JP2016107096A

JP2016107096A - ランダムフォレストに基づく乾癬紅斑分類

Info

Publication number: JP2016107096A
Application number: JP2015237991A
Authority: JP
Inventors: ダスグプタミトゥン; Das Gupta Mithun
Original assignee: Ricoh Co Ltd
Current assignee: Ricoh Co Ltd
Priority date: 2014-12-05
Filing date: 2015-12-04
Publication date: 2016-06-20
Anticipated expiration: 2035-12-04
Also published as: JP6137288B2; US10575789B2; US20160157786A1

Abstract

【課題】本発明は、乾癬紅斑分類方法及びシステムを提供する。【解決手段】かかる方法は、患者の１つ以上の乾癬部位と、該患者の正常皮膚部位とからの読み出し電圧の差に関連するスケルラム分布統計データを生成し；及び、前記スケルラム分布統計データを特徴ベクトルとして用いることで、乾癬における紅斑部位の紅斑種類を生成することを含む。【選択図】図１

Description

本発明は、乾癬（psoriasis）の紅斑（erythema）を分類する（等級付ける）分野に関し、具体的には、肌の色合い非依存の乾癬紅斑分類（等級付け）に関する。

乾癬は、皮膚及び／又は関節に現れる全身性遺伝的免疫疾患である。その全身性の性質のため、患者は、重症度が異なる幅広い症状が現れる。乾癬は、生涯にわたる慢性再発性疾患である。米国国立乾癬財団（National Psoriasis Foundation）により2001年から2008年に行われた患者調査では、33%の軽症の患者及び60%の中等症から重症の患者から、自分の疾患が日常生活において深刻な問題であるという報告があった。重症度スコアは、乾癬の重症度を分類するために用いられる数値である。広く使われている重症度スコアとしては、乾癬面積及び重症度指標（Psoriasis area and Severity Index）があり、PASIスコアとも称される。PASIスコアは、身体を複数の部位に分け、そして、各部位における紅斑（発赤し炎症を起こした皮膚）の重症度及び落屑（scaling（病変部位に典型的に見られるうろこ状の皮膚））の重症度を等級付けることにより算出されるものである。言い換えると、紅斑又は皮膚の赤みは、PASIスコアによる評価にとって重要な識別子のようなものである。PASIスコアにおける紅斑及び落屑の重症度は、視覚的推定が行われ、スコアに大きな個体間変動及び個体内変動をもたらすことが多い。赤みの認識が肌の色合い、アンビエン照明、及び、臨床設定において制御されにくい多くの他の要因の影響を受け得るため、紅斑評価では、余分な主観性が現れている。また、PASIスコアは、幾つかの病変部位の症状を評価する必要があり、これによって、皮膚科医の作業量が大幅に増加してしまう。

乾癬の重症度スコアを得るためのコンピュータ支援方法は、長年研究が行われている。少なくとも１つの技術では、紅斑の重症度スコアは、HSVモデルの色相（H）及び彩度（S）に相関している。乾癬部位と正常皮膚との色の差が以前調査されており、その調査は、紅斑重症度の分布が色相の差に相関していると結論付けた。しかし、その調査では、乾癬の重症度が、病変部位及び皮膚の色のばらつきを無視しながら、色の値を無作為に抽出することによって評価される。また、他の技術では、病変部位における色素の色を用いてRGB色空間の平均色値を取得し、そして、k近傍法（K-Nearest Neighbors）で病変部位の重症度を分類する。

本発明の目的は、乾癬の紅斑を分類する（等級付ける）方法及びシステムを提供することにある。

一実施例によれば、かかる方法は、患者の１つ以上の乾癬部位と、該患者の正常皮膚部位とからの読み出し電圧の差に関連するスケルラム分布（Skellam distribution）統計データを生成し；及び、前記スケルラム分布統計データを特徴ベクトルとして用いることで、乾癬における紅斑部位の紅斑分類（紅斑等級）を生成することを含む。

