JP2023504901A - 病変が占める体表面積の割合に基づいて皮膚疾患の重症度を判定する方法 - Google Patents

Abstract

機械学習技術を使用して、体表面積（ＢＳＡ）スコアを自動的に計算する画像処理方法が提供される。Ｆｅｌｚｅｎｓｚｗａｌｂ画像セグメンテーションアルゴリズムは、複数のトレーニングセット画像のそれぞれにおいて提案領域を定義するために使用される。トレーニングセット画像は、オーバーセグメント化され、次いで、複数のオーバーセグメント化されたトレーニングセット画像のそれぞれの各提案領域が、病変又は非病変として手動で分類される。次いで、畳み込みニューラルネットワーク（ＣＮＮ）は、複数のトレーニングセット画像のそれぞれにおいて手動で分類された提案領域を使用してトレーニングされる。次いで、トレーニングされたＣＮＮを試験画像に使用して、ＢＳＡスコアを計算する。

Description

乾癬などの皮膚疾患の疾患重症度評価は、病変及び炎症が占める体表面積の割合（即ち、ＢＳＡスコア）を計算することを含む。以下、病変及び炎症を集合的に「病変」と呼ぶ。ＢＳＡは、人体の測定又は計算された表面積である。

乾癬は、健康な正常皮膚とは異なる赤い炎症領域として現れる自己免疫皮膚疾患である。乾癬の疾患重症度測定の重要な部分は、「病変」と呼ばれる炎症領域が占める体表面積の割合を監視することである。プラーク乾癬の場合、２つの主要な疾患測定は、ＢＳＡ及びＰＡＳＩ（乾癬面積及び重症度指数）であり、これらの両方は、疾患の進行及び治療効果を監視するために使用される割合スコアを計算することを含む（Ａ Ｂｏｚｅｋ，Ａ．Ｒｅｉｃｈ（２０１７）。３つの乾癬評価ツールの信頼性：乾癬面積及び重症度指数、体表面積、及び医師の全体的評価。Ａｄｖ Ｃｌｉｎ Ｅｘｐ Ｍｅｄ．２０１７年８月；２６（５）：８５１～８５６．ｄｏｉ：１０．１７２１９／ａｃｅｍ／６９８０４）。現在、これらの割合は、医師のオフィスにおいて皮膚科医又は看護師によって評価されることが多い。現行の乾癬疾患スコアによる主要な問題は、それらが人間の先入観を伴う不正確で雑な評価であることである。更に、ＰＡＳＩスコア全体を得るための割合を計算するプロセスは、面倒で時間がかかる。もう１つの臨床的必要性は、現在、患部の領域が広く、２～１０ｍｍのサイズに及ぶ多数の炎症性病変で占められて、目視での測定が困難である滴状乾癬の場合、ＢＳＡ手段が存在しないことである。

したがって、計算方法を使用して皮膚炎症を監視するためのより客観的かつ定量的な方法が必要とされている。本発明は、そのような必要性に応えるものである。

機械学習技術を使用してＢＳＡスコアを自動的に計算する画像処理方法が提供される。Ｆｅｌｚｅｎｓｚｗａｌｂ画像セグメンテーションアルゴリズムは、複数のトレーニングセット画像のそれぞれにおいて提案領域を定義するために使用される。トレーニングセット画像は、オーバーセグメント化（「過剰分割」）され、次いで、複数のオーバーセグメント化されたトレーニングセット画像のそれぞれの各提案領域が、病変又は非病変として手動で分類される。次いで、畳み込みニューラルネットワーク（ＣＮＮ）は、複数のトレーニングセット画像のそれぞれにおいて手動で分類された提案領域を使用してトレーニングされる。次いで、トレーニングされたＣＮＮを試験画像に使用して、ＢＳＡスコアを計算する。また、本発明には、本方法、例えば、関連技術分野で知られているような方法を実施するためのコンピュータ関連デバイス又は媒体と関連して使用されるコンピュータ命令によって駆動されるデバイス（又はコンピュータシステム）も含まれる。

