JP7138869B2 - 特徴量抽出装置、特徴量抽出方法、識別装置、識別方法及びプログラム - Google Patents

Description

本発明は、特徴量抽出装置、特徴量抽出方法、識別装置、識別方法及びプログラムに関する。

従来から、人間の皮膚のホクロ等の診断の対象に係る部分である診断対象部分をカメラで撮像し、この撮像した撮像画像を用いて診断対象部分の診断を支援することが、行われている。例えば、非特許文献１に開示された技術では、このような診断支援のために、皮膚のうちの診断対象部分以外の部分を多く含む全体撮像画像と、全体撮像画像から診断対象部分をクロップしたクロップ画像とを取得し、取得した全体撮像画像及びクロップ画像の各々から、色ヒストグラム等の複数の特徴量を抽出し、抽出した複数の特徴量の各々を、複数の識別器の対応する各々に入力し、それにより得られた複数の識別器の出力を平均することによって、診断対象部分が疾患であるか否かを表す疾患リスクスコアを算出している。

N. C. F. Codella, Q. B. Nguyen, S. Pankanti, D. Gutman, B. Helba, A. Halpern, J. R. Smith、"Deep learning ensembles for melanoma recognition in dermoscopy images"、IBM Journal of Research and Development, vol. 61, no.4/5, 2017

非特許文献１に開示された技術では、特徴量を、全体撮像画像及びクロップ画像の各々から、すなわち、２次元画像から抽出しているので、その抽出のための処理の負荷が過大になってしまう。このような処理の負荷を抑えるために、撮像画像のうちの診断対象部分の一部の領域を特定して、特定した一部の領域から特徴量を抽出することが考えられるが、そのような処理を行うと、診断対象部分について特徴量を適切に抽出できず、ひいては、疾患リスクスコアを用いた疾患の識別を適切に行うことができなくなる可能性がある。以上の問題は、人間の皮膚の診断対象部分の特徴量を抽出する場合だけでなく、色及び輝度の少なくとも一方が互いに異なる複数の領域を含む他の適当な対象の特徴量、例えば、人間の子宮頸部の診断対象部分の特徴量を抽出する場合にも、同様に当てはまる。

本発明は、上記問題を解決するためになされたものであり、特徴量を、その抽出のための負荷を抑制しながら、適切に抽出することができる特徴量抽出装置、特徴量抽出方法、識別装置、識別方法及びプログラムを提供することを目的とする。

上記目的を解決するため、本発明の特徴量抽出装置は、
所定の対象を撮像した撮像画像を取得する取得手段と、
前記取得手段で取得された撮像画像における前記所定の対象を含む領域から、曲線を規定するパラメータがランダムに設定された螺旋状の曲線の領域を特定する特定手段と、
前記特定手段で特定された螺旋状の曲線の領域から、画素値に基づく特徴量を抽出する抽出手段と、
を備えることを特徴とする。

本発明によれば、特徴量を、その抽出のための負荷を抑制しながら、適切に抽出することができる。

第１実施形態に係る識別装置の機能構成を示す図である。 第１実施形態に係る特定部が特定する線状の領域を説明する図である。 曲線に沿って画素値が取得される一例を説明する図である。 取得された１次元データの一例を説明する図である。 第１実施形態に係る学習処理のフローチャートである。 第１実施形態に係る識別処理のフローチャートである。 第２実施形態に係る１次元ＣＮＮの構成概要を説明する図である。 第２実施形態に係る学習処理のフローチャートである。 第２実施形態に係る識別処理のフローチャートである。 第３実施形態に係る識別装置の機能構成を示す図である。 第３実施形態に係る最適パラメータ選択処理のフローチャートである。 第３実施形態に係る活性スコア算出処理のフローチャートである。

以下、本発明の実施形態に係る識別装置等について、図表を参照して説明する。なお、図中同一又は相当部分には同一符号を付す。

（第１実施形態）
本発明の第１実施形態に係る識別装置１００は、所定の対象を撮像した撮像画像に基づいてこの所定の対象を識別するための装置である。例えば、識別装置１００は、所定の対象としての診断の対象となる診断対象部分（例えば、腫瘍、ホクロ、シミ、できもの、血管、アトピー性湿疹や薬疹、膠原病による発疹などといった皮膚の疾患部分、皮膚の疾患が疑われる部分）を含む人の皮膚を撮像した撮像画像に基づいて、この画像中の診断対象部分が良性か悪性かを識別する。このような識別装置１００による識別は、医師の診断を支援するために行われる。また、識別装置１００は、画像に基づく識別において、２次元の画像データをそのまま用いるのではなく、画像データから１次元データを取得し、取得した１次元データを用いて当該画像内の所定の対象を識別する。

具体的には、識別装置１００は、予め用意された学習用の画像データセットに含まれる画像データ（学習用画像データ）から１次元データを取得し、当該１次元データから抽出した特徴量を用いてサポートベクターマシン（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ：ＳＶＭ）を学習（機械学習）させ、学習させたＳＶＭを利用して画像識別を行う。なお、識別装置１００は、ＳＶＭを学習させるための特徴量を抽出するので、特徴量抽出装置でもある。

学習用画像データには、画像識別の用途に応じた正解ラベルが付与されている。第１実施形態に係る識別装置１００は、上記の診断対象部分として、ホクロが撮影された画像に基づいて、当該ホクロが良性か悪性かの識別を行う。したがって、学習用画像データは、良性か悪性かが判明しているホクロが写っている画像データであり、学習用画像データのそれぞれには、その画像に写っているホクロが良性なのか悪性なのかが、正解ラベルとして付与されている。

