JP2023159529A

JP2023159529A - 毛髪の状態を判別する状態判別方法、状態判別装置、および状態判別プログラム

Info

Publication number: JP2023159529A
Application number: JP2022069252A
Authority: JP
Inventors: 将隆窪内; Masataka Kubouchi; 拓磨西本; Takuma Nishimoto
Original assignee: Sakai Chemical Industry Co Ltd
Current assignee: Sakai Chemical Industry Co Ltd
Priority date: 2022-04-20
Filing date: 2022-04-20
Publication date: 2023-11-01
Anticipated expiration: 2042-04-20
Also published as: JP2023159858A; JP7264296B1; JP2023159857A

Abstract

【課題】生体組織の状態を客観的に判別する。【解決手段】生体組織の状態を判別する状態判別方法であって、生体組織の表面または断面の画像を取得する取得ステップＳ１と、前記画像において、境界線に囲まれた領域を認識する領域認識ステップＳ２と、前記領域の特徴量を算出する特徴量算出ステップＳ３と、前記特徴量に基づいて、前記生体組織の状態を判別する状態判別ステップＳ４と、を備える。【選択図】図３

Description

特許法第３０条第２項適用申請有り（その１）ウェブサイトの掲載日２０２１年６月２日ウェブサイトのアドレスｈｔｔｐｓ：／／ｗｗｗ．ｓａｋａｉ－ｃｈｅｍ．ｃｏ．ｊｐ／ｊｐ／ｈｔｔｐ：／／ｗｗｗ．ｓａｋａｉ－ｃｈｅｍ．ｃｏ．ｊｐ／ｊｐ／ｋａｉｓｅｋｉ／ｐｄｆ／ｋａｉｓｅｋｉ＿ｐｄｆ０４．ｐｄｆ（その２）ウェブサイトの掲載日２０２２年４月８日ウェブサイトのアドレスｈｔｔｐｓ：／／ｗｗｗ．ｓａｋａｉ－ｃｈｅｍ．ｃｏ．ｊｐ／ｊｐ／ｈｔｔｐｓ：／／ｗｗｗ．ｓａｋａｉ－ｃｈｅｍ．ｃｏ．ｊｐ／ｊｐ／ｐｄｆ／ｋａｉｓｅｋｉ＿ｐｄｆ０４．ｐｄｆ（その３）展示日２０２１年５月１９日～２０２１年５月２１日展示会名、開催場所ＣＩＴＥＪＡＰＡＮ第１０回化粧品産業技術展パシフィコ横浜（神奈川県横浜市西区みなとみらい１－１－１）（その４）ウェブサイトの掲載日２０２１年６月１６日～２０２１年６月１８日ウェブサイトのアドレスｈｔｔｐｓ：／／ｗｗｗ．ｊａｐａｎ－ｉｔ－ｏｎｌｉｎｅ．ｊｐ／ｊａ－ｊｐ．ｈｔｍｌｈｔｔｐｓ：／／ｗｗｗ．ｊａｐａｎ－ｉｔ－ｏｎｌｉｎｅ．ｊｐ／ｊａ－ｊｐ／ａｂｏｕｔ／ａｉ．ｈｔｍｌ（その５）ウェブサイトの掲載日２０２１年８月４日～２０２１年９月３日（再公開）２０２１年１０月２２日～２０２１年１１月２６日ウェブサイトのアドレスｈｔｔｐｓ：／／ｗｗｗ．ｍａｔｓｕｍｏｔｏ－ｔｒｄ．ｃｏ．ｊｐ／ｈｔｔｐｓ：／／ｗｗｗ．ｍａｔｓｕｍｏｔｏ－ｔｒｄ．ｃｏ．ｊｐ／２０２１ｅｘｈｉｂｉｔｉｏｎ／ｅｎｔｒｙ／ｈｔｔｐｓ：／／ｗｗｗ．ｍａｔｓｕｍｏｔｏ－ｔｒｄ．ｃｏ．ｊｐ／２０２１ｅｘｈｉｂｉｔｉｏｎ／ｇｒｅｅｔｉｎｇ／ｈｔｔｐｓ：／／ｗｗｗ．ｍａｔｓｕｍｏｔｏ－ｔｒｄ．ｃｏ．ｊｐ／２０２１－ｅｘｈｉｂｉｔｉｏｎ／ｓａｋ．ｈｔｍｌ（その６）展示日２０２１年１０月６日～２０２１年１０月８日展示会名、開催場所食品開発展２０２１東京ビッグサイト（東京都江東区有明３－１０－１）（その７）ウェブサイトの掲載日２０２１年９月２９日～２０２１年１１月１２日ウェブサイトのアドレスｈｔｔｐｓ：／／ｗｗｗ．ｐｏｗｔｅｘ．ｃｏｍ／ｏｎｌｉｎｅ／ｈｔｔｐｓ：／／ｐｏｗｔｅｘ．ｃｏｍ／ｏｎｌｉｎｅ／ｅｘｐｏ／ｅｘｈｉｂｉｔｏｒ／５－ｂ１３／

