Add MeAI_Maincode folder

MeAI_Maincode/BrainTumor.py

@@ -0,0 +1,39 @@
+from PIL import Image, ImageDraw
+from transformers import pipeline
+import datasets
+import gradio as gr
+import os
+from datasets import load_dataset
+
+data = load_dataset("Francesco/brain-tumor-m2pbp")
+pipe = pipeline("object-detection", model="DunnBC22/yolos-tiny-Brain_Tumor_Detection")
+
+def Processing(Image):
+  
+  data = pipe(Image)
+
+  for Num_of_Label in range(len(data)) :
+
+    Color_List = ["purple", "yellow", "blue"]
+
+    box = data[Num_of_Label]['box']
+
+    xmin, ymin, xmax, ymax = box['xmin'], box['ymin'], box['xmax'], box['ymax']
+
+    draw = ImageDraw.Draw(Image)
+
+    draw.rectangle([xmin, ymin, xmax, ymax], outline= Color_List[Num_of_Label], width=2)
+
+  return Image
+def create_brain_tumor_detect() :
+  with gr.Blocks() as Brain_Tumor_Detect:
+      gr.Markdown("Hãy tải ảnh lên và nhấn **Xử Lý** để khoanh vùng u não.")
+      with gr.Row():
+         
+
+          inp = gr.Image(label = "Xin Nhập Ảnh Vào", type = 'pil', height=512, width=512,
+          value=os.path.join(os.path.dirname(__file__), "../Image/braintt.jpg"),interactive=True)
+          out = gr.Image(label = "Kết Quả", type = 'pil')
+      btn = gr.Button("Xử Lý")
+      btn.click(fn=Processing, inputs= inp, outputs=out)
+  return Brain_Tumor_Detect