なお、ここでは識別装置１００がホクロの良性／悪性の識別を行うものとして説明するが、識別装置１００による識別の対象はホクロ等の皮膚疾患に限られない。例えば、子宮頸癌、口腔癌（舌癌、歯肉癌、口底癌）等について、これらの診断対象部分を対象として、当該対象を撮影した画像に基づいて当該対象の疾患名等を識別してもよい。この場合、学習用画像データは、疾患名が判明している診断対象部分を撮影した画像データであり、学習用画像データのそれぞれには、その画像に写っている診断対象部分の疾患名が正解ラベルとして付与される。

さらに言えば、識別対象は人体の診断対象部分に限られない。他の適当な物体、例えば、コンクリートの劣化状態についてコンクリートの画像を用いて識別を行うことも考えられる。この場合、学習用画像データは、劣化の有無が判明しているコンクリートを撮影した画像データであり、学習用画像データのそれぞれには、その画像に写っているコンクリートの劣化の有無の情報が正解ラベルとして付与される。なお、識別対象が人体の診断対象部分に限られないことは後述する他の実施形態及び変形例においても同様である。

第１実施形態に係る識別装置１００は、機能構成として、図１に示すように、制御部１０、記憶部２０、画像入力部３１、出力部３２、通信部３３、操作入力部３４、を備える。

制御部１０は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）等で構成され、記憶部２０に記憶されたプログラムを実行することにより、後述する各部（取得部１１、特定部１２、抽出部１３、設定部１４、識別部１５）の機能を実現する。

記憶部２０は、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等で構成され、制御部１０のＣＰＵが実行するプログラム及び必要なデータを記憶する。記憶部２０は、識別部１５の学習に用いる画像データ（学習用画像データ）も記憶する。ただし、識別装置１００は、学習用画像データの一部又は全部を通信部３３から取得するようにしてもよい。

画像入力部３１は、学習用画像データや、ユーザから与えられる識別する（未知の）対象が撮影された画像の画像データを入力するためのデバイスである。画像入力部３１は、例えばカメラであり、撮像した画像データを制御部１０に入力する。識別装置１００が所定の対象を識別する際に用いる画像は、色及び輝度の少なくとも一方が互いに異なる複数の領域を含む画像である。したがって、画像入力部３１は、色及び輝度の少なくとも一方が互いに異なる複数の領域を含む画像を制御部１０に入力する。色及び輝度の少なくとも一方が互いに異なる複数の領域には、例えば画像のエッジ部分の領域とそれ以外の他の領域が含まれる。

なお、画像入力部３１としては、制御部１０が画像データを取得できるなら、カメラに限らず任意のデバイスを使用することができる。例えば、記憶部２０に画像データを記憶させておき、制御部１０が記憶部２０から当該画像データを読み出すことによって取得する場合は、記憶部２０が画像入力部３１を兼ねることになる。また、制御部１０が通信部３３を介して外部のサーバ等から画像データを取得する場合は、通信部３３が画像入力部３１を兼ねることになる。

出力部３２は、制御部１０が、画像識別結果等を出力するためのデバイスである。例えば、出力部３２は、液晶ディスプレイや有機ＥＬ（Ｅｌｅｃｔｒｏ－Ｌｕｍｉｎｅｓｃｅｎｃｅ）ディスプレイである。ただし、識別装置１００は、出力部３２としてこれらディスプレイを備えてもよいし、外部のディスプレイを接続するためのインタフェースとしての出力部３２を備えてもよい。識別装置１００は、インタフェースとしての出力部３２を備える場合は、出力部３２を介して接続した外部のディスプレイに画像識別結果等を表示する。

通信部３３は、外部の他の装置（例えば、画像データのデータベースが格納されているサーバ等）とデータの送受信を行うためのデバイス（ネットワークインタフェース等）である。制御部１０は、通信部３３を介して画像データを取得することができる。

操作入力部３４は、識別装置１００に対するユーザの操作入力を受け付けるデバイスであり、例えば、キーボード、マウス、タッチパネル等である。識別装置１００は、操作入力部３４を介して、ユーザからの指示等を受け付ける。

次に、制御部１０の機能について説明する。制御部１０は、取得部１１、特定部１２、抽出部１３、設定部１４、識別部１５の機能を実現する。

取得部１１は、画像入力部３１で撮像した画像を取得する。上述したように、識別装置１００が所定の対象を識別する際に用いる画像は、色及び輝度の少なくとも一方が互いに異なる複数の領域を含む画像であり、取得部１１は、そのような領域を含む所定の対象（ホクロのような皮膚の診断対象部分等）を撮像した撮像画像を取得する。なお、取得部１１は、撮像された撮像画像をリアルタイムで取得する必要はなく、例えば、記憶部２０に記憶されている過去に撮像された撮像画像を取得してもよいし、過去に撮像されて他のサーバ等に格納されている撮像画像を通信部３３で受信して取得してもよい。取得部１１は、撮像画像を取得する取得手段として機能する。

特定部１２は、取得部１１で取得された撮像画像における所定の対象（皮膚の診断対象部分等）を含む識別領域から、互いに異なる複数の方向に延びる線状の領域を特定する。互いに異なる複数の方向に延びる線とは、互いに異なる方向に延びる複数の線（例えば所定の対象の中心付近から放射状に延びる複数の線）や、線上の局所領域のそれぞれの方向が複数の方向を向いている線（円、楕円、螺旋等）である。ここで「線上の局所領域」とは、当該線の様々な位置における一部分（微小な線分）である。例えば特定部１２は、図２に示すように、皮膚の診断対象部分（疾患部と疑われる部分）である対象領域４１を含む識別領域４２内を螺旋状の曲線４３が通る線状の領域を特定する。対象領域４１には、色及び輝度の少なくとも一方が互いに異なる複数の領域４１ａ、４１ｂが含まれている。特定部１２は、このような線状の領域を特定する特定手段として機能する。