特許法第３０条第２項適用申請有り（その８）展示日２０２１年１０月１３日～２０２１年１０月１５日展示会名、開催場所国際粉体工業展大阪２０２１インテックス大阪（大阪府大阪市住之江区南港北１－５－１０２）（その９）ウェブサイトの掲載日２０２１年１０月１８日～２０２１年１０月２９日ウェブサイトのアドレスｈｔｔｐｓ：／／ｗｗｗ．ｃｈｅｍｍａｔｅ．ｊｐ／ｏｎｌｉｎｅｈｔｔｐｓ：／／ｗｗｗ．ｃｈｅｍｍａｔｅ．ｊｐ／ｏｎｌｉｎｅ／ｅｘｈｉｂｉｔｏｒｈｔｔｐｓ：／／ｗｗｗ．ｃｈｅｍｍａｔｅ．ｊｐ／ｏｎｌｉｎｅ／ｅｘｈｉｂｉｔｏｒ／ｌｉｓｔ／５ｈｔｔｐｓ：／／ｗｗｗ．ｃｈｅｍｍａｔｅ．ｊｐ／ｏｎｌｉｎｅ／ｅｘｈｉｂｉｔｏｒ／ｂｏｏｔｈ／４７２（その１０）展示日２０２１年１２月１日～２０２１年１２月３日展示会名、開催場所国際画像機器展２０２１パシフィコ横浜（神奈川県横浜市西区みなとみらい１－１－１）（その１１）展示日２０２２年１月１４日展示会名、開催場所化粧品製造技術マッチングフェア２０２２大阪産業創造館（大阪市中央区本町１－４－５）（その１２）展示日２０２２年１月２８日展示会名、開催場所複合材料・カーボンフェア２０２２大阪産業創造館（大阪市中央区本町１－４－５）（その１３）展示日２０２２年４月２０日～２０２２年４月２２日展示会名、開催場所ファインケミカルジャパン２０２２東京ビッグサイト（東京都江東区有明３－１０－１）

本発明は、生体組織の状態を判別する技術に関する。

生体組織の画像に基づいて、生体組織の状態を判別する技術が提案されている。例えば、特許文献１には、被験者の毛髪の複数の部位の拡大画像を同時に複数示す診断画面を表示し、毛髪の正常な部位と傷んだ部位等を見比べながら、毛髪の傷み具合等を診断する技術が開示されている。

特開２００９－１７２０２３号公報

しかしながら、特許文献１に開示された従来技術では、診断者（人間）が診断画面を見ながら毛髪の傷み具合等を診断しているため、客観性が担保されないという問題がある。

本発明は、上記問題を解決するためになされたものであって、生体組織の状態を客観的に判別することを課題とする。

本発明に係る状態判別方法は、生体組織の状態を判別する状態判別方法であって、生体組織の表面または断面の画像を取得する取得ステップと、前記画像において、境界線に囲まれた領域を認識する領域認識ステップと、前記領域の特徴量を算出する特徴量算出ステップと、前記特徴量に基づいて、前記生体組織の状態を判別する状態判別ステップと、を備える。