MeAI_Maincode/Detectskindisease.py

@@ -0,0 +1,144 @@
+import requests
+import gradio as gr
+from PIL import Image
+import io
+import numpy as np
+import os
+key = "2cff2aab49msh5191ef59693cc02p1091a7jsnd7100bb29621"
+trans_disease = {
+    "acne": "mụn",
+    "actinic_keratosis": "chứng dày sừng quang hóa",
+    "alopecia_androgenetica": "chứng rụng tóc nội tiết tố androgen",
+    "alopecia_areata": "chứng rụng tóc từng vùng",
+    "bullous_dermatosis": "bệnh da bọng nước",
+    "chloasma": "nám da",
+    "corn": "chứng chai da",
+    "dermatofibroma": "u xơ da",
+    "eczema_dermatitis": "viêm da chàm",
+    "erysipelas": "viêm quầng",
+    "erythema_multiforme": "ban đỏ đa dạng",
+    "folliculitis": "viêm nang lông",
+    "furuncle": "mụn nhọt",
+    "haemangioma": "bệnh u máu",
+    "herpes": "mụn rộp",
+    "herpes_simplex": "nhiễm trùng do virus Herpes Simplex",
+    "iga_vasculitis": "viêm mạch máu Iga",
+    "keloid": "sẹo lồi",
+    "keratosis_follicularism": "bệnh nang lông dày sừng",
+    "lichen_planus": "bệnh lichen phẳng",
+    "lupus_erythematosus": "bệnh ban đỏ",
+    "molluscum_contagiosum": "u mềm lây",
+    "nevus": "nốt ruồi",
+    "paronychia": "viêm quanh móng",
+    "pityriasis_alba": "bệnh vẩy phấn trắng",
+    "pityriasis_rosea": "bệnh vảy phấn hồng",
+    "prurigo_nodularis": "bệnh sẩn ngứa",
+    "psoriasis": "bệnh vẩy nến",
+    "rosacea": "bệnh trứng cá đỏ rosacea",
+    "sebaceous_cyst": "u nang bã nhờn",
+    "sebaceousnevus": "bớt tuyến bã",
+    "seborrheic_dermatitis": "viêm da tiết bã",
+    "seborrheic_keratosis": "chứng dày sừng tiết bã",
+    "skin_tag": "mụn thịt dư",
+    "stasis_dermatitis": "viêm da ứ đọng",
+    "syringoma": "u ống tuyến mồ hôi",
+    "tinea_capitis": "nấm da đầu",
+    "tinea_corporis": "nấm cơ thể",
+    "tinea_cruris": "nấm bẹn",
+    "tinea_manuum": "",
+    "tinea_pedis": "nấm chân",
+    "tinea_unguium": "nấm móng tay móng chân",
+    "tinea_versicolor": "bệnh lang ben",
+    "urticaria": "phát ban",
+    "urticaria_papular": "nổi mề đay",
+    "varicella": "thủy đậu",
+    "verruca_plana": "mụn cóc phẳng",
+    "verruca_vulgaris": "mụn cóc thông thường",
+    "vitiligo": "bệnh bạch biến"
+}
+trans_body = {
+    "head": "đầu",
+    "neck": "cổ",
+    "hand": "tay",
+    "arm": "cánh tay",
+    "leg": "chân",
+    "foot": "bàn chân",
+    "back": "lưng",
+    "chest": "ngực",
+    "abdomen": "bụng",
+    "face": "mặt",
+    "ear": "tai",
+    "eye": "mắt",
+    "nose": "mũi",
+    "mouth": "miệng",
+    "lip": "môi",
+    "cheek": "má",
+    "tongue": "lưỡi",
+    "throat": "cổ họng",
+    "forehead": "trán",
+    "chin": "cằm",
+    "unknown" : "bộ phận chưa rõ"
+}
+def detect_skin_disease(image,key):
+    try:
+
+        # Convert NumPy array to image file-like object
+        img = Image.fromarray((image).astype('uint8'))
+        img_byte_array = io.BytesIO()
+        img.save(img_byte_array, format='PNG')
+        img_byte_array.seek(0)
+
+        url = "https://detect-skin-disease.p.rapidapi.com/facebody/analysis/detect-skin-disease"
+        # files = {"image": img_byte_array}
+        files = {"image": ("image.png", img_byte_array, "image/png")}
+        headers = {
+            "X-RapidAPI-Key": key,
+            "X-RapidAPI-Host": "detect-skin-disease.p.rapidapi.com"
+        }
+        response = requests.post(url, files=files, headers=headers)
+        response_json = response.json()
+       
+        output = ""
+
+        if 'data' in response_json:
+            body_part = response_json['data'].get('body_part')
+            results = response_json['data'].get('results_english')
+
+            if body_part is not None:
+                vnese_body = trans_body[body_part]
+                output += f"Phần của cơ thể: {vnese_body} ({body_part})\n"
+                
+            if results is not None:
+              output += " Kết quả phân tích:      "
+
+              # Sort the results by probability percentage in descending order
+              sorted_results = sorted(results.items(), key=lambda x: x[1], reverse=True)
+
+              for disease, probability in sorted_results:
+                probability_percent = probability * 100
+                vnese_disease = trans_disease.get(disease, disease)
+                if probability_percent >= 10:
+                  output += f"{vnese_disease} : {probability_percent:.2f}%\n"
+
+            return output
+        else:
+            return "Không có dữ liệu phản hồi từ API."
+    except Exception as e:
+        return f"Error: {str(e)}"
+
+def create_skin_tab(skinkey="2cff2aab49msh5191ef59693cc02p1091a7jsnd7100bb29621"):
+    css = """
+    .textboxskin {
+        font-sxxxxize: 50px; !important;
+    }
+    """
+    with gr.Blocks(css=css) as demo:
+        keybox = gr.Text(value=skinkey,visible=False)
+        gr.Markdown("Hãy tải ảnh lên và nhấn **Xử Lý** để chẩn đoán bệnh ngoài da.")
+        with gr.Row():
+          inp = gr.Image(type="numpy",height=512, width=512,
+          value=os.path.join(os.path.dirname(__file__), "../Image/thuydau.jpg"))
+          out = gr.Label(label="Kết Quả Dự Đoán",elem_classes="textboxskin")
+        btn = gr.Button("Xử Lý")
+        btn.click(fn=detect_skin_disease, inputs=[inp,keybox], outputs=out)
+    return demo

