研究で用いている形態解析および医用画像解析の実装例を示す。
いまのところはアルゴリズムやAI手法そのものを目的としたものではなく、形態変化を定量的に評価するための解析手段として利用している。
そもそも病理組織像、内視鏡画像、超音波画像など、医用画像は取得条件や画質にばらつきが大きく、従来の定性的評価のみでは再現性の高い比較が困難である。
形態計測（morphometry）の考え方を基盤に、Pythonを用いた画像処理・特徴量抽出・可視化のための実装を行っている。
ここに示すコードや解析手順は、研究の再現性確保および共同研究者との共有を主な目的として整理したものである。
汎用ライブラリや完成済みツールではないが、形態解析を実データに適用する際の具体例として参考になると考えている。
画像解析
細胞セグメンテーションと形態解析
病理組織画像に対する、細胞のセグメンテーションと形態解析について。
なるべく自動化するためPythonとcellposeを使用する。
転移学習
医用画像の転移学習による、診断モデル作成
事前学習モデルに対して、医用画像を転移学習し診断モデルを作成する。
深層学習モデルをすべて自力でとなると、膨大な数の画像が必要となり、それはもはや国家プロジェクトの域になる。
優秀な事前学習モデルが多数存在し、これからも増えていく。これを利用しない手はない。
統計解析
形態解析研究における統計設計の考え方： Python を用いた実践的アプローチ
私の周りだけかもしれないが、医師は統計解析が弱い。
せっかくのアイデア、データも統計解析がボロボロ、あるいはExcelでグラフを書いているようでは魅力が伝わらない。
Rを使う先生方も多いが、画像解析等でPythonを使っているので、そのままPythonライブラリを用い統計解析、グラフ作成を行う方法を紹介する。
形態解析研究における統計設計の考え方： Python を用いた実践的アプローチ
効果量と分布をどのように論文で記述するか
とにかくｐ値を気にする若手研究者が多い。
本質的にはデータの分布が重要であり、その分布を記載する、あるいはグラフ化することが重要。
分布により相関などが間違いない、と確信できたなら、p値の問題はサンプルサイズや前処理の問題かもしれない。
優位なものだけピックアップするようなことのないようにしよう。
研究哲学
形態解析研究におけるやってはいけない前処理
ノイズやアーティファクト、医用画像には多くのゴミが交じる。
そのまま解析するのも良くないが、かといって前処理を恣意的に、強くかけるのも良くない。
ここでは簡単に、考え方のみ記載する。