好ましい実施形態によれば、前記生体組織は体毛である。

好ましい実施形態によれば、前記生体組織は毛髪である。

好ましい実施形態によれば、前記境界線は、前記毛髪のキューティクルで画定される。

好ましい実施形態によれば、前記特徴量は、前記領域の大きさ、および形状の少なくともいずれかを含む。

好ましい実施形態によれば、前記特徴量は、前記領域の絶対最大長、面積、円形度、およびアスペクト比の少なくともいずれかを含む。

好ましい実施形態によれば、前記生体組織は皮膚である。

好ましい実施形態によれば、前記境界線は、前記皮膚の皮溝で画定される。

好ましい実施形態によれば、前記特徴量は、前記領域の面積、円形度、およびアスペクト比の少なくともいずれかを含む。

好ましい実施形態によれば、前記領域認識ステップでは、機械学習された領域認識モデルを用いて前記領域を認識する。

好ましい実施形態によれば、前記状態判別ステップでは、機械学習された状態判別モデルを用いて前記状態を判別する。

本発明に係る状態判別装置は、生体組織の状態を判別する状態判別装置であって、生体組織の表面または断面の画像を取得する取得部と、前記画像において、境界線に囲まれた領域を認識する領域認識部と、前記領域の特徴量を算出する特徴量算出部と、前記特徴量に基づいて、前記生体組織の状態を判別する状態判別部と、を備える。

本発明に係る状態判別プログラムは、生体組織の状態を判別する状態判別プログラムであって、生体組織の表面または断面の画像を取得する取得ステップと、前記画像において、境界線に囲まれた領域を認識する領域認識ステップと、前記領域の特徴量を算出する特徴量算出ステップと、前記特徴量に基づいて、前記生体組織の状態を判別する状態判別ステップと、をコンピュータに実行させる。

本発明によれば、生体組織の状態を客観的に判別することができる。

本発明の一実施形態に係る状態判別装置のブロック図である。対象画像の一例である。本発明の一実施形態に係る状態判別方法の処理手順を示すフローチャートである。（ａ）は、キューティクルの剥離が少ない毛髪表面の画像であり、（ｂ）は、（ａ）に示す画像において、認識された領域を強調表示した画像である。（ａ）は、キューティクルの剥離が多い毛髪表面の画像であり、（ｂ）は、（ａ）に示す画像において、認識された領域を強調表示した画像である。（ａ）は、年齢と認識数との相関性を示すグラフであり、（ｂ）は、年齢と領域の絶対最大長の標準偏差との相関性を示すグラフであり、（ｃ）は、年齢と領域のアスペクト比の標準偏差との相関性を示すグラフである。（ａ）は、つやと認識数との相関性を示すグラフであり、（ｂ）は、つやと領域の面積の平均との相関性を示すグラフであり、（ｃ）は、つやと領域の円形度の最大との相関性を示すグラフであり、（ｄ）は、つやと領域のアスペクト比の標準偏差との相関性を示すグラフである。（ａ）は、直毛度と認識数との相関性を示すグラフであり、（ｂ）は、直毛度と領域の円形度の標準偏差との相関性を示すグラフである。（ａ）は、性別と領域の絶対最大長の標準偏差との相関性を示すグラフであり、（ｂ）は、性別と領域の円形度の標準偏差との相関性を示すグラフであり、（ｃ）は、性別と領域のアスペクト比の平均との相関性を示すグラフであり、（ｄ）は、性別と領域のアスペクト比の標準偏差との相関性を示すグラフである。本発明の一実施形態に係るモデル生成システムのブロック図である。モデルの生成方法の処理手順を示すフローチャートである。（ａ）は、対象画像の一例であり、（ｂ）は、（ａ）に示す画像において、認識された領域を強調表示した画像である。（ａ）は、年齢と領域の面積の平均との相関性を示すグラフであり、（ｂ）は、年齢と領域の円形度の標準偏差との相関性を示すグラフであり、（ｃ）は、年齢と領域のアスペクト比の平均との相関性を示すグラフである。乾燥肌と面積の平均との相関性を示すグラフである。（ａ）は、ボディクリームの使用頻度と領域のアスペクト比の平均との相関性を示すグラフであり、（ｂ）は、ボディクリームの使用頻度と領域の円形度の標準偏差との相関性を示すグラフである。

以下、本発明の実施形態について添付図面を参照して説明する。なお、本発明は、下記の実施形態に限定されるものではない。

（状態判別装置）
図１は、本実施形態に係る状態判別装置１のブロック図である。状態判別装置１は、生体組織の状態を判別する装置であり、本実施形態では、生体組織は毛髪である。状態判別装置１は、例えば毛髪の状態判別サービスを実施する企業によって管理される。

