[論文レビュー] Hair and Scalp Disease Detection using Machine Learning and Image Processing

Mrinmoy Roy, Anica Tasnim Protity|arXiv (Cornell University)|Dec 31, 2022

Hair Growth and Disorders被引用数 5

ひとこと要約

本研究では、前処理済みの頭皮画像を用いて、2次元畳み込みニューラルネットワーク（CNN）に基づく深層学習アプローチを提案し、一般的な頭皮疾患3種類（脱毛症、乾癬、毛嚢炎）の検出を試みた。この手法は、96.2%の訓練精度と91.1%の検証精度を達成し、それぞれ0.895、0.846、1.0の適合率と再現率を示した。これは、150枚の画像から構成される洗練されたデータセットにおいて優れた性能を示している。

ABSTRACT

Almost 80 million Americans suffer from hair loss due to aging, stress, medication, or genetic makeup. Hair and scalp-related diseases often go unnoticed in the beginning. Sometimes, a patient cannot differentiate between hair loss and regular hair fall. Diagnosing hair-related diseases is time-consuming as it requires professional dermatologists to perform visual and medical tests. Because of that, the overall diagnosis gets delayed, which worsens the severity of the illness. Due to the image-processing ability, neural network-based applications are used in various sectors, especially healthcare and health informatics, to predict deadly diseases like cancers and tumors. These applications assist clinicians and patients and provide an initial insight into early-stage symptoms. In this study, we used a deep learning approach that successfully predicts three main types of hair loss and scalp-related diseases: alopecia, psoriasis, and folliculitis. However, limited study in this area, unavailability of a proper dataset, and degree of variety among the images scattered over the internet made the task challenging. 150 images were obtained from various sources and then preprocessed by denoising, image equalization, enhancement, and data balancing, thereby minimizing the error rate. After feeding the processed data into the 2D convolutional neural network (CNN) model, we obtained overall training accuracy of 96.2%, with a validation accuracy of 91.1%. The precision and recall score of alopecia, psoriasis, and folliculitis are 0.895, 0.846, and 1.0, respectively. We also created a dataset of the scalp images for future prospective researchers.

研究の動機と目的

• 皮膚科医へのアクセスが限られ、早期検出ツールが不足していることが原因で、頭皮疾患の診断が遅延する問題に対処する。
• 脱毛症、乾癬、毛嚢炎の3つの主要な頭皮疾患を区別できる機械学習システムの開発を目的とする。
• データ不足やばらつきを克服するため、多様な出先の150枚の頭皮画像からなるデータセットを収集・前処理する。
• 深層学習を用いた自動画像分類により、診断の正確性を向上させ、臨床的診察への依存度を低減する。

提案手法

• 脱毛症、乾癬、毛嚢炎に焦点を当て、さまざまな公開ソースから150枚の頭皮画像を収集した。
• ノイズ除去、コントラスト強調、画像等化、クラス分布のバランス調整などの画像前処理技術を適用し、画像品質とクラス分布を改善した。
• エンドツーエンドの特徴抽出と分類を実行するため、前処理済みデータセット上で2次元畳み込みニューラルネットワーク（CNN）を訓練した。
• モデルの性能評価に、標準的な深層学習評価指標（正解率、適合率、再現率）を用いた。
• 過学習を軽減し、一般化性能を向上させるために、データ増強と正規化を実装した。
• 今後の皮膚科画像解析分野の研究を支援するため、新規で公開可能な頭皮画像データセットをリリースした。

実験結果

リサーチクエスチョン

• RQ1 画像のみを用いて、脱毛症、乾癬、毛嚢炎という3つの主要な頭皮疾患を正確に分類できるか？
• RQ2 低品質またはばらつきのある皮膚鏡画像を扱う際、画像前処理は分類精度の向上にどの程度効果的か？
• RQ3 150枚の画像からなる小規模で洗練されたデータセットは、2次元CNNを用いて高精度な疾患検出を可能にするか？
• RQ4 実世界の限られたデータ環境下で、異なる頭皮疾患クラスにおける適合率と再現率はどのように変動するか？
• RQ5 公開された頭皮画像データセットは、今後の自動皮膚科診断分野の研究をどの程度加速できるか？

主な発見

• 提案された2次元CNNモデルは、前処理済みデータセット上で96.2%の訓練精度と91.1%の検証精度を達成した。
• 脱毛症に関しては、高い適合率（0.895）と再現率（0.846）を示し、この疾患の検出において優れた性能を発揮した。
• 毛嚢炎に関しては、F1スコアが1.0という完璧なバランスを示し、適合率と再現率の最適な統合を達成した。
• 本研究では、今後の自動頭皮疾患検出分野の研究を支援するため、150枚の画像からなる洗練済みデータセットを構築・公開した。
• 画像前処理によりノイズが顕著に低減され、コントラストが向上し、誤差率の低減とモデルの一般化性能の向上に寄与した。
• 結果から、深層学習モデルは一般的な頭皮疾患の早期検出における効果的な意思決定支援ツールとして機能可能であると考えられる。