また、他の実施例によれば、関連するシステム、プログラム、コンピュータ可読記憶媒体などを提供することもできる。

一実施例における紅斑分類システムのブロック図である。一実施例における紅斑分類プロセスのフロー図である。一実施例におけるスケルラム分布統計データを生成するフロー図である。一実施例におけるコンピュータシステムのブロック図である。一実施例におけるコンピュータシステムのメモリに記憶されているコードセット（例えば、プログラム）及びデータを示す図である。

乾癬紅斑分類方法及びシステムが記載される。紅斑分類は、分類が肌の色合いに依存しないPTI（tissue-photon interaction；組織と光子の相互作用）モデルを用いる。ここに記載の技術は、臨床医により行われる推定時の検査部位数の不足及び恐らく削除によるスコア変動の低減に大いに役立つ自動採点方法を提供し、これにより、肌の色合いやアンビエン照明などの影響を受け得る赤みの認識に影響される推定結果のばらつきを低減する（又は、無くす）ことができる。これは、患者の臨床転帰や治療研究の改善及び臨床医の作業量の低減に非常に役立つ。一実施例では、該技術は、スケルラム分布統計データを紅斑分類のための特徴ベクトルとして用いる。このような特徴ベクトルをランダムフォレスト（random forest；ランダム森ともいう）に基づく技術の入力として用いることで、乾癬における紅斑部位の種類（等級）を出力することができる。

以下の説明では、多くの細部が本発明のより完全な説明を提供するために記載される。しかし、本発明がこれらの具体的な細部が無くても実施され得ることは、当業者にとって明らかである。また、他の例では、本発明を曖昧にすることを避けるために、良く知られた構造及び装置について詳細に示せず、ブロック図で表すこともある。

以下の詳細な説明の幾つかの部分は、コンピュータのメモリにおけるデータビットによる処理（操作）のアルゴリズム及び記号表現に関して表される。これらのアルゴリズム的記述及び表現は、データ処理分野の当業者が自分の仕事の内容を他の当業者に有効に伝えるために用いられる手段である。一般的には、ここでのアルゴリズムは、所期の結果を得るためのつじつまの合う一連のステップであると考えられる。これらのステップは、物理量の物理処理を要するものである。また、これらの物理量は、必ずしもそうとは限らないが、記憶、伝達、組み合わせ、比較、及び他の処理が可能である電気的又は磁気的な信号の形態を取る。主として一般的な用法という理由により、これらの信号をビット、値、要素、記号、文字、項、数字などと呼ぶことが、場合によっては便利であることがわかっている。

しかし、理解すべきは、これらの用語及び類似するものは、適切な物理量と関連し、且つこれらの物理量に適用される単なる好都合なラベルであるということである。特に指定のない限り、或いは記述から明らかなように、「処理する（processing）」、「計算する（computing）」、「算出する（calculating）」、「決定する（determining）」、又は、「表示する（displaying）」などの用語は、コンピュータシステムのレジスタやメモリにおける物理量や電子量として表されるデータを処理して、コンピュータシステムのメモリ又はレジスタ、或いは他のこのような情報ストレージ、伝送又は表示装置における物理量として同様に表される他のデータに変換するコンピュータシステム又は類似する電子計算装置の動作及び処理を指す。

本発明は、ここに記載の処理を実行するための装置にも関する。この装置は、所要の目的のために特別に作られるものであって良く、又は、コンピュータに格納されるコンピュータプログラムにより選択的に起動又は構成される汎用コンピュータを含んでも良い。このようなコンピュータプログラムは、非一過性のコンピュータ可読記憶媒体、例えば、コンピュータシステムのバスにカップリングされる、フロッピー(登録商標)ディスク、光ディスク、CD-ROM、光磁気光ディスク、読み出し専用メモリ（ROM）、ランダムアクセスメモリ（RAM）、EPROM、EEPROM、磁気、又は光カードを含む任意タイプのディスク、或いは、電子指令の記憶に適している任意タイプの媒体に記憶されても良いが、これらに限定されない。