本特許又は出願書類は、カラーで作成した少なくとも１つの図面を含む。カラー図面を備える、本特許又は特許出願公開のコピーは、申請すれば、必要な手数料を支払うことにより、特許庁によって提供される。

上記の概要、及び本発明の好ましい実施形態の以下の詳細な説明は、添付の図面と併せて読むことでより理解が深まるであろう。本発明を説明する目的のために、図面は、現在好ましい実施形態を示す。しかしながら、本発明は、示される正確な構成及び手段に限定されない。
Ｆｅｌｚｅｎｓｚｗａｌｂ、Ｑｕｉｃｋｓｈｉｆｔ、ＳＬＩＣ、及びＣｏｍｐａｃｔ ｗａｔｅｒｓｈｅｄ法を使用した乾癬画像セグメンテーションを示す。 Ｆｅｌｚｅｎｓｚｗａｌｂ法によって正しくセグメント化された乾癬画像を示す。 以下の３つの異なるタイプの不正確にセグメント化された乾癬画像：アンダーセグメントされた、オーバーセグメント化された、及び画像全体がセグメント化されたものを示す。 ＣＮＮフィルタがどのようにＦｅｌｚｅｎｓｚｗａｌｂセグメンテーション結果を改善するかを示す。 画像のアンダーセグメンテーションを示す。 画像のオーバーセグメンテーションを示す。 本発明の好ましい一実施形態による、病変が占めるＢＳＡの割合に基づいて、皮膚疾患の重症度を判定するためのコンピュータで処理される方法のフローチャートである。 図６を実行するためのシステムソフトウェア及びハードウェアの概略図である。 図６を実行するためのシステムソフトウェア及びハードウェアの概略図である。

特定の用語は、便宜上、本明細書で使用され、本発明の限定として解釈されるべきではない。

Ｉ．概要
図６は、病変が占めるＢＳＡの割合に基づいて、皮膚疾患（例えば、乾癬）の重症度を判定するためのコンピュータで処理される方法のフローチャートである。図７Ａ及び図７Ｂは、図６を実行するためのシステムソフトウェア及びハードウェアの概略図である。

図６、図７Ａ、及び図７Ｂを参照すると、本方法は、以下のように動作する。
工程６００：Ｆｅｌｚｅｎｓｚｗａｌｂセグメンテーションアルゴリズム（ＦＳＡ）を使用して体表面積の複数のトレーニングセット画像に対して画像セグメンテーションを実行し、複数のトレーニングセット画像のそれぞれにおいて提案領域を出力する。体表面積の複数のトレーニングセット画像のそれぞれには、皮膚疾患が含まれる。この画像セグメンテーション工程は、図７Ａに示されるプロセッサ７００によって実行される。
工程６０２：複数のトレーニングセット画像のそれぞれをオーバーセグメント化する。この工程もまた、プロセッサ７００によって実行される。
工程６０４：複数のオーバーセグメント化されたトレーニングセット画像のそれぞれの各提案領域を病変又は非病変として手動で分類する。この工程は、図７Ａに示される１つ以上の人間による分類７０２によって実行される。
工程６０６：複数のトレーニングセット画像のそれぞれにおいて手動で分類された提案領域を使用して、ニューラルネットワークをトレーニングする。この工程は、図７Ａに示されるニューラルネットワーク７０４によって実行される。
工程６０８：Ｆｅｌｚｅｎｓｚｗａｌｂセグメンテーションアルゴリズムを使用して、皮膚疾患を含む体表面積の試験画像について画像セグメンテーションを実行し、体表面積の試験画像内の領域を出力する。この画像セグメンテーション工程は、図７Ｂに示されるプロセッサ７００’によって実行される。プロセッサ７００’は、プロセッサ７００と同じであってもよく、又は異なるプロセッサであってもよい。
工程６１０：試験画像をオーバーセグメント化する。この工程もまた、プロセッサ７００’によって実行される。
工程６１２：図７Ｂの７０４’としてラベル付けされたトレーニング済みのニューラルネットワークは、ここでトレーニングされていることを除いて、図７Ａのニューラルネットワーク７０４と同じニューラルネットワークであるため、オーバーセグメント化された試験画像の領域をこのトレーニングされたニューラルネットワークに入力する。
工程６１４：トレーニングされたニューラルネットワーク７０４’を使用して、非病変領域を識別し、非病変領域をオーバーセグメント化された試験画像からフィルタリングし、オーバーセグメント化された試験画像の残りの領域が病変領域として分類される。
工程６１６：オーバーセグメント化された試験画像の分類された病変領域の面積、及びオーバーセグメント化された試験画像の識別された非病変領域の面積を使用して、病変が占める試験画像中のＢＳＡの割合を計算する。この工程は、プロセッサ７００”で実行される。プロセッサ７００”は、プロセッサ７００又はプロセッサ７００’と同じであってもよく、又は異なるプロセッサであってもよい。

