update radio

malaria.h5

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:6ee12e8fb492c2b9f14c9660ee0be8334a46a496a6800a8bc47883430d609f46
+size 18426400

pneumonia.h5

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:c1cf1045c14020d251ff54bbcea55adeba75ccb2648cc62ffb5886d389da351a
+size 7686056

testegradio.py

@@ -0,0 +1,159 @@
+import gradio as gr
+import numpy as np
+from PIL import Image
+from keras.models import load_model
+import pickle
+
+# Função de previsão de pneumonia
+def predict_pneumonia(img):
+    img = Image.fromarray(np.uint8(img))
+    img = img.convert('L')
+    img = img.resize((36,36))
+    img = np.asarray(img)
+    img = img.reshape((1,36,36,1))
+    img = img / 255.0
+    model = load_model("/Users/thanizeassuncaorodrigues/Documents/GitHub/DiagnoSys/models/pneumonia.h5")
+    pred_probs = model.predict(img)[0]
+    pred_class = np.argmax(pred_probs)
+    pred_prob = pred_probs[pred_class]
+    if pred_class == 1:
+        pred_label = "Pneumonia"
+    else:
+        pred_label = "Saudável"
+    return pred_label, pred_prob
+
+# Função de previsão de malária
+def predict_malaria(img):
+    img = Image.fromarray(np.uint8(img))
+    img = img.resize((36,36))
+    img = np.asarray(img)
+    img = img.reshape((1,36,36,3))
+    img = img.astype(np.float64)
+    model = load_model("/Users/thanizeassuncaorodrigues/Documents/GitHub/DiagnoSys/models/malaria.h5")
+    pred_probs = model.predict(img)[0]
+    pred_class = np.argmax(pred_probs)
+    pred_prob = pred_probs[pred_class]
+    if pred_class == 1:
+        pred_label = "Infectado"
+    else:
+        pred_label = "Não está infectado"
+    return pred_label, pred_prob
+
+with open('/Users/thanizeassuncaorodrigues/Documents/GitHub/DiagnoSys/models/diabetes_model.sav', 'rb') as file:
+    diabetes_model = pickle.load(file)
+
+# Função de previsão de diabetes
+def predict_diabetes(Pregnancies, Glucose, BloodPressure, SkinThickness, Insulin, BMI, DiabetesPedigreeFunction, Age):
+    user_input = [Pregnancies, Glucose, BloodPressure, SkinThickness, Insulin, BMI, DiabetesPedigreeFunction, Age]
+    user_input = [float(x) for x in user_input]
+    diab_prediction = diabetes_model.predict([user_input])
+    if diab_prediction[0] == 1:
+        diab_diagnosis = 'A pessoa é diabética'
+    else:
+        diab_diagnosis = 'A pessoa não é diabética'
+    return diab_diagnosis
+
+# Função para exibir a página de Datasets Disponíveis
+def display_datasets():
+    datasets = {
+        "Dataset de Malária": "https://www.kaggle.com/datasets/iarunava/cell-images-for-detecting-malaria",
+        "Dataset de Pneumonia": "https://www.kaggle.com/datasets/paultimothymooney/chest-xray-pneumonia",
+        "Dataset de Doenças Cardíacas": "https://github.com/siddhardhan23/multiple-disease-prediction-streamlit-app/blob/main/dataset/heart.csv",
+        "Dataset de Doenças Renais": "https://www.kaggle.com/datasets/mansoordaku/ckdisease",
+        "Dataset de Diabetes": "https://github.com/siddhardhan23/multiple-disease-prediction-streamlit-app/blob/main/dataset/diabetes.csv",
+        "Dataset de Doenças Hepáticas": "https://www.kaggle.com/datasets/uciml/indian-liver-patient-records",
+        "Dataset de Câncer de Mama": "https://www.kaggle.com/datasets/uciml/breast-cancer-wisconsin-data"
+    }
+
+    markdown_content = "# Datasets Disponíveis\n\n"
+    markdown_content += "Esta página contém links para download e visualização de datasets utilizados na aplicação.\n\n"
+    
+    for dataset_name, dataset_url in datasets.items():
+        markdown_content += f"**{dataset_name}:** [Download {dataset_name}]({dataset_url})\n\n"
+    
+    return markdown_content
+
+# Criar a interface Gradio com guias (Tabs)
+tabbed_interface = gr.TabbedInterface(
+    [
+        # Guia 1: Página Inicial
