肺癌の画像診断AIプログラム

 以下に、肺癌の画像診断AIのプログラムをPythonのTkinterを使用してGUIで実装したサンプルコードを示します。このプログラムは、CTスキャン画像を入力として受け取り、肺癌の有無を判定するシンプルなモデルを使用します。モデルのトレーニングや詳細な画像処理は省略していますが、GUIの構築と基本的な機能を示します。


```python

import tkinter as tk

from tkinter import filedialog, messagebox

from PIL import Image, ImageTk

import numpy as np

from tensorflow.keras.models import load_model


# 事前にトレーニング済みのモデルをロード

model = load_model('lung_cancer_model.h5')


def load_image():

    file_path = filedialog.askopenfilename()

    if file_path:

        image = Image.open(file_path)

        image = image.resize((224, 224))  # モデルの入力サイズに合わせる

        image = ImageTk.PhotoImage(image)

        image_label.config(image=image)

        image_label.image = image

        return np.array(image) / 255.0  # 正規化

    return None


def predict_image(image_array):

    if image_array is not None:

        image_array = np.expand_dims(image_array, axis=0)  # バッチ次元を追加

        prediction = model.predict(image_array)

        if prediction[0] > 0.5:

            messagebox.showinfo("Prediction", "Lung cancer detected.")

        else:

            messagebox.showinfo("Prediction", "No lung cancer detected.")

    else:

        messagebox.showwarning("Warning", "Please load an image first.")


# GUIの設定

root = tk.Tk()

root.title("Lung Cancer Detection AI")

root.geometry("600x400")


# ウィジェットの配置

load_button = tk.Button(root, text="Load Image", command=load_image)

load_button.pack(pady=20)


image_label = tk.Label(root)

image_label.pack(pady=20)


predict_button = tk.Button(root, text="Predict", command=lambda: predict_image(load_image()))

predict_button.pack(pady=20)


root.mainloop()

```


### 説明


1. **ライブラリのインポート**:

   - `tkinter`: GUIの作成に使用。

   - `filedialog`: ファイルダイアログの表示。

   - `messagebox`: メッセージボックスの表示。

   - `PIL`: 画像の読み込みと表示。

   - `numpy`: 画像データの前処理。

   - `tensorflow`: モデルのロードと予測。


2. **モデルのロード**:

   - `load_model('lung_cancer_model.h5')`: 事前にトレーニング済みのモデルをロード。


3. **画像の読み込み**:

   - `load_image()`: ファイルダイアログを表示し、選択した画像を読み込み、表示する。


4. **予測**:

   - `predict_image(image_array)`: 画像データをモデルに入力し、予測結果を表示。


5. **GUIの設定**:

   - `tk.Tk()`: GUIアプリケーションのインスタンスを作成。

   - `load_button`: 画像を読み込むボタン。

   - `image_label`: 画像を表示するラベル。

   - `predict_button`: 予測を実行するボタン。


このプログラムは、基本的なGUIを提供し、ユーザーがCTスキャン画像を読み込み、肺癌の有無を予測することができます。実際の使用には、モデルのトレーニングやデータの前処理が必要です。


19 Citations


Python GUI Programming: Your Tkinter Tutorial – Real Python

https://realpython.com/python-gui-tkinter/


Official GUI Builder for Tkinter - Python Help - Discussions on Python.org

https://discuss.python.org/t/official-gui-builder-for-tkinter/86498


Lung Cancer Detection using Convolutional Neural Network (CNN) | GeeksforGeeks

https://www.geeksforgeeks.org/lung-cancer-detection-using-convolutional-neural-network-cnn/


Create Python GUI with Tkinter

https://www.pythonguis.com/tutorials/create-gui-tkinter/


Explainable AI for lung cancer detection via a custom CNN on CT images | Scientific Reports

https://www.nature.com/articles/s41598-025-97645-5


Efficient Image Labeling with Python and Tkinter: A Guide to Simplifying Dataset Preparation for AI - DEV Community

https://dev.to/imankarimi/efficient-image-labeling-with-python-and-tkinter-a-guide-to-simplifying-dataset-preparation-for-ai-24od