状態判別装置１は、汎用のコンピュータで構成することができ、ハードウェア構成として、ＣＰＵやＧＰＵなどのプロセッサ、ＤＲＡＭやＳＲＡＭなどの主記憶装置（図示省略）、および、ＨＤＤやＳＳＤなどの補助記憶装置１０を備えている。補助記憶装置１０には、状態判別サービスの対象者の毛髪を撮影した対象画像Ｄ１、領域認識モデルＭ１、状態判別モデルＭ２の他、状態判別プログラム等の状態判別装置１を動作させるための各種プログラムが格納されている。

対象画像Ｄ１は、毛髪の表面画像であり、顕微鏡などの撮像装置を用いて撮影することができる。図２に対象画像Ｄ１の一例を示す。毛髪の表面は、多数のキューティクルによって覆われており、キューティクルによって画定される境界線が白い線として映っている。領域認識モデルＭ１および状態判別モデルＭ２の生成方法については、後述する。

また、状態判別装置１は、機能ブロックとして、対象画像取得部１１と、領域認識部１２と、特徴量算出部１３と、状態判別部１４とを備えている。本実施形態において、これらの各部は、状態判別装置１のプロセッサが状態判別プログラムを主記憶装置に読み出して実行することによってソフトウェア的に実現される。

状態判別装置１の上記各部の機能について、図３に基づいて説明する。図３は、本実施形態に係る状態判別方法の処理手順を示すフローチャートであり、これらの処理は、状態判別装置１によって実行される。

ステップＳ１（取得ステップ）では、対象画像取得部１１が補助記憶装置１０から、毛髪の表面画像である対象画像Ｄ１を取得する。なお、対象画像取得部１１は、撮像装置などから対象画像Ｄ１を取得してもよいし、静止画像に限らず動画を取得してもよい。

ステップＳ２（領域認識ステップ）では、領域認識部１２が対象画像Ｄ１において、境界線に囲まれた領域を認識する。本実施形態では、領域認識部１２は、領域認識モデルＭ１を用いて領域を認識する。領域認識モデルＭ１は、後述するように、生体組織の表面画像が入力されると、境界線に囲まれた領域の大きさや形に関する特徴量を出力するように機械学習された学習済モデルである。

また、本実施形態では、境界線はキューティクル領域の白線で画定される。キューティクルは複数の層が重なった構造をしており、重なりにより生じる段差が白線となって、鱗片状の領域を形成する。すなわち、領域認識モデルＭ１は、白線で囲まれた鱗片状の領域を認識するように学習されている。なお、領域を形成する線は、白線に限定されず、コントラスト差によって生じる線であればよい。

図４（ａ）は、キューティクルの剥離が少ない毛髪表面の画像である。剥離していないキューティクルの表面は凹凸が緩やかであり、キューティクルで画定される境界線のコントラストは低い。そのため、図４（ｂ）に示すように、領域認識部１２（領域認識モデルＭ１）によって認識される領域（強調表示部分）の数は少なくなる。なお、図４（ｂ）における領域の認識数は３２である。

図５（ａ）は、キューティクルの剥離が多い毛髪表面の画像である。キューティクルが剥離すると、キューティクルの剥離部分（下層のキューティクル）と隣接するキューティクルとの段差が大きくなり、キューティクルの剥離部分で画定される境界線のコントラストが高くなる。そのため、図５（ｂ）に示すように、領域認識部１２（領域認識モデルＭ１）によって認識される領域（強調表示部分）の数は多くなる。なお、図５（ｂ）における領域の認識数は５２である。

再び図３を参照する。ステップＳ３（特徴量算出ステップ）では、特徴量算出部１３が、領域認識部１２によって認識された領域の特徴量を算出する。特徴量は、毛髪の状態と相関性のあるものであれば特に限定されないが、本実施形態では、特徴量は、認識された領域の数（以下、認識数）、領域の大きさおよび形状である。より具体的には、領域の大きさおよび形状は、例えば、絶対最大長、対角幅、面積、およびアスペクト比、ならびに、それらの平均（ｍｅａｎ）、標準偏差（ｓｔｄ）、最小（ｍｉｎ）、および最大（ｍａｘ）である。なお、上記特徴量に、円相当径、円形度、正方形相当径、四角度、周囲長などの多重共線性を有する特徴量を含めてもよいし、これら説明変数を含有する特徴量であっても良い。実施例では、領域の大きさおよび形状は、絶対最大長の標準偏差、面積の平均、円形度の標準偏差、円形度の最大、アスペクト比の平均、アスペクト比の標準偏差である。これらの特徴量は、画像解析によって算出することができる。