+        gr.Interface(
+            fn=lambda: """
+                # Bem-vindo à Aplicação de Previsão de Anomalias Médicas
+
+                Este é um projeto de previsão de diversas anomalias médicas usando modelos de deep learning e machine learning.
+
+                É importante observar que os modelos utilizados nesta aplicação foram obtidos de repositórios públicos na internet e, portanto, sua confiabilidade pode variar.
+
+                Embora tenham sido treinados em grandes conjuntos de dados médicos, é fundamental lembrar que todas as previsões devem ser verificadas por profissionais de saúde qualificados.
+
+                ## Perguntas Frequentes
+
+                ### Como a previsão de anomalias é feita?
+                A detecção de pneumonia e malária é feita usando uma rede neural convolucional (CNN), enquanto a seção de diabetes é detectada por um modelo Random Forest.
+
+                ### Os modelos são precisos?
+                Os modelos foram treinados em grandes conjuntos de dados médicos, mas lembre-se de que todas as previsões devem ser verificadas por profissionais de saúde qualificados.
+
+                ### Qual é o propósito desta aplicação?
+                Esta aplicação foi desenvolvida para auxiliar na detecção de diversas anomalias médicas em imagens de diferentes partes do corpo.
+
+                ### Quais tipos de anomalias médicas podem ser detectadas?
+                Os modelos podem detectar várias anomalias, incluindo pneumonia, malária e diabetes.
+            """,
+            inputs=[],
+            outputs="markdown",
+            title="Página Inicial",
+            description="Página inicial da aplicação de previsão de anomalias médicas."
+        ),
+        
+        # Guia 2: Previsão de Pneumonia
+        gr.Interface(
+            predict_pneumonia,
+            inputs=gr.inputs.Image(label="Imagem para Predição de Pneumonia"),
+            outputs=["text", "text"],
+            title="Previsão de Pneumonia",
+            description="Faça o upload de uma imagem para prever se há pneumonia."
+        ),
+        
+        # Guia 3: Previsão de Malária
+        gr.Interface(
+            predict_malaria,
+            inputs=gr.inputs.Image(label="Imagem para Predição de Malária"),
+            outputs=["text", "text"],
+            title="Previsão de Malária",
+            description="Faça o upload de uma imagem para prever se há malária."
+        ),
+
+        # Guia 4: Previsão de Diabetes
+        gr.Interface(
+            predict_diabetes,
+            inputs=[
+                gr.Textbox(label="Número de Gestações"),
+                gr.Textbox(label="Nível de Glicose"),
+                gr.Textbox(label="Valor da Pressão Arterial"),
+                gr.Textbox(label="Valor da Espessura da Pele"),
+                gr.Textbox(label="Nível de Insulina"),
+                gr.Textbox(label="Valor do IMC"),
+                gr.Textbox(label="Valor da Função de Pedigree de Diabetes"),
+                gr.Textbox(label="Idade da Pessoa")
+            ],
+            outputs="text",
+            title="Previsão de Diabetes",
+            description="Insira os dados do paciente para prever se ele tem diabetes."
+        ),
+        
+        # Guia 5: Datasets Disponíveis
+        gr.Interface(
+            fn=display_datasets,
+            inputs=[],
+            outputs="markdown",
+            title="Datasets Disponíveis",
+            description="Esta página contém links para download e visualização de datasets utilizados na aplicação."
+        )
+    ],
+    tab_names=["Página Inicial", "Previsão de Pneumonia", "Previsão de Malária", "Previsão de Diabetes", "Datasets Disponíveis"]
+)
+
+# Lançar a interface com guias
+tabbed_interface.launch()