[论文解读] 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 5

一句话总结

本研究提出一种基于深度学习的方法，采用二维卷积神经网络（CNN）通过预处理的头皮图像检测三种常见的头发和头皮疾病——脱发、银屑病和毛囊炎。该方法在150张图像的精选数据集上实现了96.2%的训练准确率和91.1%的验证准确率，精确率和召回率分别为0.895、0.846和1.0，表现出优异的性能。

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.

研究动机与目标

• 为解决因皮肤科医生资源有限及缺乏早期检测工具而导致的头发和头皮疾病诊断延迟问题。
• 开发一种机器学习系统，能够区分三种主要头皮疾病：脱发、银屑病和毛囊炎。
• 通过整理和预处理来自多样化来源的150张头皮图像，克服数据稀缺性和多样性问题。
• 通过基于图像的自动化分类与深度学习技术，提高诊断准确率并减少对临床就诊的依赖。

提出的方法

• 从各种公开来源收集150张头皮图像，重点关注脱发、银屑病和毛囊炎。
• 应用去噪、对比度增强、图像均衡化以及数据平衡等图像预处理技术，以提升图像质量和类别分布。
• 在预处理后的数据集上训练二维卷积神经网络（CNN），实现端到端的特征学习与分类。
• 使用标准的深度学习评估指标——准确率、精确率和召回率，评估模型性能。
• 通过数据增强和归一化技术减少过拟合，提升模型泛化能力。
• 发布一个全新的、公开可获取的头皮图像数据集，以支持未来在皮肤病图像分析领域的研究。

实验结果

研究问题

• RQ1 仅使用头皮图像，深度学习模型能否准确分类三种主要头发和头皮疾病——脱发、银屑病和毛囊炎？
• RQ2 在处理低质量或差异较大的皮肤镜图像时，图像预处理在提升分类准确率方面有多有效？
• RQ3 在使用二维CNN进行疾病检测时，150张图像的小型精选数据集在多大程度上能支持高准确率？
• RQ4 在真实世界中数据有限的环境下，不同头皮疾病类别之间的精确率和召回率如何变化？
• RQ5 公开共享的头皮图像数据集在多大程度上能加速未来在自动化皮肤病诊断方面的研究？

主要发现

• 所提出的二维CNN模型在预处理后的数据集上实现了96.2%的训练准确率和91.1%的验证准确率。
• 该模型在脱发检测中表现出高精确率（0.895）和高召回率（0.846），表明其在检测该疾病方面表现优异。
• 对于毛囊炎，模型实现了完美的F1得分（1.0），表明精确率与召回率达到了最佳平衡。
• 本研究成功构建并发布了全新的、经筛选的150张头皮图像数据集，以支持未来在自动化头发和头皮疾病检测方面的研究。
• 图像预处理显著降低了噪声并提升了对比度，有助于减少错误率并增强模型泛化能力。
• 结果表明，深度学习模型可作为早期检测常见头皮疾病的有效决策支持工具。