抽出部１３は、特定部１２で特定された線状の領域から、画素値に基づく特徴量を抽出する。より詳細には、まず抽出部１３は、特定部１２で特定された領域を通る螺旋状の曲線４３の一方の端から他方の端にかけ、図３に示すように、曲線４３（１次元）に沿って順に画素値（ＲＧＢそれぞれの値）を取得して構成される１次元データを取得する。ここでは、画素値はＲＧＢ色空間におけるＲ（Ｒｅｄ）成分、Ｇ（Ｇｒｅｅｎ）成分及びＢ（Ｂｌｕｅ）成分それぞれの値で表され、取得される１次元データは図４に示すように３チャネル分（Ｒｅｄ、Ｇｒｅｅｎ、Ｂｌｕｅそれぞれ）の１次元データとなる。なお、図４では横軸に「距離」と記載されているが、図４の「距離」は「螺旋の一方の端点から、螺旋に沿って見たときの距離」のことである。

そして、抽出部１３は、取得したＲ成分、Ｇ成分及びＢ成分それぞれの１次元データに対して、所定の統計値（例えば、平均、分散、最大値、最小値、中央値、回帰直線（１次元データを１次関数で近似した直線であり、最小二乗法等で求められる）の傾き、回帰直線の寄与率（回帰直線がその算出時に用いたＲＧＢ各成分の１次元データにどの程度よく当てはまっているかを示す度合いであり、決定係数ともいう。）等）を計算する。また、抽出部１３は、ＲＧＢ成分間の差（Ｒ成分－Ｇ成分、Ｒ成分－Ｂ成分、Ｇ成分－Ｂ成分）や比（Ｒ成分／Ｇ成分、Ｒ成分／Ｂ成分、Ｇ成分／Ｂ成分）についても、同様に、それぞれの１次元データとして扱い、上述したような所定の統計値（平均、分散等）を計算する。

そして、抽出部１３は、例えば、Ｒ成分とＧ成分それぞれの１次元データの分散、ＲＧＢ成分それぞれの１次元データの回帰直線の傾き及び寄与率、ＲＧＢ成分それぞれの１次元データ同士の差（ＲＧＢ成分の差（Ｒ成分－Ｇ成分、Ｒ成分－Ｂ成分、Ｇ成分－Ｂ成分））の絶対値の分散、ＲＧＢ成分それぞれの１次元データ同士の比（ＲＧＢ成分の比（Ｒ成分／Ｇ成分、Ｒ成分／Ｂ成分、Ｇ成分／Ｂ成分））のうちＲ成分／Ｇ成分及びＲ成分／Ｂ成分の回帰直線の傾き及び寄与率、ＲＧＢ成分それぞれの１次元データの中の最大値と最小値の差（ＲＧＢ成分の最大値とＲＧＢ成分の最小値との差）、の合計１６の値を特徴量として抽出する。つまり、この例では、特徴量は、１６次元のベクトルで表される。抽出部１３は、特徴量を抽出する抽出手段として機能する。

なお、ここでは、抽出部１３が各画素値をＲＧＢ色空間におけるＲ成分、Ｇ成分及びＢ成分それぞれの値として取得するものとしたが、画素値を表す色空間はＲＧＢ色空間に限られない。例えば、ＹＵＶ色空間、Ｌａｂ色空間等を用いてもよい。これらの色空間はいずれも１つの画素値を３つの成分で表しているので、Ｒ成分、Ｙ成分及びＬ成分を各色空間における第１成分、Ｇ成分、Ｕ成分及びａ成分を各色空間における第２成分、Ｂ成分、Ｖ成分及びｂ成分を各色空間における第３成分、と表すことができる。

そして、抽出部１３は、特定部１２で特定された線上の領域の画素値を上述した任意の色空間における第１成分、第２成分及び第３成分それぞれの１次元データとして取得し、第１成分と第２成分それぞれの１次元データの分散、第１成分と第２成分と第３成分それぞれの１次元データの回帰直線の傾き及び寄与率、１次元データ同士の差の絶対値の分散、１次元データ同士の比のうち第１成分／第２成分及び第１成分／第３成分の回帰直線の傾き及び寄与率、１次元データの最大値と最小値の差、の合計１６の値のうちの少なくとも１つを特徴量として抽出してもよい。

設定部１４は、特定部１２で特定された領域を通る螺旋状の曲線を規定するパラメータをランダムに設定する。このパラメータは、例えば、螺旋の種類（アルキメデスの螺旋、放物螺旋等。図２ではアルキメデスの螺旋）、螺旋の巻き数（図２では３巻き）、向き（図２では内側から外側に向かって時計回り）、開始角度（図２では識別領域４２の長方形を基準にして垂直９０度の方向）等である。設定部１４は、螺旋状の領域の螺旋を規定するパラメータをランダムに設定する設定手段として機能する。

識別部１５は、抽出部１３で抽出された特徴量を用いて所定の対象（皮膚の診断対象部分等）を識別する。具体的には、識別部１５は、学習用画像データから抽出部１３で抽出された特徴量を用いて機械学習されたＳＶＭである。ここでは、識別装置１００は、皮膚のホクロが良性か悪性かを識別する装置なので、識別部１５は、ホクロについて良性か悪性かを識別するＳＶＭを備える。そしてこのＳＶＭに特徴量を入力データとして入力して得られる出力値に基づいて、識別部１５は当該ホクロが良性か悪性かを識別する。つまり、ＳＶＭの出力値が良性を示す値であれば識別部１５の識別結果は良性となり、ＳＶＭの出力値が悪性を示す値であれば識別部１５の識別結果は悪性となる。