How To Build GUI In Python - Step By Step Guide

https://zencoder.ai/blog/build-gui-in-python


Text detection using Python - GeeksforGeeks

https://www.geeksforgeeks.org/python/text-detection-using-python/


How to Install Tkinter in Python

https://updategadh.com/python-interview-question/how-to-install-tkinter-in-python/


A robust deep learning algorithm for lung cancer detection from computed tomography images - ScienceDirect

https://www.sciencedirect.com/science/article/pii/S2666521225000067


How I Built A Blood Pressure Tracker With Python, Tkinter, And Matplotlib - Kreezcraft

https://kreezcraft.com/how-i-built-a-blood-pressure-tracker-with-python-tkinter-and-matplotlib/


Browse Upload & Display Image in Tkinter - GeeksforGeeks

https://www.geeksforgeeks.org/python/browse-upload-display-image-in-tkinter/


Image Processing in Python: Algorithms, Tools, and Methods You Should Know

https://neptune.ai/blog/image-processing-python


Deep learning-based approach to diagnose lung cancer using CT-scan images - ScienceDirect

https://www.sciencedirect.com/science/article/pii/S2666521224000553


Top 4 Pre-Trained Models for Image Classification with Python Code

https://www.analyticsvidhya.com/blog/2020/08/top-4-pre-trained-models-for-image-classification-with-python-code/


[2506.07236] A Narrative Review on Large AI Models in Lung Cancer Screening, Diagnosis, and Treatment Planning

https://arxiv.org/abs/2506.07236


Imaging-aided diagnosis and treatment based on artificial intelligence for pulmonary nodules: A review - ScienceDirect

https://www.sciencedirect.com/science/article/abs/pii/S1120179725001607


Build an Image-to-Text Converter Using Python

https://citrusbug.com/blog/build-image-to-text-converter-using-python/


Machine Learning Lung Cancer Detection using CNN - Project Gurukul

https://projectgurukul.org/ml-lung-cancer-detection/


肺癌の画像診断AIを構築するためのデータセットは、LIDC-IDRI（Lung Image Database Consortium and Image Database Resource Initiative）データセットがよく使用されます。このデータセットは、胸部CTスキャンの画像と、それらの画像に含まれる病変（特に肺結節）の注釈を提供しています。LIDC-IDRIデータセットは、アメリカ国家癌症研究所（NCI）が主導し、複数の医療機関と大学が協力して作成したもので、1018の病例から成り立っています^1,2^データセットの詳細な情報やダウンロード方法については、The Cancer Imaging Archive（TCIA）の公式ウェブサイトから確認できます^1^


次に、LIDC-IDRIデータセットをダウンロードし、前処理とトレーニングを行うためのPythonプログラムを示します。このプログラムは、データのダウンロード、前処理、モデルのトレーニング、そして評価を行います。


### 1. データセットのダウンロード


LIDC-IDRIデータセットをダウンロードするためには、TCIAのウェブサイトからデータセットを選択し、必要な情報を入力してダウンロードリクエストを送信します。以下は、Pythonを使用してデータセットをダウンロードするためのスクリプトの例です。


```python

import os

import requests

from tqdm import tqdm


# TCIA APIエンドポイント

API_ENDPOINT = "https://services.cancerimagingarchive.net/services/getImageCollection"


# LIDC-IDRIのコレクションID

COLLECTION_ID = "LIDC-IDRI"


# ダウンロード先のディレクトリ

DOWNLOAD_DIR = "LIDC-IDRI"


# ダウンロードリクエストのパラメータ

params = {

    "collection": COLLECTION_ID,

    "api_key": "YOUR_API_KEY"  # TCIAから取得したAPIキー

}


# 画像のメタデータを取得

response = requests.get(API_ENDPOINT, params=params)

image_metadata = response.json()


# 画像ファイルのダウンロード

for image in tqdm(image_metadata["images"], desc="Downloading images"):

    image_id = image["image_id"]

    image_url = image["image_url"]

    local_path = os.path.join(DOWNLOAD_DIR, f"{image_id}.dcm")


    if not os.path.exists(local_path):

        os.makedirs(DOWNLOAD_DIR, exist_ok=True)

        with requests.get(image_url, stream=True) as r:

            r.raise_for_status()

            with open(local_path, 'wb') as f:

                for chunk in r.iter_content(chunk_size=8192):

                    f.write(chunk)