ＩＩ．詳細な開示
以下の詳細な開示は、本発明をもたらす実験プロセスについて記載し、他のアプローチよりも成功したアプローチを説明する。

本発明は、画像セグメンテーションの課題である体表面積の計算を扱う。画像セグメンテーションは、コンピュータビジョンにおいて必要不可欠な問題の１つになっており、デジタル画像を複数のセグメントに分割することによって、画像データを意味のあるまとまりに編成するプロセスとして定義される。患者の乾癬疾患の体表面積を効果的に計算することができる一連の画像セグメンテーション方法を調査した。本発明の好ましい実施形態は、Ｆｅｌｚｅｎｓｚｗａｌｂ画像セグメンテーションアルゴリズム［３］、及び畳み込みニューラルネットワーク（Ａ．Ｋｒｉｚｈｅｖｓｋｙ，Ｉ．Ｓｕｔｓｋｅｖｅｒ，Ｇ．Ｅ．Ｈｉｎｔｏｎ（２０１２）「Ｉｍａｇｅｎｅｔ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｗｉｔｈ ｄｅｅｐ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ」、「Ａｄｖａｎｃｅｓ ｉｎ Ｎｅｕｒａｌ Ｉｎｆｏｒｍａｔｉｏｎ Ｐｒｏｃｅｓｓｉｎｇ」（ＮｅｕｒＩＰＳ）、２０１２）を、Ｆｅｌｚｅｎｓｚｗａｌｂセグメンテーション結果を改善するための偽陽性フィルタとして使用する。

いくつかの画像処理方法を試験して、インターネットからダウンロードされた１１７個の滴状乾癬及び尋常性乾癬の画像に適用された機械学習技術を使用して、ＢＳＡスコアを自動的に計算した。いくつかの他の教師なしセグメンテーション方法と比較して、Ｆｅｌｚｅｎｓｚｗａｌｂ画像セグメンテーションアルゴリズムは、病変面積対非病変面積の最も高い割合の正確なセグメンテーションを生成し、画像の５６％が良好なセグメンテーションを有する一方で、画像の４４％はアンダーセグメント化又はオーバーセグメント化されている。セグメンテーション結果を改善するために、ビジュアルジオメトリグループ（ＶＧＧ）アーキテクチャに影響を受けた畳み込みニューラルネットワーク（ＣＮＮ）が実行され、Ｆｅｌｚｅｎｓｚｗａｌｂアルゴリズムの提案領域から偽陽性病変を更にフィルタリングする。ＣＮＮのトレーニングデータは、Ｆｅｌｚｅｎｓｚｗａｌｂアルゴリズムから出力された、人間がキュレートした病変領域及び非病変領域のデータセットから構成された。ＣＮＮは、病変と非病変とを分類する際に９０％の５分割交差検証試験の精度スコアを達成した。このＣＮＮフィルタは、Ｆｅｌｚｅｎｓｚｗａｌｂアルゴリズムと一緒に適用され、トレーニングデータの７７％又は８６個の滴状乾癬画像のうち６７個を正確にセグメント化した。この方法は、患者及び医師のための乾癬などの皮膚疾患の疾患重症度測定及び遠隔監視のデジタル化に有用である。