なお、本実施形態では識別装置１００がホクロの良性／悪性を識別するものとして説明しているが、識別装置１００がホクロについて識別する内容はその良性／悪性に限られないし、識別する対象はホクロに限られない。識別装置１００は、皮膚疾患の疾患名（色素性母斑（ホクロ）やメラノーマ、脂漏性角化症等）を識別してもよい。この場合、識別部１５は、１対他識別を行うＳＶＭを、識別するクラスの数だけ備える。例えば、識別装置１００が色素性母斑（ホクロ）、メラノーマ及び脂漏性角化症の３つの疾患を識別する場合、識別部１５は、色素性母斑（ホクロ）を識別するＳＶＭ、メラノーマを識別するＳＶＭ及び脂漏性角化症を識別するＳＶＭの３つのＳＶＭを備える。そして、これら３つのＳＶＭに特徴量を入力して、最も確率の高い出力が得られたＳＶＭに対応する疾患名が識別部１５の識別結果となる。

より一般には、識別装置１００が識別する対象として例えば、Ａ，Ｂ，Ｃ，…のｎ個のクラスが存在する場合、識別部１５は、「Ａ又はＡ以外」を識別するＳＶＭ、「Ｂ又はＢ以外」を識別するＳＶＭ、「Ｃ又はＣ以外」を識別するＳＶＭ、…というｎ個のＳＶＭを備える。そして、これらｎ個のＳＶＭに特徴量を入力して、最も確率の高い出力が得られたＳＶＭに対応するクラス（Ａ，Ｂ，Ｃ，…）が識別部１５の識別結果となる。識別部１５は、所定の対象（皮膚の診断対象部分等）を識別する識別手段として機能する。

以上、識別装置１００の機能構成について説明した。次に識別装置１００による学習処理について、図５を参照して説明する。この学習処理は、操作入力部３４を介して、ユーザにより、識別装置１００に対して学習処理の開始が指示されると開始される。

まず、取得部１１は、記憶部２０から学習用画像データを取得する（ステップＳ１０１）。ステップＳ１０１は、取得ステップとも呼ばれる。次に、特定部１２は、取得部１１が取得した学習用画像データから、所定の対象（ホクロのような皮膚の診断対象部分等）を含む対象領域４１を抽出する（ステップＳ１０２）。

ステップＳ１０２での対象領域４１の抽出は、病変領域（ここではホクロ）を学習させたＦＣＮ（Ｆｕｌｌｙ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｔｗｏｒｋｓ）のようなディープニューラルネットワーク（Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ：ＤＮＮ）等を利用して自動で行ってもよいし、対話的グラフカット等の技術を利用して半自動で行ってもよいし、ユーザが操作入力部３４で対象領域４１を指定する等して手動で行ってもよい。

そして、特定部１２は、抽出された対象領域４１を囲む矩形である識別領域４２を算出する（ステップＳ１０３）。例えば、特定部１２は、図２に示すような、抽出された対象領域４１の内部の任意の２点の最大径を長径とし、当該長径に直交する方向において対象領域４１が内接するように短径が定められた矩形として、識別領域４２を算出する。

次に、設定部１４は、特定部１２が算出した識別領域４２の内部を通る螺旋を規定するパラメータ（螺旋の種類、螺旋の巻き数、向き、開始角度）として、ランダムな値を設定する（ステップＳ１０４）。例えば、螺旋の種類としては、アルキメデスの螺旋、放物螺旋等からランダムに設定する。また、螺旋の巻き数としては、例えば２～６程度の数の中からランダムに設定する。なお巻き数は任意の数に設定可能であり、上記の６よりも多い数に設定してもよい。さらに、巻き数は整数でなくてもよく、３．５巻き、３．２５巻き等を設定してもよい。また、螺旋の向きとしては、時計回りか反時計回りかをランダムに設定する。なお、螺旋の開始角度は任意の角度をランダムに設定しても良いが、例えば、０度、９０度、１８０度、２７０度のようにある程度の候補を決めて、その中からランダムに設定してもよい。

そして、特定部１２は、設定部１４が設定した螺旋のパラメータを用いて、図２に示すように、識別領域４２の中心に螺旋の中心が略一致し、識別領域４２に内接するような螺旋を定義する（ステップＳ１０５）。ステップＳ１０５は、識別領域４２から、互いに異なる複数の方向に延びる線状の領域を特定するステップなので、特定ステップとも呼ばれる。なお、螺旋の中心は、識別領域４２の中心に完全に一致させてもよいし、ずらしてもよい。また、螺旋の中心をずらす場合、識別領域４２の中心から螺旋の中心をずらす量及び向きをランダムに設定してもよい。さらに、識別領域４２の中心と螺旋の中心とをずらす量及び向きを、ステップＳ１０４で設定する「螺旋を規定するパラメータ」に加えてもよい。ずらす量及び向きを「螺旋を規定するパラメータ」に加えると、さらに多様な螺旋での学習が行われることになるので、識別部１５の精度向上につながる可能性がある。

次に、抽出部１３は、図３に示すように特定部１２が定義した螺旋に沿って画素値を取得していき、図４に示すようなＲＧＢそれぞれについての１次元データを取得する（ステップＳ１０６）。なお、画素値の取得は、螺旋に沿って画素が変わる毎に新たな画素値を１次元データに付加する形で取得してもよいし、螺旋に沿って所定の距離を進む毎にその場所の画素値を１次元データに付加する形で取得してもよい。また、色空間としては、上述したようにＲＧＢ色空間以外の色空間（ＹＵＶ色空間、Ｌａｂ色空間等）を用いてもよい。ＲＧＢ色空間以外の色空間を用いる場合は、抽出部１３は、１次元データを取得する際に色空間の変換を行う。例えば、ＲＧＢ色空間をＹＵＶ色空間に変換する場合は、抽出部１３は、Ｙ成分、Ｕ成分及びＶ成分それぞれについての１次元データを取得する。

また、抽出部１３は、ステップＳ１０６で取得した１次元データのサイズ（画素値の取得数）を固定長にしてもよい。固定長にする場合は、抽出部１３は、１次元データを線形補間して、サイズを所定の長さに合わせる。

