app.py

import gradio as gr
import numpy as np
from PIL import Image
import torch
import io
import json
import pydicom
import cv2
import base64

from models import load_vision_model, get_image_transform, load_segmentation_model, load_text_models, load_translation_model, DEVICE
from interpret import ensure_tensor, compute_gradcam, overlay_cam_on_original, mc_dropout_predictions
from text_pipeline import summarize_report, translate_en_to_ar


# تحميل كل النماذج مرة واحدة
vision_model, seg_model, text_tok, text_model, mt_tok, mt_model, transform = (
    load_vision_model(num_classes=14),
    load_segmentation_model(),
    *load_text_models(),
    *load_translation_model(),
    get_image_transform(),
)

def analyze_image(file):
    """
    الدالة الرئيسية لتحليل الأشعة
    """
    filename = file.name.lower()

    if filename.endswith(".dcm"):
        ds = pydicom.dcmread(io.BytesIO(file.read()))
        img = ds.pixel_array
        img_norm = (img - img.min()) / (img.max() - img.min() + 1e-8)
        display_img = (np.stack([img_norm]*3, axis=-1) * 255).astype(np.uint8)
    else:
        image = Image.open(file).convert("RGB")
        display_img = np.array(image)

    # تجهيز الصورة للنموذج
    input_tensor = ensure_tensor(display_img, transform).to(DEVICE)

    # التنبؤ
    mean_probs, std_probs = mc_dropout_predictions(vision_model, input_tensor, n_samples=8)

    # إنشاء تقرير مختصر
    top_idx = np.argsort(mean_probs)[::-1][:5]
    findings = []
    for idx in top_idx:
        p = mean_probs[idx]
        u = std_probs[idx]
        findings.append(f"Finding_{idx}: probability={p:.3f}, uncertainty={u:.3f}")

    auto_report_en = "Model findings:\n" + "\n".join(findings)
    auto_report_ar = translate_en_to_ar(auto_report_en, mt_tok, mt_model)

    # إعداد JSON للإرسال لتطبيق Android
    result = {
        "filename": filename,
        "vision_probs": mean_probs.tolist(),
        "vision_uncertainty": std_probs.tolist(),
        "auto_report_en": auto_report_en,
        "auto_report_ar": auto_report_ar
    }

    # تحويل الصورة مع GradCAM لعرض بصري
    cam_mask = compute_gradcam(vision_model, input_tensor)
    overlay = overlay_cam_on_original(display_img.astype(float)/255.0, cam_mask)

    return overlay, json.dumps(result, ensure_ascii=False, indent=2)


# واجهة Gradio
demo = gr.Interface(
    fn=analyze_image,
    inputs=gr.Image(type="file", label="حمّل صورة الأشعة (JPG/PNG/DICOM)"),
    outputs=[
        gr.Image(label="Grad-CAM Overlay"),
        gr.Textbox(label="نتائج JSON", lines=15)
    ],
    title="MedAI — قارئ الأشعة الذكي",
    description="يرجى رفع صورة أشعة لتحليلها وإنتاج تقرير تلقائي (تجريبي)."
)

demo.launch()