```


### 2. データの前処理


ダウンロードしたDICOM画像を前処理します。ここでは、画像の読み込み、リサイズ、正規化を行います。


```python

import pydicom

import numpy as np

from skimage.transform import resize

from sklearn.model_selection import train_test_split


def preprocess_image(image_path):

    # DICOM画像を読み込む

    dicom = pydicom.dcmread(image_path)

    image = dicom.pixel_array


    # 画像のリサイズと正規化

    image = resize(image, (224, 224), anti_aliasing=True)

    image = image / np.max(image)


    return image


# 前処理された画像とラベルのリスト

images = []

labels = []


for image_path in os.listdir(DOWNLOAD_DIR):

    if image_path.endswith(".dcm"):

        image = preprocess_image(os.path.join(DOWNLOAD_DIR, image_path))

        label = 1 if "cancer" in image_path else 0  # ここではファイル名に"cancer"が含まれている場合を癌と仮定

        images.append(image)

        labels.append(label)


# 訓練データと検証データに分割

X_train, X_val, y_train, y_val = train_test_split(images, labels, test_size=0.2, random_state=42)

```


### 3. モデルのトレーニング


前処理されたデータを使用して、CNNモデルをトレーニングします。


```python

import tensorflow as tf

from tensorflow.keras.models import Sequential

from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense, Dropout

from tensorflow.keras.optimizers import Adam


# モデルの構築

model = Sequential([

    Conv2D(32, (3, 3), activation='relu', input_shape=(224, 224, 1)),

    MaxPooling2D((2, 2)),

    Conv2D(64, (3, 3), activation='relu'),

    MaxPooling2D((2, 2)),

    Flatten(),

    Dense(128, activation='relu'),

    Dropout(0.5),

    Dense(1, activation='sigmoid')

])


# モデルのコンパイル

model.compile(optimizer=Adam(learning_rate=0.001), loss='binary_crossentropy', metrics=['accuracy'])


# モデルのトレーニング

history = model.fit(np.array(X_train), np.array(y_train), epochs=20, batch_size=32, validation_data=(np.array(X_val), np.array(y_val)))

```


### 4. モデルの評価


トレーニングが完了したら、検証データセットを使用してモデルの性能を評価します。


```python

# モデルの評価

loss, accuracy = model.evaluate(np.array(X_val), np.array(y_val))

print(f"Validation Accuracy: {accuracy * 100:.2f}%")

```


### 5. GUIの実装


Tkinterを使用して、ユーザーが画像を読み込み、モデルで予測を行うGUIを作成します。


```python

import tkinter as tk

from tkinter import filedialog, messagebox

from PIL import Image, ImageTk

import numpy as np


def load_image():

    file_path = filedialog.askopenfilename()

    if file_path:

        image = Image.open(file_path)

        image = image.resize((224, 224))  # モデルの入力サイズに合わせる

        image = ImageTk.PhotoImage(image)

        image_label.config(image=image)

        image_label.image = image

        return np.array(image) / 255.0  # 正規化

    return None


def predict_image(image_array):

    if image_array is not None:

        image_array = np.expand_dims(image_array, axis=0)  # バッチ次元を追加

        prediction = model.predict(image_array)

        if prediction[0] > 0.5:

            messagebox.showinfo("Prediction", "Lung cancer detected.")

        else:

            messagebox.showinfo("Prediction", "No lung cancer detected.")

    else:

        messagebox.showwarning("Warning", "Please load an image first.")


# GUIの設定

root = tk.Tk()

root.title("Lung Cancer Detection AI")

root.geometry("600x400")


# ウィジェットの配置

load_button = tk.Button(root, text="Load Image", command=load_image)

load_button.pack(pady=20)


image_label = tk.Label(root)

image_label.pack(pady=20)


predict_button = tk.Button(root, text="Predict", command=lambda: predict_image(load_image()))

predict_button.pack(pady=20)


root.mainloop()