乾癬の画像データ
データセットを収集するために、滴状乾癬の約３００個の画像及び慢性尋常性乾癬の１００個の画像をＧｏｏｇｌｅ画像から集めた。不正確な及び／又は誤解を招く画像データをフィルタリングし、滴状乾癬の８６個の画像及び慢性尋常性乾癬の３１個の最終データセットを残した。

乾癬画像セグメンテーション方法
５つの異なる画像セグメンテーションアルゴリズムを試験し、全て、Ｐｙｔｈｏｎでｓｃｉｋｉｔ－ｌｅａｒｎ（サイキット・ラーン）及びＯｐｅｎＣＶライブラリを使用して実行した。５つの試験されたアルゴリズムは、Ｆｅｌｚｅｎｓｚｗａｌｂ、Ｑｕｉｃｋｓｈｉｆｔ、ＳＬＩＣ、Ｃｏｍｐａｃｔ ｗａｔｅｒｓｈｅｄ、及び大津の閾値処理アルゴリズムであった（Ｄ．Ｌｉｕ，Ｂ．Ｓｏｒａｎ，Ｇ．Ｐｅｔｒｉｅ，及びＬ．Ｓｈａｐｉｒｏのレビュー「Ａ ｒｅｖｉｅｗ ｏｆ ｃｏｍｐｕｔｅｒ ｖｉｓｉｏｎ ｓｅｇｍｅｎｔａｔｉｏｎ ａｌｇｏｒｉｔｈｍｓ」、講義メモ、５３、２０１２を参照されたい）。結合画像の例を視覚的に検査した後、Ｆｅｌｚｅｎｓｚｗａｌｂ法（Ｐ．Ｆ．Ｆｅｌｚｅｎｓｚｗａｌｂ及びＤ．Ｐ．Ｈｕｔｔｅｎｌｏｃｈｅｒ（２００４）「Ｅｆｆｉｃｉｅｎｔ Ｇｒａｐｈ－Ｂａｓｅｄ Ｉｍａｇｅ Ｓｅｇｍｅｎｔａｔｉｏｎ」、Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ５９（２）、１６７～１８１）が、格段に最も有望なセグメンテーションをもたらすことが明らかになった。

図１は、４つの異なるセグメンテーションアルゴリズムの出力画像を示す。黄色の境界は、アルゴリズムによって提唱（提案）された領域のセグメンテーションをマークする。これらの試験の後、全ての画像をＦｅｌｚｅｎｓｚｗａｌｂアルゴリズムでセグメント化することを決定した。

乾癬セグメンテーション及びバイナリ分類フィルタリングアルゴリズム
Ｆｅｌｚｅｎｓｚｗａｌｂセグメンテーション結果を強化するために、セグメンテーションから偽陽性を除去する畳み込みニューラルネットワークフィルタに基づいて、新しいアルゴリズムを使用した。このアルゴリズムは、現在、画像セグメンテーションの課題に取り組む際の最新技術となっている領域ベースの畳み込みニューラルネットワーク（Ｒ－ＣＮＮ）から着想を得ており、それとの類似性を有する。アルゴリズムは以下の通りである：
１．Ｆｅｌｚｅｎｓｚｗａｌｂセグメンテーションアルゴリズムからの提案領域の中で病変と非病変とを区別するためにニューラルネットワークをトレーニングする。
２．ｋ値パラメータを最適閾値に増加させることによって画像をオーバーセグメント化する（ｋ＝２５０）。
３．ニューラルネットワークを使用して、Ｆｅｌｚｅｎｓｚｗａｌｂセグメンテーションによって提案された非病変をフィルタリングする。

工程２で画像をオーバーセグメント化することにより、ほとんどの病変がセグメンテーションの内部に含まれるように確保する。次いで、過剰な非病変又は偽陽性をフィルタリングするために、工程１からの予めトレーニングされたニューラルネットワークを使用して、工程３において非病変領域と病変領域とを区別する。