そして、抽出部１３は、取得した１次元データに対して、平均、分散等を計算したり、成分間の差や比についても平均、分散等を計算したりすることにより、特徴量（例えば上述した１６次元のベクトル）を抽出し、当該学習用画像データに付与されている正解ラベルとともに記憶部２０に格納する（ステップＳ１０７）。ステップＳ１０７は、抽出ステップとも呼ばれる。

そして、制御部１０は、ステップＳ１０４からステップＳ１０７の処理を所定回数（例えば１０回）繰り返したか否かを判定する（ステップＳ１０８）。所定回数繰り返していなければ（ステップＳ１０８；Ｎｏ）、ステップＳ１０４に戻る。所定回数繰り返すことにより、ステップＳ１０４でランダムに設定される螺旋のパラメータのバリエーションが多くなり、ひいては、様々な形状の螺旋に沿った１次元データに基づく特徴量を抽出できるので、識別部１５のＳＶＭの学習の頑健性（ロバスト性）を高めることができる。ただし、識別部１５のＳＶＭの学習の頑健性は、学習用画像データの数を増やすことによっても高めることができる。したがって、学習用画像データを非常に多く（例えば１万以上）用意できる場合には、ステップＳ１０８で所定回数の繰り返しを行わなくてもよい（ステップＳ１０８の処理はスキップして、すぐにステップＳ１０９に進んでもよい）。

所定回数繰り返したら（ステップＳ１０８；Ｙｅｓ）、制御部１０は、当該学習用画像データ中の全ての対象領域について、ステップＳ１０３からステップＳ１０８の処理を行ったか否かを判定する（ステップＳ１０９）。これは、１枚の学習用画像データの中に複数の対象領域が存在する場合に、全ての対象領域について学習用の特徴量を抽出するためである。全ての対象領域について、ステップＳ１０３からステップＳ１０８の処理を行っていなければ（ステップＳ１０９；Ｎｏ）、ステップＳ１０３に戻る。

全ての対象領域について、ステップＳ１０３からステップＳ１０８の処理を行ったら（ステップＳ１０９；Ｙｅｓ）、制御部１０は、全ての学習用画像データについて特徴量抽出を行ったか否かを判定する（ステップＳ１１０）。まだ全ての学習用画像データについて特徴量抽出を行っていなければ（ステップＳ１１０；Ｎｏ）、ステップＳ１０１に戻る。

全ての学習用画像データについて特徴量抽出を行ったら（ステップＳ１１０；Ｙｅｓ）、ステップＳ１０７で記憶部２０に格納した特徴量及び正解ラベルを用いて、識別部１５のＳＶＭを学習させ（ステップＳ１１１）、学習処理を終了する。なお、図５に示すフローチャートは一例に過ぎず、学習効率や識別性能を向上させるために処理順序や処理内容を変更してもよい。

以上、学習処理について説明した。次に、以上の学習処理により学習された識別部１５（ＳＶＭ）を用いて、画像識別を行う識別処理について、図６を参照して説明する。この識別処理は、操作入力部３４を介して、ユーザにより、識別装置１００に対して識別処理の開始が指示されると開始される。

まず、取得部１１は、識別する画像（識別画像）を画像入力部３１等から取得する（ステップＳ２０１）。ステップＳ２０１は、取得ステップとも呼ばれる。例えば、ユーザが識別させたい画像を画像入力部３１で撮像することにより、取得部１１は識別画像を取得する。

次に、特定部１２は、取得部１１が取得した識別画像から、所定の対象（ホクロのような皮膚の診断対象部分等）を含む対象領域４１を抽出する（ステップＳ２０２）。ステップＳ２０２での対象領域４１の抽出も、上述のステップＳ１０２での抽出と同様、自動、半自動、手動のいずれで行ってもよい。

次に、特定部１２は、抽出された対象領域４１を囲む矩形である識別領域４２を算出する（ステップＳ２０３）。例えば、特定部１２は、図２に示すような、抽出された対象領域４１の内部の任意の２点の最大径を長径とし、当該長径に直交する方向において対象領域４１が内接するように短径が定められた矩形として、識別領域４２を算出する。

そして、特定部１２は、算出した識別領域４２の内部を通る螺旋を規定するパラメータ（螺旋の種類、螺旋の巻き数、向き、開始角度）として典型的な値（例えば、図２に示すような、螺旋の種類：アルキメデスの螺旋、巻き数：３、向き：時計回り、開始角度：垂直９０度方向）を設定し、設定したパラメータを用いて、識別領域４２の中心を螺旋の中心とし、識別領域４２に内接するような螺旋を定義する（ステップＳ２０４）。ステップＳ２０４は、識別領域４２から、互いに異なる複数の方向に延びる線状の領域を特定するステップなので、特定ステップとも呼ばれる。なお、ステップＳ２０４で、特定部１２は、螺旋を規定するパラメータとして典型的な値を設定する代わりに、このパラメータをランダムに設定してもよい。

そして、抽出部１３は、図３に示すように特定部１２が定義した螺旋に沿って画素値を取得していき、図４に示すようなＲＧＢそれぞれについての１次元データを取得する（ステップＳ２０５）。ステップＳ２０５は１次元データ取得ステップとも呼ばれる。また、ステップＳ２０５では、抽出部１３は１次元データ取得手段として機能する。なお、この時の画素値の取得単位や、用いる色空間については、学習処理（図５、ステップＳ１０６）で行ったものに合わせる。また、学習処理で１次元データのサイズを固定長にしていた場合は、抽出部１３は、ここで１次元データを線形補間して、サイズを学習処理時と同じ所定の長さに合わせる。

そして、抽出部１３は、取得した１次元データに対して、平均、分散等を計算したり、成分間の差や比についても平均、分散等を計算したりすることにより、特徴量（例えば上述した１６次元のベクトル）を抽出する（ステップＳ２０６）。