また、ここに記載のアルゴリズム及び記号表現は、特定のコンピュータ又は他の装置に本質的に関連しない。また、様々な汎用システムが、ここに記載の教示に従ってプログラムと一緒に用いられても良く、或いは、要求される方法のステップを実行するために、特化した装置を構成することが便利であることも分かっている。なお、これらのシステムのために必要な構造については、後述する。また、本発明は、特定のプログラミング言語に関して記載されない。当然のことながら、様々なプログラミング言語は、ここに記載の本発明の内容を実行するために用いることができる。

また、マシン読み取り可能な媒体は、マシン（例えば、コンピュータ）読み取り可能な形態の情報を記憶又は伝送するための任意のメカニズムを含んでも良い。例えば、マシン読み取り可能な媒体は、リードオンリーメモリ（“ROM”）、ランダムアクセスメモリ（“RAM”）、磁気ディスク記憶装置、光記憶装置、フラッシュメモリ装置などを含む。

＜概説＞
マルチスペクトルデジタル皮膚画像を用いて、紅斑の重症度を自動的に推定する技術が開示される。推定値は、PASIスコアを計算するために用いることができる。こここに記載の技術は、紅斑の赤みに関連し、且つヘモグロビンとメラニンの色空間及び関連する落屑の面積と組織に基づく一連の特徴を取得することができる。なお、ヘモグロビンは皮膚の赤色に関連し、メラニンは皮膚の黄色及び茶色に関連する。

図1は、一実施例における紅斑分類システムのブロック図である。図1に示すように、マルチスペクトルセンサ102は、光源（図示せず）に応じて皮膚の表面120に反射される光子を記録するセンサ要素を含む。センサ102は、各中心波長を中心とする光子を選択する複数のフィルタを含む。一実施例では、センサ102は、８つの光バンドパスフィルタを有する。一実施例では、結像のための異なる波長スペクトルは、445nm（blue）、550nm（green）及び650nm（red）を中心とする３つの広帯域（100nm）フィルタ、及び、542nm、680nm、750nm、800nm及び860nmを中心とする５つの狭帯域（10nm）フィルタのうちの１つ以上を含む。これにより、センサ102は、広帯域のRGBチャネルのためのフィルタを含むようになる。

読み出し電圧生成器103は、フィルタを経由してセンサ要素に入射する光子の光子数を測定し、そして、入射光子を表す読み出し電圧を生成する。また、読み出し電圧生成器103は、これらの電圧を分類器101に送信する。

一実施例では、センサ102及び読み出し電圧生成103は、カメラ、例えば、マルチスペクトルカメラの一部である。

読み出し電圧に応じて、分類器101は、乾癬紅斑分類（等級付け）を行う。一実施例では、これは、紅斑分類が肌の色合いに依存しない組織と光子の相互作用モデルを用いることで自動的に行われる。一実施例では、紅斑分類のために用いられる特徴ベクトルは、スケルラム分布統計データを含む。一実施例では、分類器101は、これらの特徴ベクトルをランダムフォレストに基づく技術に入力し、乾癬における紅斑部位を、例えば、重度、中等度、及び軽度を含む複数の種類に分類する。その後、分類器101は、分類結果を出力装置、例えば、表示器110に出力する。

＜組織と光子の相互作用モデル＞
紅斑分類システムは、（照明光源を用いて）皮膚部位に光を当て、そして、センサを用いて、反射された光子数をセンシングして記録する。一実施例では、該センサは、例えば、光センサである。カメラの光センサにおけるあるサイトの光誘起電子発生率（rate of photo induced electron generation）（ρ）は、

のように定義することができる。

そのうち、（x，y）は、センサ面における連続座標であり、q（λ）は、入射放射線の波長（λ）の関数としての検出器の内部量子効率（電子（electron）／ジュール（Joule））である。S_r（x，y）は、センサにおける収集サイトの空間応答である。センサに入射される分光放射照度（spectral irradiance）パターンB（x，y，λ）（ワット（Watts）／単位面積）は、