トレーニングデータ
Ｆｅｌｚｅｎｓｚｗａｌｂセグメンテーションアルゴリズムから出力された提案領域（ｋ値は２５０に設定された）を使用して画像をオーバーセグメント化することによって、可能な限り多くの真の陽性病変領域を含む。次に、約３０個の滴状乾癬画像を選択し、約３０００個の提案領域の画像を生成した。次いで、３０００個の提案領域のそれぞれを、病変又は非病変として手動で（人間により）分類した。このデータセットの精度を検証するために、プロセスを３回繰り返した。多くの皮膚、黒色背景領域、ネックレス、ノイズなどが占める巨大領域では、これらの非病変のいくつかは特定が容易であった。陰影、不十分な照明、瘢痕などの領域を含むその他の領域は、病変と非病変とを区別することが困難であった。主なエラーの原因は、データセットの不適合と、これらの病変と非病変との分類が困難な領域とに起因すると考えられる。これは、バイナリ分類結果が、修正されたアメリカ国立標準技術研究所（ＭＮＩＳＴ）又はカナダ先端研究機構（ＣＩＦＡＲ）データセットにおいて見られる最新技術結果に依然として近づいていない理由に関する説明であり得る。

バイナリ分類ニューラルネットワーク実験
ニューラルネットワークモデルをトレーニングするために、以下に記載されるものと同様の手順に従った。

最初に、全ての提案領域入力を、ｏｐｅｎｃｖライブラリからのキュービック補間法を使用して、全ての画像を特定の一定の画素サイズにサイズ変更することによって前処理した。次に、モデルアーキテクチャ（高密度ニューラルネットワーク対畳み込みニューラルネットワーク、隠れ層サイズ、バッチ正規化）、パラメータ（学習率）、及び入力画像補間画素サイズ（４×４、８×８、１６×１６、３２×３２、６４×６４）を含む、ニューラルネットワークモデルの様々なパラメータを変更した。最後に、全てのモデルを、８０：２０のトレーニング－試験データ分割比で試験して、それぞれのモデルの精度、対数損失、及び平均二乗誤差スコアを判定した。これは、データの８０％を使用してモデルを構築し、残りのデータの２０％（モデルによっては見られなかった）を使用してモデルの予測強度を評価したことを意味する。

選択された最終ＣＮＮモデルは、ＶＧＧアーキテクチャに着想を得、バッチ正規化を使用せず、より小さい隠れ層（隠れ層の数及び隠れ層の幅の両方）を有し、１ｅ－４の学習率を有し、Ａｄａｍ最適化手法を使用した。（Ａｄａｍは、深層ニューラルネットワークをトレーニングするために具体的に設計された適応学習率最適化アルゴリズムである）。最終モデルの精度を確保するために、このモデルを５分割交差検証で試験し、９４％の平均５分割トレーニング精度スコア及び９０％の平均５分割試験精度スコアを得た。

精度の結果を向上させる事柄
ニューラルネットワークのバイナリ分類精度を大幅に改善する３つのアプローチが存在した。

第１のアプローチは、入力画像の形状を一定の１６×１６画素サイズに補間することであった。最初に、画像がサイズ６４×６４に設定されたとき、分類精度は、６０％の極めて低い率の前後を上下した。画像のサイズが低下するにつれて、標準的な小さな高密度ニューラルネットワークは、最適な１６×１６の画像サイズに達するまで、次第に良好な分類性能を達成することが見出された。この理由は、ほとんどの提案領域が約１６×１６サイズであったことであり得る。したがって、より多くの情報を補間することで、領域が誤解を招く情報を得ることになり、より少ない情報を補間することで、領域が貴重な情報を失うことになり得る。

第２のアプローチは、高密度ニューラルネットワークとは対照的に、畳み込みニューラルネットワークを使用することであった。畳み込みニューラルネットワークは、無数の理由により、画像分類タスクにおいて高密度ニューラルネットワークよりも良好に機能することがよく知られている。

第３のアプローチは、畳み込みニューラルネットワークモデルアーキテクチャを構築するときに「少なければ少ないほど効果を増す」ことであった。例えば、隠れ層サイズが低減されたとき、より速いトレーニング時間及びより正確な試験検証スコアが得られた。具体的には、第１の高密度層の隠れサイズを低減することで、それによって有意な数のパラメータを低減することが特に重要であった。これは、過剰なパラメータがモデルが良好に導き出されることを回避し、過剰適合作用を引き起こす場合があるという事実に起因し得る。この過剰適合の問題は、大きなＶＧＧモデルにおけるトレーニング検証スコアと試験検証スコアの間のほぼ１０％の精度損失に最もよく見て取れる。

