.resize((170, 170))
    img_array = np.array(img)
    img_array = img_array / 255.0
    img_array = np.expand_dims(img_array, axis=0)
    return img_array

# -----------------------------
# TASARIM
# -----------------------------
st.markdown("""
<style>
.main-title {
    text-align: center;
    font-size: 38px;
    font-weight: 800;
    color: #d6336c;
}
.sub-title {
    text-align: center;
    font-size: 18px;
    color: #555;
}
.result-box {
    padding: 25px;
    border-radius: 16px;
    text-align: center;
    margin-top: 20px;
    font-size: 22px;
    font-weight: 700;
}
.cancer {
    background-color: #ffe3e3;
    color: #c92a2a;
    border: 2px solid #ff8787;
}
.safe {
    background-color: #d3f9d8;
    color: #2b8a3e;
    border: 2px solid #69db7c;
}
.warning {
    background-color: #fff3bf;
    color: #e67700;
    border: 2px solid #ffd43b;
}
</style>
""", unsafe_allow_html=True)

st.markdown("<div class='main-title'>🧬 Deri Kanseri Görsel Sınıflandırma</div>", unsafe_allow_html=True)
st.markdown(
    "<div class='sub-title'>Bir deri lezyonu resmi yükle. Model, görselin kanserli olup olmadığını tahmin etsin.</div>",
    unsafe_allow_html=True
)

st.divider()

# -----------------------------
# DOSYA YÜKLEME
# -----------------------------
file = st.file_uploader(
    "Bir deri görüntüsü yükle",
    type=["jpg", "jpeg", "png"]
)

if file is not None:
    img = Image.open(file)

    col1, col2 = st.columns([1, 1])

    with col1:
        st.image(img, caption="Yüklenen Görsel", use_container_width=True)

    with col2:
        st.write("### Analiz Sonucu")

        processed_img = process_image(img)
        prediction = model.predict(processed_img)[0][0]

        cancer_probability = float(prediction)
        non_cancer_probability = 1 - cancer_probability

        threshold = 0.5

        if cancer_probability >= threshold:
            st.markdown(
                f"""
                <div class='result-box cancer'>
                    ⚠️ Kanserli Görsel Tespit Edildi<br><br>
                    Kanser olasılığı: %{cancer_probability * 100:.2f}
                </div>
                """,
                unsafe_allow_html=True
            )

            st.error(
                "Model bu görseli kanserli sınıfa daha yakın tahmin etti. "
                "Bu sonuç kesin tıbbi tanı değildir. Dermatoloji uzmanına başvurulmalıdır."
            )

        else:
            st.markdown(
                f"""
                <div class='result-box safe'>
                    ✅ Kanser Değil Olarak Tahmin Edildi<br><br>
                    Kanser değil olasılığı: %{non_cancer_probability * 100:.2f}
                </div>
                """,
                unsafe_allow_html=True
            )

            st.warning(
                "Bu görselde kanserli hücre / kanserli lezyon tespit edilmedi. "
                "Kanserli fotoğraf yüklenmemiş olabilir."
            )

    st.divider()

    st.write("### Model Olasılıkları")

    st.progress(cancer_probability)
    st.write(f"Kanser olasılığı: **%{cancer_probability * 100:.2f}**")
    st.write(f"Kanser değil olasılığı: **%{non_cancer_probability * 100:.2f}**")

else:
    st.info("Analiz yapmak için bir deri görüntüsü yükleyin.")

st.divider()

st.caption(
    "Not: Bu uygulama eğitim ve demo amaçlıdır. Tıbbi tanı koymaz. "
    "Şüpheli durumlarda mutlaka uzman doktora başvurulmalıdır."
)