のようにモデル化することができる。

そのうち、*は、空間的コンボリューション演算子であり、p（x，y，λ）は、カメラレンズシステムの点広がり関数であり、t（λ）は、光学素子のスペクトラル透過率（分光透過率）である。R（x，y，λ）は、結像される表面の空間的に変化するスペクトラル反射率（分光反射率）であり、L（x，y，λ）は、空間的に変化する照明モデルである。

センシングされてからセンサ回路から読み出される光子誘起電圧（D）は、

のように与えることができる。

そのうち、Kは、センサの外部量子効率（ボルト（Volts）／電子（electron））であり、Tは、センサの典型的な積分時間であり、N_DCは、暗電流ノイズであり、N_Sは、ショットノイズであり、N_Rは、読み出しノイズであり、Aは、読み出し回路の増幅係数であり、N_Qは、ADCの量子化ノイズである。前もって較正されたセンサでは、N_DC，N_S，N_R，N_Q＜＜KρTであり、正常動作条件において、

を保証することができる。

式（１）におけるS_r（x，y）及びq（λ）は、センサのために不変に保てられ、センサ交換時のみに変わる。式（２）におけるp（x，y，λ）、t（λ）、及びL（x，y，λ）は、カメラの光学素子及び照明光源が変わらなければ、不変に保てられる。その結果として、唯一の変動要因は、式（２）におけるR（x，y，λ）であり、それは、光子と組織の相互作用に繋がる。

センサからのデジタル読み出し電圧（d）は、一例において、確率的にセンシングされる誘起電圧（D）の値であり、それは、次の式、即ち、

に従うポアソン（Poisson）分布であると知られている。

そのうち、

であり、E[.]及びvar[.]は、それぞれ、数学的期待値及び分散演算子を表す。[λ₁，λ₂]は、システムが対応する光学的放射線の波長範囲である。即ち、
（外１）

は、デジタル読み出し電圧dの数学的期待値及び分散の両方に等しい。一実施例では、マルチスペクトルセンサは、各中心波長を中心とする光子を選択する８つの光バンドパスフィルタを有する。各フィルタのセンサ要素における光子入射率は、ρ_λである。また、これらの測定の各々は、式（３）に示すポアソン分布に従って、特定の波長に関する読み出しを行う。このようにすると、この分布を定義するパラメータは、

のように局所的に推定することができる。
（外２）

は、所定のカメラ及び照明構成に対して、R（x，y，λ）に比例し、また、所定のセンサ積分時間Tに対して、光子と組織の相互作用をモデル化するために用いられる。

一実施例では、位置（x，y）∈Iにおける
（外３）

は、（x，y）を中心とする、サイズがn₁×n₂ピクセルである近傍領域におけるサンプルを用いることによって推定することができる。推定の信用度は、採用されるサンプルの数によって決まる。一実施例では、
（外４）

は、

がスケールKにおけるサンプルを用いることによる波長λの推定になるよう、スケールKによって表される複数のサイズの近傍領域において推定される。n₁及びn₂は、例えば、n₁=n₂=3，5，7である。なお、他のサイズが用いられても良く、また、n₁及びn₂は、等しい必要がない。サンプルは、複数のスケール及び全ての波長チャネルにおいて取集され、次のような特徴ベクトル、即ち、

を生成する。

＜肌の色合い非依存の組織と光子の特性＞
紅斑分類システムは、例えば、肌色の白い部位の紅斑が黒ぽっい部位よりも目立つように見えるため、患者のベーススキンカラー（base skin color）に依存しないことを要する。関係サイト（即ち、乾癬があると疑われる皮膚部位）における特定の波長に関する読み出し電圧（画像強度）がd_eである。これは、ポアソン分布のランダム変数
（外５）