ステップＳ４（状態判別ステップ）では、状態判別部１４が、特徴量算出部１３によって算出された特徴量に基づいて、毛髪の状態を判別する。本実施形態では、状態判別部１４は、状態判別モデルＭ２を用いて毛髪の状態を判別する。状態判別モデルＭ２は、後述するように、領域の特徴量が入力されると、毛髪の状態の判別結果を出力するように機械学習された学習済モデルである。

本実施形態では、毛髪の状態は、年齢、つや、直毛度、および性別である。年齢、つや、直毛度、および性別と、特徴量との相関性を下記の表１に示す。

表１において、「正」は、状態と特徴量との間に正の相関性があることを意味し、「負」は、状態と特徴量との間に負の相関性があることを意味し、「－」は、相関性が小さいことを意味する。また、星印は、女性が低く、男性が高いことを意味する。表１に示す相関性は、出願人による検証実験によって得られたものであり、被験者は、女性３０名、男性２０名、年齢層は、１～６９歳であり、頭髪を採取したのち１サンプルにつき３枚の画像を走査型電子顕微鏡で撮影した。

図６（ａ）は、年齢と認識数との相関性を示すグラフであり、図６（ｂ）は、年齢と領域の絶対最大長の標準偏差との相関性を示すグラフであり、図６（ｃ）は、年齢と領域のアスペクト比の標準偏差との相関性を示すグラフである。このように、毛髪年齢は、認識数、絶対最大長の標準偏差、およびアスペクト比の標準偏差と正の相関が見られる。つまり、加齢とともに、キューティクルの剥離が多くなるとともに、キューティクルの形や大きさにバラツキが生じる。

図７（ａ）は、つやと認識数との相関性を示すグラフであり、図７（ｂ）は、つやと領域の面積の平均との相関性を示すグラフであり、図７（ｃ）は、つやと領域の円形度の最大との相関性を示すグラフであり、図７（ｄ）は、つやと領域のアスペクト比の標準偏差との相関性を示すグラフである。つやの評価は５段階であり、縦軸の数値が大きくなるほどつやがあることを意味する。このように、つやは、認識数、面積の平均、円形度の最大、およびアスペクト比の標準偏差と負の相関が見られる。つまり、キューティクルの剥離が少なく、１つの領域の面積が小さく、形状は四角に近く、細長さにバラツキがない場合に、つやがある髪質に見える。

図８（ａ）は、直毛度と認識数との相関性を示すグラフであり、図８（ｂ）は、直毛度と領域の円形度の標準偏差との相関性を示すグラフである。直毛度の評価は５段階であり、縦軸の数値が大きくなるほど直毛であることを意味する。このように、直毛度は、認識数、および円形度の標準偏差と負の相関が見られる。つまり、キューティクルの剥離が少なく、キューティクルの丸みにバラツキがない場合、直毛に見える。

図９（ａ）は、性別と領域の絶対最大長の標準偏差との相関性を示すグラフであり、図９（ｂ）は、性別と領域の円形度の標準偏差との相関性を示すグラフであり、図９（ｃ）は、性別と領域のアスペクト比の平均との相関性を示すグラフであり、図９（ｄ）は、性別と領域のアスペクト比の標準偏差との相関性を示すグラフである。各グラフにおいて、縦軸は人数であり、女性は赤色で示され、男性は緑色で示されている。このように、絶対最大長の標準偏差、円形度の標準偏差、アスペクト比の平均、およびアスペクト比の標準偏差において、女性が低く、男性が高くなる。つまり、女性の方がキューティクル１つの領域が四角であり、大きさや形のバラツキが少ない。この女性の傾向は、つやが良く、直毛である傾向であるため、一般に男性より女性の方が「髪がキレイ」ということを表している。

状態判別モデルＭ２は、以上のような特徴量と毛髪の状態との相関性を機械学習しているため、特徴量から毛髪の状態の判別結果を出力する。よって、状態判別部１４は、特徴量算出部１３から入力された特徴量を状態判別モデルＭ２に入力することにより、毛髪の状態を客観的に判別することができる。