セグメンテーションの結果に影響を及ぼさない又は悪化させる事柄
いくつかのアプローチは精度の結果を改善しなかった。より具体的には、３つのアプローチは、モデルにごくわずかの影響しか及ぼさなかった、又は悪影響を及ぼした。

第１に、ＶＧＧモデルに見られるようなバッチ正規化層を追加することは、結果を改善すると思われたが、特定の論文（Ｓ．Ｓａｎｔｕｒｋａｒ、Ｄ．Ｔｓｉｐｒａｓ、Ａ．Ｉｌｙａｓ，Ａ．Ｍａｄｒｙ（２０１８）「Ｈｏｗ Ｄｏｅｓ Ｂａｔｃｈ Ｎｏｒｍａｌｉｚａｔｉｏｎ Ｈｅｌｐ Ｏｐｔｉｍｉｚａｔｉｏｎ？」、「Ａｄｖａｎｃｅｓ ｉｎ Ｎｅｕｒａｌ Ｉｎｆｏｒｍａｔｉｏｎ Ｐｒｏｃｅｓｓｉｎｇ」（ＮｅｕｒＩＰＳ）、２０１８）に示されるように、バッチ正規化は全てのケースにおいて分類精度を向上させないようである。

第２に、学習率を調整しても、性能は向上しなかった。０．０１、０．００１、０．０００３、及び０．０００１の学習率を試験した後、学習率は、０．００１、０．０００３、及び０．０００１の学習率パラメータの性能結果に無視できるほどの差しかもたらさないことが分かった。

第３に、より深くより広いネットワークは、モデルの精度を向上させなかった。より大きな高密度ニューラルネットワークモデル及び畳み込みニューラルネットワークモデルは、試行された単純な小さなＶＧＧモデルよりも、交差検証試験で実際に最大１０％も劣ったようであった。これは、アジャイル開発原理の基礎原理－単純さ－を裏付けていると思われる。

結果と考察
ｉ．画像セグメンテーションアルゴリズムの利点と欠点
５つの異なるアルゴリズムで画像の小さなサンプルを試験した後、図１に示すように、Ｆｅｌｚｅｎｓｚｗａｌｂアルゴリズムが他の５つの教師なしアルゴリズムよりもはるかに優れた結果をもたらすことが明らかになった。この方法の重要な特徴は、高変動領域内の詳細を無視しつつ、低変動画像領域内の詳細を保持できることである。この方法はまた、実行時間Ｏ（ｎ ｌｏｇ ｎ）で高速（５１２×５１２画像で１秒未満）である（ｎは画素数である）。これらの観察に基づいて、Ｆｅｌｚｅｎｓｚｗａｌｂ法が、乾癬画像に適用される主要な方法であると選択された。

ｉｉ．Ｆｅｌｚｅｎｓｚｗａｌｂ画像セグメンテーションスコアリングメトリック及び結果
図２は、良好な画像セグメンテーションの一例を示す。良好な画像セグメンテーションは、通常の医師が当然分類すべきであった、明らかに重大な病変部を見逃していない画像セグメンテーションとして定義される。

図３は、不正確な画像セグメンテーションの３つの例を示す。第１の画像は、アンダーセグメント化された領域の一例である。この問題を軽減するには、ｋ値パラメータを減少させる必要がある。第２の画像は、オーバーセグメント化された領域の一例である。この問題を軽減するには、ｋ値パラメータを増加させる必要がある。最後の例は、病変として分類される巨大領域の例である。これを軽減するには、ｋ値パラメータを増加させる必要がある。図５Ａ及び５Ｂも、アンダーセグメンテーション及びオーバーセグメンテーションの例を示す。