であると知られている。また、同じ患者の正常皮膚部位からの読み出し電圧d_nsが、d_eから減算される。そして、その差d_d=d_e-d_nsが、

により与えられるスケルラム分布として分布させられる。そのうち、I_k（z）は、第１種変形ベッセル関数である。上式の中で、電圧の差d_dを“k”（標準項である最後の項I_kを除く）に代入することにより、スケルラム分布の平均値μ_S及び分散σ_S ²は、

のように得ることができる。

＜スケルラム分布パラメータの推定＞
それ故に、肌の色合い非依存の組織と光子の（異なるスケールにおける）特性の推定値は、

となる。そのうち、
（外６）

は、真の平均値μ_sについての推定値である。なお、E[d_ns ^λ]は、位置に依存しない。一実施例では、Eは、撮られた画像における正常皮膚部位のために患者につき毎回計算される。

＜紅斑分類のためのランダムフォレスト＞
光子相互作用統計物理が組織特有（tissue specific）という性質を持つ想定の下で、式（２）におけるR（x，y，λ）は、皮膚科医により分類されるように、紅斑の３つの種類ω∈{軽度，中等度，重度}に対して特有のものである。式（７）における特徴ベクトル
（外７）

は、トレーニングサンプル集合“{I}train”を用いる学習で得ることができる紅斑特有のオブザベイション（observation；観察結果）集合
（外８）

を形成する。オブザベイション集合
（外９）

は、一般的に、ノンパラメトリック分布クラスターを形成し、また、このような空間の学習は、ランダムフォレストのような教師ありノンパラメトリックラーナー（non-parametric learner）を用いることで効率良く達成することができる。また、使用可能なノンパラメトリックラーナーの他の例としては、決定フォレスト（decision forest）などもある。

一実施例では、ランダムフォレストのような教師ありノンパラメトリックラーナーは、当業者に良く知られた方法で、上述の集合
（外１０）

をモデル
（外１１）

として学習するために用いられる。ランダムフォレストは、モデルH（．）を共同で形成するための複数の決定木h_n（．）の組み合わせである。一実施例では、各々の木は、二分決定木である。なお、本発明は、二分決定木に限られず、他のアルゴリズムを採用しても良い。

オブザベイション空間は、一般的に、無相関ファッションにおいて木を学習するためにブートストラップされる。一実施例では、各々の木は順序があるノードのネットワークからなり、このようなノードは意思決定ノード(decision making node)かそれとも葉ノード(leaf node)である。木の応答は、葉ノードからの情報産物であり、例えば、オブザベイション
（外１２）

に基づくクラスωの事後確率である。フォレストの決定は、各々の木からの決定のバギング（bagging）を用いることで統合することができる。二分木では、意思決定ノードは、オブザベーションをその左側又は右側の子に続いてプッシュ（push）するために分岐を選択する。この分岐は、一般的に、無作為に選んだ特徴サブセットの部分集合から定式化された分岐規則を用いることで決められる。各々の木は、最大深さまで、或いは、各ノードに至るオブザベーションの数が所定閾値より大きくなるまで学習することができる。学習されたフォレストの応答
（外１３）

は、画像Iの位置（x，y）における画素を分類する（等級付ける）ための確率p(ω|I，（x，y））である。

各患者に対して、参照用正常皮膚部位も選択される。パッチ平均特徴（patch-mean feature）が紅斑部位及び正常皮膚部位から各画素のために学習される。正常皮膚部位からの全ての画素の特徴は、特定の患者の正規化ベーススキン特徴を生成するために平均化される。その後、この正規化ベーススキン特徴は、分類（等級付け）のための最終特徴集合を生成するために紅斑部位における画素の特徴から減算される。

一実施例では、各患者への検査を行う時に、各患者が複数のサイトで結像され、各サイトから候補部位が生成され、そして、サイト特有の種類（等級）が推測され、例えば、患者xに対して、サイト1について、推測される種類を軽度とし、サイト2について、推測される種類を中等度とする。一実施例では、全てのサイトにわたって推測される最悪の等級に基づいて、患者xを中等度に分類する。