そして、識別部１５は、図５の学習処理により学習済みのＳＶＭにステップＳ２０６で抽出された特徴量を入力することにより、ステップＳ２０２で抽出された対象領域に含まれる所定の対象（ホクロ）の識別を行う（ステップＳ２０７）。ステップＳ２０７は、識別ステップとも呼ばれる。そして、制御部１０は、識別部１５が識別した結果、すなわち当該ホクロが良性のホクロなのか悪性のホクロなのかを出力部３２に出力し（ステップＳ２０８）、識別処理を終了する。

以上、識別処理について説明した。以上説明したように、第１実施形態に係る識別装置１００は、画像から特徴量を抽出する際に１次元データを用いるため、２次元の画像データを直接扱う場合と比較して処理負荷を削減することができる。つまり、識別装置１００は、外部のコンピュータリソースを使用しなくても、識別装置１００だけで高速に画像識別を行うことができる。したがって、識別装置１００は、クラウドでの処理（インターネット上のサーバ等のコンピュータリソース）を使用できない場合や、多数の画像を識別する必要がある場合（例えば画像スクリーニング等）や、リアルタイムに識別する必要がある場合等にも使用することができる。

また、識別装置１００では、１次元データを取得する際の線（螺旋）のパラメータを変えることにより、２次元画像を直接学習する場合に比べ、１つの画像からより多くの学習データ（１次元データ）を取得できるので、学習用に準備する画像データの総数を少なめに抑えることができる。

なお、上記の第１実施形態では、ＳＶＭにより線形識別を行っているが、学習処理（図５）のステップＳ１１１及び識別処理（図６）のステップＳ２０７で、カーネル法を使って非線形識別に対応させたＳＶＭを用いること等により、非線形識別を行うこともできる。また、特徴量の各次元に閾値を設定して、当該次元の要素が閾値以上か未満かによって、特徴量を二値のベクトルで表し、この二値のベクトルによる演算結果の非線形スコアリングにより識別を行ってもよい。

（第２実施形態）
第１実施形態に係る識別装置１００は、予め定義された特徴量を用いてＳＶＭで識別を行った。しかし、コンボリューショナルニューラルネットワーク（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ：ＣＮＮ）等のＤＮＮを上述した１次元データに適用すれば、事前に特徴量（特徴量のベクトルを構成する各要素の算出方法等）を定義しなくても識別することができるようになる。このような第２実施形態に係る識別装置１０１について、説明する。

第２実施形態に係る識別装置１０１の機能構成は、図１に示す第１実施形態に係る識別装置１００と同じだが、識別部１５はＳＶＭではなくＣＮＮであり、抽出部１３は識別部１５のＣＮＮの内部の重み等を更新することによりＣＮＮを機械学習させる。その結果、抽出部１３は、ＣＮＮの出力値やＣＮＮ内部の特徴マップを、特徴量として抽出できるようになる。

ここで、第２実施形態に係る識別装置１０１で用いるＣＮＮについて説明する。ＣＮＮは、人間の視覚野の神経細胞の働きを模倣したニューラルネットワークであり、通常は２次元の画像データを直接扱って、画像識別等を行う。しかし、第２実施形態に係るＣＮＮは、図７に示すように、ＲＧＢ（３チャネル）の１次元データを入力データとして入力して、１次元データのまま処理を行ってＮクラス識別を行う１次元コンボリューショナルニューラルネットワークである。

図７に示すように、第２実施形態に係るＣＮＮは、ＲＧＢの１次元データが入力される入力層１１１に対して、１次元のまま畳み込み処理（フィルタの走査）やプーリング処理（ウィンドウの走査）を行って徐々にサイズの小さな特徴マップ１１２，１１３，１１４，１１５，１１６，１１７を算出していき、最終的に出力層１１８から、Ｎ次元の出力ベクトルを得る。図７に示す例では、入力された１次元データに対して、畳み込み処理用のフィルタ１２１，１２３，１２４，１２５やプーリング処理用のウィンドウ１２２，１２６を、横にストライド２で走査することによって、徐々にサイズの小さな特徴マップを算出し、最終的な出力を得ている。なお、「ストライド２で走査する」とは、画素又は特徴マップを構成する要素を１つ飛ばしで走査することをいう。

フィルタ１２１，１２３，１２４，１２５の各要素には、重み係数が割り当てられており、同一チャネル数の入力１次元データ又は特徴マップの上を横方向に走査することにより、入力１次元データ又は特徴マップの各注目点において、スカラ値の内積結果が出力され、新たな特徴マップが得られる。そして、フィルタを複数枚（ｎ枚）適用することにより、その枚数分（ｎチャネル）の特徴マップが得られる。また、ストライド２で走査する度に、特徴マップの横方向のサイズは１／２のサイズになる。この結果、後段に行くに従い、より大局的な特徴抽出が行われる（フィルタサイズは、特徴マップサイズに対して相対的に拡大する）ことになる。

図７に示す例では、ＣＮＮの中間層の最終層（特徴マップ１１７）と、出力層１１８とは重み係数が割り当てられた全結合接続１２７で接続されており、通常のニューラルネットと同様に重み付け加算が行われる。ＣＮＮの中間層の最終層は、出力層１１８と全結合接続１２７で接続していることから、全結合層とも呼ばれる。この例では、Ｎクラスの識別を行うので、出力層１１８はＮ個の素子（若しくはユニット）を持ち、その素子の値の大小により、推定した識別の確率の大小が表現される。

ＣＮＮでは、全結合接続１２７の各結合に割り当てられている重み係数や、上記フィルタ１２１，１２３，１２４，１２５の重み係数を、予め用意した学習データを用いて取得することができる。具体的には、まず、学習データを入力画像として入力層１１１に入力し、順方向伝播させて出力層１１８から出力結果を得る。そして、抽出部１３は、その出力結果と正解（入力した学習データに付与されている正解ラベル）との違い（誤差）を求め、誤差逆伝播法を用いて、誤差を減らす方向に重み係数を更新する。この操作を、学習率（誤差逆伝播法における重み係数の更新量）を下げながら繰り返し実行することにより、重み係数の値を収束させる。