基本Ｆｅｌｚｅｎｓｚｗａｌｂアルゴリズムは、８８個の入力画像から４９個を良好なセグメンテーションでセグメント化することができ、８８個の入力画像のうち３０個がアンダーセグメント化され、８８個の入力画像のうち９個がオーバーセグメント化された。ＢＳＡスコアの計算は、各セグメンテーション結果の最後に生成された。

ｉｉｉ．ニューラルネットワークベースのフィルタリング結果
２５個の異なるニューラルネットワークモデルを、異なるパラメータ、アーキテクチャ、及び入力サイズで試験した。各モデルの試験精度を計算した。より小さい画像サイズの設定、より小さいＶＧＧベースの畳み込みニューラルネットワークの選択、及び１ｅ－４の学習率は、０．９の最高試験精度で最良のモデルを生成する。

ｉｖ．畳み込みニューラルネットワークフィルタ及びＦｅｌｚｅｎｓｚｗａｌｂ画像セグメンテーション結果
畳み込みニューラルネットワークによってフィルタリングされたＦｅｌｚｅｎｓｚｗａｌｂ画像セグメンテーションを実施した後、８６個の画像のうち６７個が良好なセグメンテーションを提供し、８６個の画像のうちの１６個がアンダーセグメント化され、８６個の画像のうち３個がオーバーセグメント化された。滴状乾癬の不正確な表示により、２つの入力画像が元のＦｅｌｚｅｎｓｚｗａｌｂ画像セグメンテーションセットから除去された。セグメント化結果を改善する畳み込みニューラルネットワークの例は、図４の画像に見ることができる。

図４の左側の画像では、畳み込みニューラルネットワークは、アームの左側の大きな領域、全ての背景白色領域、及び非病変として手動で分類された多くの小さなノイズ領域をフィルタリングすることができた。より良好なトレーニングデータ及びより広範なトレーニングにより、ニューラルネットワークモデルは、更により良好なフィルタリング結果を達成することができ、偽陽性非病変を除くためのＦｅｌｚｅｎｓｚｗａｌｂセグメンテーションアルゴリズムの有効な補足として使用することができる。

結論
回想すると、Ｆｅｌｚｅｎｓｚｗａｌｂ画像セグメンテーションアルゴリズムは、患者の病変の体表面積を効果的に計算することができる良好な基本診断アルゴリズムを提供したことが分かった。畳み込みニューラルネットワークは、良好なトレーニングデータセットを与えられたときに、Ｆｅｌｚｅｎｓｚｗａｌｂセグメンテーション出力から提案された病変と非病変とを高精度で分類できることも発見された。これらの２つの結果を組み合わせると、畳み込みニューラルネットワークフィルタと組み合わされたＦｅｌｚｅｎｓｚｗａｌｂ画像セグメンテーションアルゴリズムは、画像セグメンテーションと、それにより乾癬疾患の体表面積スコアを計算することによって、優れた基本診断を行うことが立証された。

上記のＢＳＡ計算方法を使用して、デジタル化乾癬疾患スコア計算システムを生成することができる。例えば、フルＰＡＳＩスコアリングシステムを自動化するために、身体前部、背中、前脚、後脚、及び頭部領域の５つの入力画像で同様の畳み込みニューラルネットワークをトレーニングすることにより、０～７２の重症度インデックスＰＡＳＩスコアを出力することができる。そのようなコンピュータシステムは、近年（Ｃ．Ｆｉｎｋ、Ｌ．Ｕｈｌｍａｎｎ、Ｃ．Ｋｌｏｓｅ，ｅｔ ａｌ（２０１８）「Ａｕｔｏｍａｔｅｄ，ｃｏｍｐｕｔｅｒ－ｇｕｉｄｅｄ ＰＡＳＩ ｍｅａｓｕｒｅｍｅｎｔｓ ｂｙ ｄｉｇｉｔａｌ ｉｍａｇｅ ａｎａｌｙｓｉｓ ｖｅｒｓｕｓ ｃｏｎｖｅｎｔｉｏｎａｌ ｐｈｙｓｉｃｉａｎｓ’ＰＡＳＩ ｃａｌｃｕｌａｔｉｏｎｓ：ｓｔｕｄｙ ｐｒｏｔｏｃｏｌ ｆｏｒ ａ ｃｏｍｐａｒａｔｉｖｅ，ｓｉｎｇｌｅ－ｃｅｎｔｒｅ，ｏｂｓｅｒｖａｔｉｏｎａｌ ｓｔｕｄｙ ＢＭＪ Ｏｐｅｎ ２０１８；８：ｅ ０１８４６１．ｄｏｉ：１０．１１３６／ｂｍｊｏｐｅｎ－２０１７－０１８４６１）で提案されたように、乾癬などの皮膚疾患の診断及び監視において、医師がより良好かつ迅速に、より情報を得たうえで決定を下すのを助けることができる。