図2Aは、一実施例における紅斑分類プロセスのフロー図である。このプロセスは、ハードウェア（回路や専用ロジックなど）、ソフトウェア（汎用コンピュータシステム又は専用マシン上で実行されるようなもの）、ファームウェア、又は、それらの組み合わせを含む処理ロジックにより実行することができる。

図2Aを参照するに、プロセスは、マルチスペクトルセンサからデジタル読み出し電圧を取得することから始まる（処理ブロック201）。一実施例では、各デジタル読み出し電圧は、患者のマルチスペクトルデジタル皮膚画像から確率的にセンシングされる誘起電圧の値である。一実施例では、読み出し電圧は、患者の皮膚部位における特定の波長に関する画像強度を表す。

読み出し電圧の取得に応じて、処理ロジックは、患者の１つ以上の乾癬部位と、該患者の正常皮膚部位とからの読み出し電圧の差に関連するスケルラム分布統計データを生成する（処理ブロック202）。一実施例では、スケルラム分布統計データは、異なるスケールにおける肌の色合い非依存の組織と光子の特性の推定値を含む。一実施例では、該推定値は、真の平均値についての推定値である。

図2Bは、一実施例におけるスケルラム分布統計データを生成するフロー図である。このプロセスは、ハードウェア（回路や専用ロジックなど）、ソフトウェア（汎用コンピュータシステム又は専用マシン上で実行されるようなもの）、ファームウェア、又は、それらの組み合わせを含む処理ロジックにより実行することができる。

図2Bを参照するに、プロセスは、処理ロジックが、複数のスケール及び複数の波長チャネルにおけるサンプルを用いることで、光誘起電子生成率とセンサ積分時間との積の推定値を表す第一特徴ベクトルを生成することから始まり、そのうち、複数のスケールの各々は、所定サイズの画素領域を表す（処理ブロック210）。その後、処理ロジックは、患者の正常皮膚部位におけるセンサからの読み出し電圧を、複数のスケールの各々におけるセンサからの読み出し電圧から引くことで、複数のスケールの各々における平均値パラメータの推定値を生成する（処理ブロック211）。

再び図2Aを参照するに、スケルラム分布統計データを特徴ベクトルとして用いることで、処理ロジックは、乾癬における紅斑部位の紅斑種類（紅斑等級）を生成する（処理ブロック203）。一実施例では、紅斑種類の生成は、ランダムフォレストに基づく処理の特徴ベクトルへの適用を含む。一実施例では、紅斑種類は、重度、中等度、及び軽度の３種類のうちの１つである。

＜分類器の実施例＞
図3は、図1の分類器102のような分類器のブロック図である。図3を参照するに、セキュリティゲートウェイ310は、そのサブシステム、例えば、プロセッサ314、システムメモリ317（例えば、RAMやROMなど）、入力／出力コントローラ318、外部装置、例えば表示器アダプター326経由の表示スクリーン324、シリアルポート328、330、キーボード332（キーボードコントローラ333と接続される）、ストレージインタフェース334、フロッピーディスクを受け入れるように動作するフロッピーディスクドライブ337、ファイバーチャネル（FC）ネットワーク390と接続するように動作するホストバスアダプター（HBA）インタフェースカード335A、SCSIバス339と接続するように作動するホストバスアダプター（HBA）インタフェースカード335B、及び光ディスクドライブ340を相互接続するバス312を含む。また、マウス346（又は、他のポイント・アンド・クリックの装置である。シリアルポート328を経由してバス312にカップリングされる）、モデム347（シリアルポート330に経由してバス312にカップリングされる）、及びネットワークインタフェース348（バス312に直接カップリングされる）も含む。