なお、毛髪状態データＤ４は、年齢、性別、つや、直毛に限らず、既病歴やパーソナルヘルスレコード、特にＰＳＡ（ガン）やγ－ＧＰＴ（肝機能）でも良い。

（モデルの生成）
続いて、領域認識モデルＭ１および状態判別モデルＭ２の生成方法について説明する。図１０は、本実施形態に係るモデル生成システム２のブロック図である。モデル生成システム２は、教師データ生成装置３と、機械学習装置４とを備える。

教師データ生成装置３は、領域認識モデルＭ１および状態判別モデルＭ２を機械学習するための教師データを生成する装置である。教師データ生成装置３は、汎用のコンピュータで構成することができ、ハードウェア構成として、ＣＰＵやＧＰＵなどのプロセッサ、ＤＲＡＭやＳＲＡＭなどの主記憶装置（図示省略）、および、ＨＤＤやＳＳＤなどの補助記憶装置３０を備えている。補助記憶装置３０には、複数の学習用画像Ｄ２、毛髪状態データＤ４の他、教師データ生成プログラムなどの教師データ生成装置３を動作させるための各種プログラムが格納されている。

学習用画像Ｄ２は、教師データを生成するためのサンプルとなる画像であり、毛髪の表面を含む画像であればよい。毛髪状態データＤ４は、各学習用画像Ｄ２の毛髪の状態を示すデータであり、当該状態は、公知の手法により判定されたものである。

また、教師データ生成装置３は、機能ブロックとして、学習用画像取得部３１と、領域特定部３２と、ラベリング部３３と、特徴量算出部３４と、検索部３５と、ラベリング部３６とを備えており、これらにより、教師データとして、領域認識用教師データＤ３および状態判別用教師データＤ５が生成される。本実施形態において、これらの各部は、教師データ生成装置３のプロセッサが教師データ生成プログラムを主記憶装置に読み出して実行することによってソフトウェア的に実現される。

機械学習装置４は、領域認識モデルＭ１および状態判別モデルＭ２を機械学習する装置である。機械学習装置４は、汎用のコンピュータで構成することができ、教師データ生成装置３と同様に、ＣＰＵやＧＰＵなどのプロセッサ、ＤＲＡＭやＳＲＡＭなどの主記憶装置（図示省略）、および、ＨＤＤやＳＳＤなどの補助記憶装置４０を備えている。補助記憶装置４０には、教師データ生成装置３から転送された教師データＤ３、Ｄ５や、機械学習装置４を動作させるための各種プログラム等が格納されている。

なお、本実施形態では、機械学習装置４はクラウド上に設けられているが、教師データ生成装置３と同じ場所に設置してもよいし、あるいは、教師データ生成装置３と機械学習装置４とを一体的に構成してもよい。

機械学習装置４は、機能ブロックとして学習部４１を備えている。学習部４１は、教師データＤ３、Ｄ５に基づいて機械学習を行うことにより、領域認識モデルＭ１および状態判別モデルＭ２を生成する。機械学習法は特に限定されないが、例えば、ディープラーニング、サポートベクターマシン、ランダムフォレストなどを用いることができる。また、状態判別モデルＭ２に関しては、機械学習に限らず統計解析の回帰モデルなどであっても良い。生成された領域認識モデルＭ１および状態判別モデルＭ２は、補助記憶装置４０に格納され、その後、毛髪の領域認識や状態判別のために用いられる。

図１１は、領域認識モデルＭ１および状態判別モデルＭ２の生成方法の処理手順を示すフローチャートである。これらの処理のうち、ステップＳ１１～Ｓ１８は教師データ生成装置３によって実行され、ステップＳ１９は機械学習装置４によって実行される。

ステップＳ１１では、学習用画像取得部３１が、補助記憶装置３０から学習用画像Ｄ２を取得する。

ステップＳ１２では、領域特定部３２が、学習用画像Ｄ２において、境界線に囲まれた領域を特定する。本実施形態では、人間が学習用画像Ｄ２を見ながら、マウスやタッチパネルなどの入力装置を用いて、キューティクルの白線部分で画定される境界線を作成する。また、境界線に囲まれた領域を塗りつぶしても良い。領域特定部３２は、作成された境界線に囲まれた領域の座標を特定する。