ＣＮＮの各重み係数を学習データで学習させた後は、未知の画像データを入力画像データとして順方向伝播させることで、出力層１１８に入力画像に基づく識別の推論値である出力結果が得られる。この出力結果が識別部１５の識別結果となる。

以上、識別装置１０１の識別部１５が備える１次元ＣＮＮの概要を説明した。なお、図７に示すＣＮＮは１次元ＣＮＮの一例に過ぎない。入力層に１次元データを入力し、１次元データのまま処理を行うＣＮＮ（１次元ＣＮＮ）であれば、識別装置１０１は、任意の１次元ＣＮＮを用いることができる。

次に、識別装置１０１が行う学習処理について、図８を参照して説明する。この学習処理は、操作入力部３４を介して、ユーザにより、識別装置１０１に対して学習処理の開始が指示されると開始される。

まず、抽出部１３は、識別部１５のＣＮＮの全ての重みパラメータを初期化する（ステップＳ３０１）。次のステップＳ３０２からステップＳ３０７までは、第１実施形態の学習処理（図５）のステップＳ１０１からステップＳ１０６までの処理と同じであるので、説明を省略する。

そして、抽出部１３は、ステップＳ３０７で取得した画素値（使用する色空間に応じて、ＲＧＢ、ＹＵＶ、Ｌａｂ等）それぞれについての１次元データを、線形補間によりリサンプリングして、サイズを識別部１５のＣＮＮの入力層のサイズ（図７に示す例では２２４）に合わせる（ステップＳ３０８）。

次に、抽出部１３は、リサンプリングした１次元データを識別部１５のＣＮＮに入力し（ステップＳ３０９）、ＣＮＮの出力値を得る。そして、抽出部１３は、ＣＮＮの出力値と、当該学習用画像データに付与されている正解ラベルとから、誤差を計算し（ステップＳ３１０）、記憶部２０に格納する。

そして、制御部１０は、当該学習用画像データ中の全ての対象領域について、ステップＳ３０４からステップＳ３１０の処理を行ったか否かを判定する（ステップＳ３１１）。これは、１枚の学習用画像データの中に複数の対象領域が存在する場合に、全ての対象領域についてＣＮＮに入力して学習させるためである。全ての対象領域について、ステップＳ３０４からステップＳ３１０の処理を行っていなければ（ステップＳ３１１；Ｎｏ）、ステップＳ３０４に戻る。

全ての対象領域について、ステップＳ３０４からステップＳ３１０の処理を行ったら（ステップＳ３１１；Ｙｅｓ）、制御部１０は、ステップＳ３０２からステップＳ３１１の処理を所定の学習用画像データ数（バッチサイズともいい、例えば５０）回繰り返したか否かを判定する（ステップＳ３１２）。所定の学習用画像データ数回繰り返していなければ（ステップＳ３１２；Ｎｏ）、ステップＳ３０２に戻る。このバッチサイズ分の繰り返しの処理のことをミニバッチという。

所定の学習用画像データ数回繰り返したら（ステップＳ３１２；Ｙｅｓ）、抽出部１３は、それまでにステップＳ３１０で記憶部２０に格納された誤差の平均値に基づいて、識別部１５のＣＮＮの重みパラメータを更新する（ステップＳ３１３）。ステップＳ３１３により、ＣＮＮの内部に学習用画像データの特徴量が抽出されると考えることができるので、ステップＳ３１３も抽出ステップと呼ばれる。そして、制御部１０は、ステップＳ３０２からステップＳ３１３の処理を所定の回数（例えば、学習用画像データ数をバッチサイズで割った値を所定数（エポック数ともいい、例えば１００）倍した回数）繰り返したか否かを判定する（ステップＳ３１４）。

ステップＳ３０２からステップＳ３１３の処理を所定の回数繰り返していなければ（ステップＳ３１４；Ｎｏ）、ステップＳ３０２に戻る。所定の回数繰り返したら（ステップＳ３１４；Ｙｅｓ）、学習処理を終了する。なお、第２実施形態の学習処理（図８）では、第１実施形態の学習処理（図５）と比較して、処理を繰り返す際の判定内容や処理を繰り返す位置が少し異なる。これは、ＣＮＮの学習の際は、同一のミニバッチ内で同じ学習用画像データを対象に学習を繰り返し行うと過学習になる場合があるためである。しかし、図８に示すフローチャートは一例に過ぎず、学習効率や識別性能を向上させるために処理順序や処理内容が変更されてもよい。例えば、第２実施形態の学習処理（図８）においても、第１実施形態の学習処理（図５）のステップＳ１０８と同様に、ステップＳ３０５からステップＳ３１０までの処理を所定回数繰り返してもよい。ステップＳ３０５において、螺旋のパラメータを毎回ランダムに変更しているため、同じ学習用データを繰り返し用いても過学習にならずに、識別性能の向上に寄与する可能性があるからである。

以上、学習処理について説明した。次に、以上の学習処理により学習された識別部１５（ＣＮＮ）を用いて、画像識別を行う識別処理について、図９を参照して説明する。この識別処理は、操作入力部３４を介して、ユーザにより、識別装置１０１に対して識別処理の開始が指示されると開始される。

ステップＳ４０１からステップＳ４０５までは、第１実施形態の識別処理（図６）のステップＳ２０１からステップＳ２０５までの処理と同じであるので、説明を省略する。そして、抽出部１３は、ステップＳ４０５で取得した画素値（使用する色空間に応じて、ＲＧＢ、ＹＵＶ、Ｌａｂ等）それぞれについての１次元データを、線形補間によりリサンプリングして、サイズを識別部１５のＣＮＮの入力層のサイズに合わせる（ステップＳ４０６）。