当業者は、広い発明概念から逸脱することなく、上で説明される実施形態に変更を行うことができることを理解するであろう。したがって、本発明は、開示された特定の実施形態に限定されるのではなく、本発明の趣旨及び範囲内にある修正を包含するものであることが理解される。

Claims (6)

1. 病変が占める体表面積（ＢＳＡ）の割合に基づいて皮膚疾患の重症度を判定するためのコンピュータで処理される方法であって、
   （ａ）Ｆｅｌｚｅｎｓｚｗａｌｂセグメンテーションアルゴリズムを使用して、ＢＳＡの複数のトレーニングセット画像に対して画像セグメンテーションを実行することであって、ＢＳＡの前記複数のトレーニングセット画像のそれぞれが皮膚疾患を含み、前記Ｆｅｌｚｅｎｓｚｗａｌｂセグメンテーションアルゴリズムを使用して実行される前記画像セグメンテーションが、前記複数のトレーニングセット画像のそれぞれにおいて提案領域を出力する、ことと、
   （ｂ）前記複数のトレーニングセット画像のそれぞれをオーバーセグメント化することと、
   （ｃ）前記複数のオーバーセグメント化されたトレーニングセット画像のそれぞれの前記提案領域のそれぞれを病変又は非病変として手動で分類することと、
   （ｄ）前記複数のトレーニングセット画像のそれぞれにおいて、手動で分類された前記提案領域を使用して、ニューラルネットワークをトレーニングすることと、
   （ｅ）前記Ｆｅｌｚｅｎｓｚｗａｌｂセグメンテーションアルゴリズムを使用して、皮膚疾患を含むＢＳＡの試験画像に対して画像セグメンテーションを実行することであって、前記Ｆｅｌｚｅｎｓｚｗａｌｂセグメンテーションアルゴリズムを使用して実行される前記画像セグメンテーションが、前記ＢＳＡの前記試験画像内の領域を出力する、ことと、
   （ｆ）前記試験画像をオーバーセグメント化することと、
   （ｇ）オーバーセグメント化された前記試験画像の前記領域をトレーニングされた前記ニューラルネットワークに入力することと、
   （ｈ）トレーニングされた前記ニューラルネットワークを使用して、オーバーセグメント化された前記試験画像から非病変領域を識別し、フィルタリングすることであって、オーバーセグメント化された前記試験画像の残りの領域が病変領域として分類される、ことと、
   （ｉ）オーバーセグメント化された前記試験画像の分類された前記病変領域の面積、及びオーバーセグメント化された前記試験画像の識別された前記非病変領域の面積を使用して、病変が占める前記試験画像中のＢＳＡのパーセントを計算することと、を含む、方法。
2. 前記トレーニングセット画像及び前記試験画像は両方とも、前記ｋ値パラメータを約２５０に増加させることによってオーバーセグメント化される、請求項１に記載の方法。
3. 前記ニューラルネットワークが、畳み込みニューラルネットワークである、請求項１に記載の方法。
4. 前記トレーニング工程（ｅ）の前に、前記複数のトレーニングセット画像を約１６×１６画素の画像補間サイズにサイズ変更し、前記工程（ｇ）の前に、前記試験画像を約１６×１６画素の画像補間サイズにサイズ変更する、請求項１に記載の方法。
5. 前記皮膚疾患が、乾癬である、請求項１に記載の方法。
6. 請求項１に記載の方法によって実行される、コンピュータシステム。

Images