app.py

import torch
from monai.networks.nets import DenseNet121
import gradio as gr
from monai.transforms import (
    EnsureChannelFirst,
    Compose,
    LoadImage,
    ScaleIntensity,
    Resize, 
)
import os, glob

# =================================================================
# 1. CARGA Y MODELO (Sin cambios necesarios)
# =================================================================
model = DenseNet121(spatial_dims=2, in_channels=1, out_channels=6)
# **Importante:** Asegúrate de que el archivo 'weights/mednist_model.pth' exista y sea accesible.
try:
    model.load_state_dict(torch.load('weights/mednist_model.pth', map_location=torch.device('cpu')))
except FileNotFoundError:
    print("ERROR: No se encontró el archivo de pesos 'mednist_model.pth'. La aplicación fallará.")
    # Puedes añadir un placeholder o salir si el archivo no existe.
    pass 

class_names = [
    'AbdomenCT', 'BreastMRI', 'CXR', 'ChestCT', 'Hand', 'HeadCT']

# =================================================================
# 2. TRANSFORMACIONES (Añadido 'image_only=True' para robustez)
# =================================================================
# La resolución de 64x64 es un supuesto común para MedNIST, si el entrenamiento 
# usó otro tamaño, ajusta 'spatial_size'.

test_transforms = Compose(
    [
        # LoadImage ahora usa 'image_only=True' para devolver un tensor simple 
        # y no un diccionario, simplificando la tubería.
        # Además, añadiremos 'convert_to_tensor=True' y la gestión de canales.
        LoadImage(image_only=True), 
        EnsureChannelFirst(), 
        Resize(spatial_size=(64, 64)), 
        ScaleIntensity(), # Normaliza al rango [0, 1]
    ]
)

# =================================================================
# 3. FUNCIÓN DE CLASIFICACIÓN (Manejo de errores mejorado)
# =================================================================

def classify_image(image_filepath):
    # Manejamos explícitamente el caso donde no hay imagen
    if image_filepath is None:
        return {'Error': 1.0}

    try:
        # Aplicar las transformaciones. 
        # MONAI cargará y preprocesará la imagen.
        input_tensor = test_transforms(image_filepath) 
    except Exception as e:
        print(f"Error durante el preprocesamiento de la imagen: {e}")
        # Devolvemos un error explícito a Gradio
        return {"Error en preprocesamiento": 1.0} 

    # Aseguramos que la forma del tensor de entrada sea [1, 1, 64, 64] para el modelo 2D
    # Si la imagen tiene 3 canales y LoadImage falla la conversión, esto fallará aquí o antes.
    if input_tensor.ndim == 3 and input_tensor.shape[0] == 1:
        input_tensor = input_tensor.unsqueeze(dim=0) # Añadir dimensión de lote: [1, C, H, W]
    else:
        print(f"Forma inesperada del tensor después de EnsureChannelFirst: {input_tensor.shape}")
        return {"Error de forma (Canales/Dimensiones)": 1.0}


    # Inferencia
    model.eval()
    with torch.no_grad():
        try:
            pred = model(input_tensor)
            prob = torch.nn.functional.softmax(pred[0], dim=0) 
            confidences = {class_names[i]: float(prob[i]) for i in range(6)} 
            print(confidences)
            return confidences
        except Exception as e:
            print(f"Error durante la inferencia del modelo: {e}")
            return {"Error de inferencia (El modelo falló)": 1.0}

# =================================================================
# 4. INTERFAZ DE USUARIO (Ajuste de Gradio)
# =================================================================

with gr.Blocks(title="Medical Image Classification with MONAI - ClassCat",            css=".gradio-container {background:mintcream;}"        ) as demo:
    gr.HTML("""<div style="font-family:'Times New Roman', 'Serif'; font-size:16pt; font-weight:bold; text-align:center; color:royalblue;">Medical Image Classification with MONAI</div>""")
    with gr.Row():
        # **AJUSTE CRUCIAL:** 'image_mode="L"' pide a Gradio que convierta 
        # la imagen a escala de grises al subirla, previniendo errores de 3 canales.
        input_image = gr.Image(type="filepath", image_mode="L") 
        output_label=gr.Label(label="Probabilities", num_top_classes=3)
        
    send_btn = gr.Button("Infer")
    send_btn.click(fn=classify_image, inputs=input_image, outputs=output_label)
    
    # ... (Sección de ejemplos sin cambios) ...

    with gr.Row():
        gr.Examples(['./samples/mednist_AbdomenCT00.png'], label='Sample images : AbdomenCT', inputs=input_image)
        gr.Examples(['./samples/mednist_CXR02.png'], label='CXR', inputs=input_image)
        gr.Examples(['./samples/mednist_ChestCT08.png'], label='ChestCT', inputs=input_image)
        gr.Examples(['./samples/mednist_Hand01.png'], label='Hand', inputs=input_image)
        gr.Examples(['./samples/mednist_HeadCT07.png'], label='HeadCT', inputs=input_image)

demo.launch(debug=True)