MeAI_Maincode/Pneumonia.py

@@ -0,0 +1,35 @@
+from PIL import Image
+import os
+
+# Load model directly
+from transformers import AutoImageProcessor, AutoModelForImageClassification
+import gradio as gr
+processor = AutoImageProcessor.from_pretrained("nickmuchi/vit-finetuned-chest-xray-pneumonia")
+model = AutoModelForImageClassification.from_pretrained("nickmuchi/vit-finetuned-chest-xray-pneumonia")
+def update(image_processed):
+  #image = Image.open(image_url)
+  #image_processed = image.convert("RGB")
+
+  inputs = processor(images=image_processed, return_tensors="pt")
+  outputs = model(**inputs)
+  logits = outputs.logits
+  predicted_class_idx = logits.argmax(-1).item()
+
+  for class_name, score in zip(model.config.id2label.values(), logits.softmax(dim=-1).squeeze().tolist()):
+    ket_qua = "Viêm phổi"
+    if (class_name == "NORMAL") :
+      ket_qua = "Bình thường"
+    if (model.config.id2label[predicted_class_idx] == class_name) :
+      return (f"{ket_qua}: {score:.0%}")
+  return ""
+def create_pneumonia_tab() :
+  with gr.Blocks() as demo:
+      gr.Markdown("Hãy tải ảnh lên và nhấn **Xử Lý** để chẩn đoán viêm phổi.")
+      with gr.Row():
+          
+
+          inp = gr.Image(label= "Nhập Ảnh",type="pil",value=os.path.join(os.path.dirname(__file__), "../Image/viemphoi.jpeg"),interactive=True)
+          out = gr.Label(label="Kết Quả Dự Đoán")
+      btn = gr.Button("Xử Lý")
+      btn.click(fn=update, inputs=inp, outputs=out)
+  return demo

MeAI_Maincode/Polyb.py

@@ -0,0 +1,54 @@
+import warnings
+import numpy as np
+import requests
+from PIL import Image
+import gradio as gr
+from lang_sam import LangSAM
+model = LangSAM()
+
+text_prompt = """
+A polyp is an anomalous oval-shaped small bump-like structure, a relatively small growth or
+mass that develops on the inner lining of the colon or other organs.
+Multiple polyps may exist in one image.
+"""
+
+def highlight_mask_on_image(image, mask_np, color=(0, 200, 0), alpha=0.7):
+    """Tô màu cho khu vực được xác định bởi mask lên hình ảnh gốc."""
+    image_np = np.array(image)
+
+    if mask_np.shape != image_np.shape[:2]:
+        raise ValueError("Kích thước của mask không khớp với kích thước của hình ảnh")
+
+    highlighted_image = image_np.copy()
+
+    mask_indices = mask_np > 0  # Chỉ lấy các vùng có mask
+    highlighted_image[mask_indices] = (1 - alpha) * image_np[mask_indices] + alpha * np.array(color)
+
+    return Image.fromarray(highlighted_image.astype(np.uint8))
+
+def main(image):
+
+      image_pil = image.convert("RGB")
+      masks, boxes, phrases, logits = model.predict(image_pil, text_prompt)
+
+      if len(masks) == 1:
+          print(f"No objects of the '{text_prompt}' prompt detected in the image.")
+          return image_pil  # Trả về ảnh gốc nếu không phát hiện ra mask
+      masks_np = [mask.squeeze().cpu().numpy() for mask in masks]
+
+      if len(masks_np) > 1:
+          combined_mask = np.sum(masks_np[1:], axis=0) > 0  
+      else:
+          combined_mask = masks_np[0]  
+      highlighted_image = highlight_mask_on_image(image_pil, combined_mask)
+
+      return highlighted_image  
+def create_polyb():
+    demo = gr.Interface(
+        fn=main,
+        inputs=gr.Image(type="pil"),
+        outputs=gr.Image(type="pil"),
+        title="Highlight Polyps",
+        description="Tải lên một hình ảnh và phát hiện polyp với LangSAM."
+    )  
+    return demo