バス312は、中央プロセッサ314とシステムメモリ317との間においてデータ通信を許可する。システムメモリ317（例えば、RAM）は、一般的にメインメモリであり、オペレーティングシステム及びアプリケーションプログラムは、該メインメモリにロードされる。ROM又はフラッシュメモリは、幾つかあるコードの中で特に、基本ハードウェアの動作、例えば周辺構成要素との相互作用などを制御するための基本入出力システム（BIOS）を含む。コンピュータシステム310と一緒に存在するアプリケーションは、一般的に、ハードディスクドライブ（例えば、固定ディスク344）、光ドライブ（例えば、光ドライブ340）、フロッピーディスクユニット337、又は、他の記憶媒体のようなコンピュータ可読媒体に記憶され、また、それを経由してアクセスされる。

ストレージインタフェース334は、コンピュータシステム310の他のストレージインタフェースと同様に、情報の記憶及び／又は検索のために固定ディスクドライブ344のような標準コンピュータ可読媒体と接続することができる。固定ディスクドライブ344は、コンピュータシステム310の一部であっても良く、又は、独立したものであって他のインタフェースシステムを経由してアクセスされ得るものであっても良い。

モデム347は、インターネットサービスプロバイダ（ISP）経由のインタネットへの直接接続、又は、電話リンク経由のリモートサーバーへの直接接続を提供することができる。ネットワークインタフェース348は、リモートサーバーへの直接接続を提供することができる。ネットワークインタフェース348は、POP（point of presence）経由のインタネットへの直接的なネットワークリンクによって、リモートサーバーへの直接接続を提供することができる。ネットワークインタフェース348は、デジタル携帯電話接続、パケット接続、デジタル衛星接続などを含む無線技術を用いる接続を提供することができる。リモートサーバーは、上記処理のうちの１つ以上を実行するために用いられる。

同様な方法で、多くの他の装置又はサブシステム（図示せず）が接続されても良い（例えば、ドキュメントスキャナーやデジタルカメラなど）。逆に言うと、図3に示す全ての装置がここに記載の技術を施すために存在する必要はない。また、装置及びサブシステムは、図3に示す接続方法と異なる方法で相互接続することもできる。なお、図3に示すようなコンピュータシステムの動作は、当業者にとって周知であるため、詳しい説明が省略される。

ここに記載の分類器の処理を実行するためのプログラムコードは、非一過性のコンピュータ可読媒体、例えば、システムメモリ317、固定ディスク344、光ディスク342、及び、フロッピーディスク338のうちの１つ以上に記憶することができる。また、コンピュータシステム310のオペレーティングシステムは、MS-DOS（登録商標）、MS-WINDOWS（登録商標）、OS／2（登録商標）、UNIX（登録商標）、Linux（登録商標）、又は、他の既知のオペレーティングシステムであっても良い。

図4は、一実施例における分類器、例えば、図1に記載の分類器101のメモリに記憶されているコードセット（例えば、プログラム）及びデータを示す図である。分類器は、コードをプロセッサと連携して用いることで、ここに記載の必要な処理（例えば、ロジック処理）を実行する。

図4を参照するに、メモリは、通信モジュール401を記憶しており、モジュール401は、プロセッサにより実行される時に、センサ（例えば、マルチスペクトルセンサやカメラの光センサなど）から読み出し電圧を受信するために用いられる。メモリは、スケルラム分布統計データ生成モジュール402も記憶しており、モジュール402は、プロセッサにより実行される時に、スケルラム分布統計データを生成するために用いられる。メモリは、紅斑分類モジュール403も記憶しており、モジュール403は、プロセッサにより実行される時に、紅斑種類（紅斑等級）を生成するために用いられる。一実施例では、紅斑分類モジュール403は、ランダムフォレストに基づく処理をスケルラム分布統計データへ適用することで、紅斑種類（例えば、重度、中等度、又は軽度）を出力として生成する。また、メモリは、ネットワーク通信モジュール404も記憶してもおり、モジュール404は、ネットワーク通信及び他の装置（例えば、サーバーやクライアントなど）との通信を行うために用いられる。