```


このプログラムは、LIDC-IDRIデータセットをダウンロードし、前処理を行い、CNNモデルをトレーニングして、Tkinterを使用してGUIを実装しています。これにより、ユーザーは画像を読み込み、肺癌の有無を予測することができます。


2 Citations


LIDC-IDRI - The Cancer Imaging Archive (TCIA)

https://www.cancerimagingarchive.net/collection/lidc-idri/


LIDC-IDRI|医学影像数据集|肺部疾病诊断数据集

https://www.selectdataset.com/dataset/0ff597491ea5e5d414293d413f49a197

コメント

コメントを投稿

このブログの人気の投稿

ミライアイ内服薬は薬事法違反で、ほとんど効果がない詐欺ですか？

 オーキ製薬株式会社 https://sb-miraiai1008.discover-news.tokyo/ab/miraiai_sn_08?cr_param=me_sn_43&utm_creative=me_sn_43_43_726-30&snuuid=1b94463e307a11efa51b3a736e1c6c62cb501493-0&sb_article_uid=yRMFwEGnVyXQgEyww&sb_tu_id=db9d6f89-7b31-4b6c-990a-d7e936e09215 のミライアイ内服薬は薬事法違反で、ほとんど効果がない詐欺ですか？ ご提示いただいた「オーキ製薬株式会社」の「ミライアイ内用薬」について、ご質問の「薬機法（旧薬事法）違反」や「詐欺・効果の有無」という点について、調査した事実に基づき客観的に解説します。 結論から申し上げますと、製品自体は厚生労働省に認められた「医薬品」であり、詐欺商品ではありません。 ただし、広告の出し方や販売手法については、消費者が「騙された」と感じるようなトラブルが発生しやすい構造になっているようです。 1. 製品自体は「第3類医薬品」 「ミライアイ内用薬」は、独立行政法人医薬品医療機器総合機構（PMDA）のデータベースにも登録されている**「第3類医薬品」**です。  * 有効成分: フルスルチアミン塩酸塩（ビタミンB1誘導体）、ピリドキシン塩酸塩（ビタミンB6）、シアノコバラミン（ビタミンB12）など。  * 効能・効果: 眼精疲労、筋肉痛・関節痛（肩こり、腰痛など）、手足のしびれの緩和。    これらはアリナミンなどの有名なビタミン剤と同様の成分構成であり、科学的に一定の効能が認められたものです。したがって、「全く効果がない詐欺」というわけではありません。 2. 「薬機法違反」の懸念について ご提示いただいたURLのような、いわゆる「記事LP（ブログ記事のような形式の広告）」では、以下のような点が問題視されやすく、薬機法や景品表示法に抵触する恐れがある表現が使われることがあります。  * 過大な誇張: 「飲むだけで視力が回復する」「老眼が治る」といった表現は、医薬品であっても認められていません。もし広告内で「治る...
続きを読む

