[논문 리뷰] Hair and Scalp Disease Detection using Machine Learning and Image Processing

Mrinmoy Roy, Anica Tasnim Protity|arXiv (Cornell University)|2022. 12. 31.

Hair Growth and Disorders인용 수 5

한 줄 요약

이 연구는 전처리된 두피 이미지를 사용하여 세 가지 흔한 두피 및 모발 질환—탈모, 건선, 모낭염—을 감지하기 위해 2차원 합성곱 신경망(CNN) 기반의 딥러닝 접근법을 제안한다. 이 방법은 훈련 정확도 96.2%와 검증 정확도 91.1%를 달성했으며, 각각 정밀도와 재현율 점수는 0.895, 0.846, 1.0이었으며, 정제된 150장의 이미지로 구성된 데이터셋에서 뛰어난 성능을 보였다.

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.

연구 동기 및 목표

• 피부과 전문의의 접근성 부족과 조기 진단 도구의 부족으로 인한 두피 및 모발 질환의 진단 지연 문제를 해결하기 위해.
• 탈모, 건선, 모낭염이라는 세 가지 주요 두피 질환을 구분할 수 있는 머신러닝 시스템을 개발하기 위해.
• 자료 부족과 변동성을 극복하기 위해 다양한 출처에서 수집한 150장의 두피 이미지로 구성된 데이터셋을 정제하고 전처리하기 위해.
• 딥러닝을 활용한 자동 이미지 기반 분류를 통해 진단 정확도를 향상시키고 임상 방문에 대한 의존도를 줄이기 위해.

제안 방법

• 탈모, 건선, 모낭염에 초점을 맞춰 다양한 공공 자료에서 150장의 두피 이미지를 수집하였다.
• 노이즈 제거, 대trast 강화, 이미지 균형 조정 등의 이미지 전처리 기법을 적용하여 이미지 품질과 클래스 분포를 향상시켰다.
• 전처리된 데이터셋을 기반으로 엔드 투 엔드 특징 학습과 분류를 위한 2D 합성곱 신경망(CNN)을 훈련시켰다.
• 모델 성능 평가를 위해 표준 딥러닝 평가 지표인 정확도, 정밀도, 재현율을 사용하였다.
• 과적합을 줄이고 일반화 능력을 향상시키기 위해 데이터 증강 및 정규화를 구현하였다.
• 향후 연구를 지원하기 위해 두피 이미지의 새로운 공개 데이터셋을 제공하였다.

실험 결과

연구 질문

• RQ1 딥러닝 모델이 두피 이미지만을 사용하여 탈모, 건선, 모낭염이라는 세 가지 주요 두피 질환을 정확하게 분류할 수 있는가?
• RQ2 저품질 또는 변동성이 큰 피부경화 이미지에서 분류 정확도 향상에 있어 이미지 전처리 기법이 얼마나 효과적인가?
• RQ3 150장의 이미지로 구성된 소규모 정제된 데이터셋이 2D CNN을 활용해 높은 정확도의 질병 진단을 지원할 수 있는가?
• RQ4 실제로 자원이 제한된 환경에서 다양한 두피 질환 유형 간 정밀도와 재현율 점수는 어떻게 달라지는가?
• RQ5 공개된 두피 이미지 데이터셋이 향후 자동 피부과 진단 연구를 가속화할 수 있는가?

주요 결과

• 제안된 2D CNN 모델은 전처리된 데이터셋에서 훈련 정확도 96.2%와 검증 정확도 91.1%를 달성하였다.
• 탈모에 대해 높은 정밀도(0.895)와 재현율(0.846)을 보이며 이 조건을 효과적으로 감지하는 것으로 나타났다.
• 모낭염에 대해서는 정확도와 재현율의 최적 균형을 이룬 완벽한 F1-스코어 1.0을 달성하였다.
• 이 연구는 향후 자동화된 두피 및 모발 질환 진단 연구를 지원하기 위해 정제된 150장의 두피 이미지로 구성된 새로운 데이터셋을 성공적으로 제작하고 공개하였다.
• 이미지 전처리 과정은 노이즈를 크게 줄이고 대trast를 향상시켜 오류율 감소와 모델 일반화 능력 향상에 기여하였다.
• 결과적으로 딥러닝 모델은 흔한 두피 질환의 조기 진단을 위한 효과적인 의사결정 지원 도구로 활용될 수 있음을 시사한다.