ステップＳ１３では、ラベリング部３３が、領域特定部３２によって特定された領域の座標を学習用画像Ｄ２にラベリングすることにより、領域認識用教師データＤ３を生成する。領域認識用教師データＤ３は、補助記憶装置３０に保存される。

ステップＳ１４では、特徴量算出部３４が、領域特定部３２によって特定された領域の特徴量を算出する。特徴量は、図１に示す特徴量算出部１３が算出する特徴量と同一である。

ステップＳ１５では、検索部３５が、毛髪状態データＤ４から、処理した学習用画像Ｄ２の毛髪の状態を検索する。

ステップＳ１６では、ラベリング部３６が、検索部３５によって検索された毛髪の状態を、特徴量算出部３４によって算出された特徴量とラベリングすることにより、状態判別用教師データＤ５を生成する。状態判別用教師データＤ５は、補助記憶装置３０に保存される。

ステップＳ１１～Ｓ１６は、全ての学習用画像Ｄ２が処理されるまで（ステップＳ１７においてＹＥＳ）繰り返される。その後、ステップＳ１８において、領域認識用教師データＤ３および状態判別用教師データＤ５は機械学習装置４に転送される。

ステップＳ１９では、学習部４１が領域認識用教師データＤ３を用いて機械学習することにより、領域認識モデルＭ１を生成し、状態判別用教師データＤ５を用いて機械学習することにより、状態判別モデルＭ２を生成する。

また、状態判別装置１で（領域認識モデルＭ１や状態判別モデルＭ２で）新たに解析した結果を用いて、領域認識用教師データＤ３、毛髪状態データＤ４や状態判別用教師データＤ５を更新しても良い。これにより教師データが増え、精度が高い学習済モデルを作成することが期待できる。

（付記事項）
以上、本発明の実施形態について説明したが、本発明は上記実施形態に限定されるものではなく、その趣旨を逸脱しない限りにおいて、種々の変更が可能である。例えば、上記実施形態では、毛髪の状態を判別する場合について説明したが、判別対象は生体組織であれば特に限定されず、例えば、毛髪以外の体毛、皮膚（肌）や爪などであってもよい。また、上記実施形態では、ヒトの生体組織を対象としていたが、犬や猫などの動物の生態組織を対象としてもよい。また、上記実施形態では、生体組織の表面の画像を解析していたが、生体組織の断面の画像を解析してもよい。

以下の変形例では、判別対象が皮膚である場合について説明する。皮膚の状態を判別する装置は、図１に示す状態判別装置１を用いることができる。

図１２（ａ）は、状態判別装置１の対象画像取得部１１が取得した対象画像Ｄ１の一例である。対象画像Ｄ１は、マイクロスコープで撮像された前腕部の皮膚の表面画像であり、領域認識部１２は、対象画像Ｄ１において、皮膚の皮溝で画定される境界線に囲まれた領域を認識する。図１２（ｂ）は、対象画像Ｄ１において、認識された領域を強調表示した画像である。

続いて、特徴量算出部１３が領域の特徴量を算出し、状態判別部１４が特徴量に基づいて皮膚の状態を判別する。本変形例では、特徴量は、領域の面積の平均、円形度の標準偏差、およびアスペクト比の平均である。これらの特徴量は、皮膚の状態との相関性が見出されている。

皮膚年齢、乾燥肌（乾燥度合）、およびボディクリームの使用頻度と、特徴量との相関性を下記の表２に示す。

表２において、「正」は、状態と特徴量との間に正の相関性があることを意味し、「負」は、状態と特徴量との間に負の相関性があることを意味し、「－」は、相関性が小さいことを意味する。また、星印は、乾燥肌であるほど大きくなることを意味する。ボディクリームに関しては、使用する頻度で１～４の４段階評価（１：まったく使わない、２：週一回程度使う、３：週に２～３回は使う、４：ほぼ毎日使う）としている。表２に示す相関性は、出願人による検証実験によって得られたものである。具体的には、２２歳～６１歳の６２名の被験者を対象にマイクロスコープで前腕部を３点撮像した後、肌画像を解析し、解析の精度が低かったサンプルを除き、Ｎ＝５１で機械学習を行った。アルゴリズムには、線形回帰とランダムフォレストを用い、各ターゲットがどの項目と相関があるか確かめたものである。