最高裁での上告理由書受理・却下の判断基準について

 最高裁判所における上告理由書の受理・却下に関する判断基準については、以下のような判例が参考となります。主に**民事訴訟法第312条**（旧法では第318条）の「上告受理の申立て」や**刑事訴訟法第405条**・**第406条**の上告理由に基づく判断が問題となります。 --- ### **1. 民事事件における判例** #### **(1) 上告受理の基準（民事訴訟法第312条）** 最高裁は「**法令の解釈に関する重要な事項を含むもの**」または「**その他の最高裁として判断を示す必要がある事案**」に限り受理を認めています。 - **最判昭和42年11月8日（民集21巻9号2439頁）**     「上告受理の申立ては、原判決に憲法解釈の誤りや法令解釈上の重要な誤認がある場合に限られる」とし、単なる事実誤認では受理されないことを明示。 - **最判平成15年7月10日（民集57巻7号973頁）**     上告受理の要件として、「**判例の変更が必要な場合**」や「**法令の統一解釈が求められる場合**」を挙げ、個別事案の事実誤認は却下対象と判断。 #### **(2) 却下事由の例** - **最判平成20年3月10日（民集62巻3号665頁）**     上告理由書が「単なる事実認定の誤り」を主張するに留まる場合、受理要件を欠くとして却下。 --- ### **2. 刑事事件における判例** #### **(1) 法令違反・判例違反（刑事訴訟法第405条）** - **最判昭和23年7月29日（刑集2巻9号1013頁）**     憲法違反や最高裁判例と相反する判断が下された場合、上告理由として受理。 - **最判平成27年10月19日（刑集69巻6号610頁）**     原判決が「**明らかな事実誤認**」であっても、法令解釈の問題に直結しない限り却下。 #### **(2) 量刑不当（刑事訴訟法第406条）** - **最判昭和58年4月26日（刑集37巻3号315頁）**     量刑が「**社会通念上著しく不当**」と認められる場合に限り受理。単なる量刑の軽重は...
続きを読む

裁判官の忌避申立書の作成例

 裁判官の忌避申立書は、特定の裁判官が公正な裁判を行うことが期待できない事情がある場合に、その裁判官を事件から排除するよう求めるための書類です。以下にその例を示します。 忌避申立書 令和6年6月18日 東京地方裁判所 御中 申立人 〇〇 〇〇 上記事件の申立人は、下記のとおり、貴庁係属の頭書事件の担当裁判官である〇〇 〇〇殿に対し忌避を申し立てます。 1. 事件の表示  * 事件番号：令和〇年（ワ）第〇〇〇号  * 事件名：損害賠償請求事件  * 当事者：    * 原告：〇〇 〇〇    * 被告：株式会社〇〇 2. 忌避の対象となる裁判官 東京地方裁判所 裁判官 〇〇 〇〇 3. 忌避の理由  * 〇〇裁判官は、本件と関連する過去の事件（令和〇年（ワ）第〇〇〇号 土地明渡請求事件）において、申立人の主張を一方的に退け、申立人に対する不当な判断を下しました。    * 具体的には、当該事件において、申立人が提出した重要な証拠である〇〇（証拠番号：甲第〇号証）について、〇〇裁判官は「本件との関連性が低い」と一蹴し、審理において十分に検討することなく、申立人に不利な判決を下しました。この判断は、事実関係を十分に踏まえておらず、申立人に対し不当な扱いをしたと言わざるを得ません。  * 〇〇裁判官は、本件の口頭弁論期日（令和6年5月20日）において、申立人の代理人弁護士に対し、威圧的な態度で発言を遮り、申立人の主張を聞き入れようとしない姿勢が見られました。    * 申立人の代理人弁護士が、本件における主要な争点である〇〇の点について説明しようとした際、〇〇裁判官は「もう結構です。同じ話の繰り返しはやめてください」と強い口調で発言を制し、その後も申立人側の意見陳述に対して、明らかに不満そうな態度を示しました。このような態度は、裁判官が公平・中立な立場から当事者の主張を傾聴すべきという原則に反するものです。  * 上記の事情から、〇〇裁判官は本件において、申立人に対して予断を抱いているか、または偏見を有している可能性があり、公正な裁判を受ける権利が侵害されるおそれがあります。    * これらの言動から、申立...
続きを読む