以上、本発明の好ましい実施形態を説明したが、本発明はこのような実施形態に限定されず、本発明の趣旨を離脱しない限り、本発明に対するあらゆる変更は本発明の技術的範囲に属する。

Claims

乾癬の紅斑を分類する方法であって、
患者の１つ以上の乾癬部位と、該患者の正常皮膚部位とからの読み出し電圧の差に関連するスケルラム分布統計データを生成し;及び
前記スケルラム分布統計データを特徴ベクトルとして用い、前記乾癬における紅斑部位の紅斑種類を生成することを含む、方法。
請求項1に記載の方法であって、更に、
マルチスペクトルセンサから複数のデジタル読み出し電圧を取得することを含む、方法。
請求項2に記載の方法であって、
前記複数のデジタル読み出し電圧の各々は、前記患者のマルチスペクトルデジタル皮膚画像から確率的にセンシングされる誘起電圧の値である、方法。
請求項1に記載の方法であって、
前記スケルラム分布統計データは、異なるスケールにおける肌の色合い非依存の組織と光子の特性の推定値を含む、方法。
請求項4に記載の方法であって、
前記推定値は、真の平均値についての推定値である、方法。
請求項1に記載の方法であって、更に、
複数のスケール及び複数の波長チャネルにわたるサンプルを用い、光誘起電子生成率とセンサ積分時間との積の推定値を表す第一特徴ベクトルを生成し、前記複数のスケールの各々は、所定サイズの画素領域を表し;及び
前記患者の正常皮膚部位におけるセンサからの読み出し電圧を、前記複数のスケールの各々におけるセンサからの読み出し電圧から引くことで、前記複数のスケールの各々における平均値パラメータの推定値を生成することを含む、方法。
請求項6に記載の方法であって、
前記読み出し電圧は、前記患者の皮膚部位における特定の波長に関する画像強度を表す、方法。
請求項1に記載の方法であって、
前記紅斑種類の生成は、ランダムフォレストに基づく処理の前記特徴ベクトルへの適用を含む、方法。
請求項3に記載の方法であって、
前記紅斑種類は、重度、中等度、及び軽度を含む複数の種類のうちの１つである、方法。
請求項6に記載の方法であって、更に、
前記複数のスケールの各々における平均値パラメータの推定値を生成することによって前記複数のスケールの各々における差を生成し、そして、該差を前記複数のスケールの各々のスケルラム分布として分布させることを含む、方法。
コンピュータに、請求項1〜10の何れか１項に記載の方法を実行させるためのプログラム。
請求項11に記載のプログラムを記憶したコンピュータ読み出し可能な記録媒体。
システムであって、
患者の皮膚部位における特定の波長に関する画像強度を表す読み出し電圧を生成するための１つ以上のセンサ;及び
前記１つ以上のセンサからの前記読み出し電圧を受信し、乾癬の紅斑を分類するためにカップリングされる分類器であって、前記患者の１つ以上の乾癬部位と、前記患者の正常皮膚部位とからの読み出し電圧の差に関連するスケルラム分布統計データを生成し、前記スケルラム分布統計データを特徴ベクトルとして用い、前記乾癬における紅斑部位の紅斑種類を生成する、分類器を含む、システム。
請求項13に記載のシステムであって、
前記１つ以上のセンサは、複数のデジタル読み出し電圧を取得し、
前記複数のデジタル読み出し電圧の各々は、前記患者のマルチスペクトルデジタル皮膚画像から確率的にセンシングされる誘起電圧の値である、システム。
請求項13に記載のシステムであって、
前記スケルラム分布統計データは、異なるスケールにおける肌の色合い非依存の組織と光子の特性の推定値を含む、システム。
請求項17に記載のシステムであって、
前記分類器は、ランダムフォレストに基づく処理の特徴ベクトルへの適用によって前記紅斑種類を生成する、システム。