図１３（ａ）は、年齢と領域の面積の平均との相関性を示すグラフであり、図１３（ｂ）は、年齢と領域の円形度の標準偏差との相関性を示すグラフであり、図１３（ｃ）は、年齢と領域のアスペクト比の平均との相関性を示すグラフである。このように、肌年齢は、面積の平均、円形度の標準偏差、およびアスペクト比の平均と正の相関が見られる。つまり、加齢とともに、肌のキメが粗くなり、形は細長く、バラツキが出てくる傾向が見られる。

図１４は、乾燥肌と面積の平均との相関性を示すグラフである。このように、乾燥肌と答えた人の肌は、乾燥肌ではない人と比較し、面積の平均が大きくなる傾向が見られる。

図１５（ａ）は、ボディクリームの使用頻度と領域のアスペクト比の平均との相関性を示すグラフであり、図１５（ｂ）は、ボディクリームの使用頻度と領域の円形度の標準偏差との相関性を示すグラフである。このように、ボディクリームの使用頻度は、アスペクト比の平均、および円形度の標準偏差と負の相関が見られる。これらの傾向は加齢とは逆になっているため、ボディクリームを用いることで、肌を若く保つことができていることが示唆されている。

１状態判別装置
１０補助記憶装置
１１対象画像取得部
１２領域認識部
１３特徴量算出部
１４状態判別部
２モデル生成システム
３教師データ生成装置
３０補助記憶装置
３１学習用画像取得部
３２領域特定部
３３ラベリング部
３４特徴量算出部
３５検索部
３６ラベリング部
４機械学習装置
４０補助記憶装置
４１学習部
Ｄ１対象画像
Ｄ２学習用画像
Ｄ３教師データ
Ｄ３領域認識用教師データ
Ｄ４毛髪状態データ
Ｄ５状態判別用教師データ
Ｍ１領域認識モデル
Ｍ２状態判別モデル

Claims

生体組織の状態を判別する状態判別方法であって、
生体組織の表面または断面の画像を取得する取得ステップと、
前記画像において、境界線に囲まれた領域を認識する領域認識ステップと、
前記領域の特徴量を算出する特徴量算出ステップと、
前記特徴量に基づいて、前記生体組織の状態を判別する状態判別ステップと、
を備える、状態判別方法。
前記生体組織は体毛である、請求項１に記載の状態判別方法。
前記生体組織は毛髪である、請求項２に記載の状態判別方法。
前記境界線は、前記毛髪のキューティクルで画定される、請求項３に記載の状態判別方法。
前記特徴量は、前記領域の大きさ、および形状の少なくともいずれかを含む、請求項４に記載の状態判別方法。
前記特徴量は、前記領域の絶対最大長、面積、円形度、およびアスペクト比の少なくともいずれかを含む、請求項５に記載の状態判別方法。
前記生体組織は皮膚である、請求項１に記載の状態判別方法。
前記境界線は、前記皮膚の皮溝で画定される、請求項７に記載の状態判別方法。
前記特徴量は、前記領域の面積、円形度、およびアスペクト比の少なくともいずれかを含む、請求項８に記載の状態判別方法。
前記領域認識ステップでは、機械学習された領域認識モデルを用いて前記領域を認識する、請求項１～９のいずれかに記載の状態判別方法。
前記状態判別ステップでは、機械学習された状態判別モデルを用いて前記状態を判別する、請求項１～９のいずれかに記載の状態判別方法。
生体組織の状態を判別する状態判別装置であって、
生体組織の表面または断面の画像を取得する取得部と、
前記画像において、境界線に囲まれた領域を認識する領域認識部と、
前記領域の特徴量を算出する特徴量算出部と、
前記特徴量に基づいて、前記生体組織の状態を判別する状態判別部と、
を備える、状態判別装置。
生体組織の状態を判別する状態判別プログラムであって、
生体組織の表面または断面の画像を取得する取得ステップと、
前記画像において、境界線に囲まれた領域を認識する領域認識ステップと、
前記領域の特徴量を算出する特徴量算出ステップと、
前記特徴量に基づいて、前記生体組織の状態を判別する状態判別ステップと、
をコンピュータに実行させる状態判別プログラム。