次に、抽出部１３は、リサンプリングした１次元データを識別部１５のＣＮＮに入力する（ステップＳ４０７）。すると、識別部１５は、ＣＮＮの出力値を識別結果として取得する（ステップＳ４０８）。ステップＳ４０８は、識別ステップとも呼ばれる。そして、制御部１０は、識別部１５が識別した結果を出力部３２に出力し（ステップＳ４０９）、識別処理を終了する。

以上、識別処理について説明した。以上説明したように、第２実施形態に係る識別装置１０１は、１次元データをＣＮＮに入力するだけで、ＣＮＮが自動的に特徴量を抽出する。したがって、識別装置１００と異なり、予め特徴量（特徴量のベクトルを構成する各要素の算出方法等）を定義しておく必要がない。

また、識別装置１０１では、ＣＮＮに入力するデータは１次元データなので、通常の２次元データを扱うＣＮＮと比較して処理負荷を削減することができる。つまり、識別装置１０１は、外部のコンピュータリソースを使用しなくても、識別装置１０１だけで高速に画像識別を行うことができる。したがって、識別装置１０１は、識別装置１００と同様、クラウドでの処理（インターネット上のサーバ等のコンピュータリソース）を使用できない場合や、多数の画像を識別する必要がある場合（例えば画像スクリーニング等）や、リアルタイムに識別する必要がある場合等にも使用することができる。

また、識別装置１０１は、識別装置１００と同様、１次元データを取得する際の線（螺旋）のパラメータを変えることにより、２次元画像を直接学習する場合に比べ、１つの画像からより多くの学習データ（１次元データ）を取得できるので、学習用に準備する画像データの総数を少なめに抑えることができる。

また、通常の２次元のＣＮＮでは、学習データの不足を補うため、膨大な一般画像認識用のデータセット（例えばＩｍａｇｅＮｅｔ）を用いて学習した結果に基づく転移学習を利用することが多い。しかし、識別装置１０１のＣＮＮは、図７に示すように、１次元の特徴マップ、フィルタ、ウィンドウ等で構成されるため、ＣＮＮの内部パラメータの数が少なく、転移学習を行わなくてもある程度の性能を出すことができる。つまり、学習用画像データの数や、学習時間を抑えることができる。

特に、悪性腫瘍の画像識別においては、局所的な輝度や色の不連続性の分布評価が重要である一方、２次元ＣＮＮで考慮されるような局所特徴同士の位置関係はあまり重要ではない。したがって、識別装置１０１のＣＮＮは、通常の２次元ＣＮＮと比較して、少ないパラメータ数で必要十分な情報を抽出することができる。

なお、識別装置１０１の識別部１５はＤＮＮとしてＣＮＮを用いたが、ＣＮＮの代わりにＲＮＮ（Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）等の非固定長のデータを入力可能なＤＮＮを用いてもよい。この場合、学習処理（図８）のステップＳ３０８や、識別処理（図９）のステップＳ４０６のリサンプリングは行わなくてもよくなる。

なお、ＣＮＮ等のＤＮＮを用いて特徴量を抽出する場合、学習処理は上述の学習処理（図８）と同様に行うことができ、特徴量抽出処理も、ステップＳ４０８，Ｓ４０９を除けば、上述の識別処理（図９）と同様に行うことができる。特徴量抽出処理では、ステップＳ４０８の代わりに、ＣＮＮの出力層１１８の値や、ＣＮＮの中間層の特徴マップ（出力層の直前の特徴マップ（図７では、特徴マップ１１７）が望ましい）の値を、特徴量として抽出すればよい。

また、ＣＮＮの出力層１１８の値を特徴量ベクトルとし、当該特徴量ベクトルを利用した距離学習の手法で画像の特徴量を抽出してもよい。この場合、当該特徴量は識別だけで無く、類似検索にも適する特徴量となる。

（第３実施形態）
上述の実施形態では、螺旋のパラメータについて、学習処理においてはランダムに決定し、識別処理においては典型的な値に設定していた。しかし、このように設定された螺旋のパラメータは、識別に有効なパラメータとあまり有効でないパラメータとが入り混じった状態になっていると考えられる。そこで、螺旋のパラメータについて、有効なパラメータを探索する第３実施形態について、説明する。

なお、螺旋のパラメータは、学習処理で決定されるパラメータ（例えば、抽出部１３が抽出する特徴量やＣＮＮの内部の重み等）ではないため、ハイパーパラメータと呼ばれる。また、有効なハイパーパラメータを探索する手法（ハイパーパラメータ最適化手法）としては、グリッドサーチ、ランダムサーチ、ベイズ最適化等が知られているが、第３実施形態ではこれらのうち、ランダムサーチを用いることとする。

第３実施形態に係る識別装置１０２の機能構成は、図１０に示すように、第１実施形態に係る識別装置１００又は第２実施形態に係る識別装置１０１の機能構成に、活性スコア取得部１６及び評価部１７が追加された機能構成である。なお、識別部１５としては、ＳＶＭを用いてもＣＮＮを用いてもよい。

また、第３実施形態に係る識別装置１０２には、学習処理によって学習された識別部１５の識別精度を評価するためのテストデータ（評価用の、画像データと正解ラベルの組）を複数含むテストデータセット（テストデータの集合）が与えられている。識別装置１０２は、このテストデータセットを用いて、何種類もある螺旋のパラメータの中から識別に有効なパラメータを探索する。したがって、このテストデータセットとして、識別装置１０２で識別する対象に応じたものを与えるのが望ましい。例えば、皮膚の診断対象部分を識別装置１０２で識別させる場合、テストデータセットとして、皮膚疾患の画像データとその正解ラベルの組の集合を用いるようにする。

活性スコア取得部１６は、縦方向と横方向とからなる２次元の画像データが入力される２次元のＣＮＮを備え、この２次元ＣＮＮを用いて、入力された画像データの各画素が識別に及ぼす影響の大きさを示す影響度を表した活性化マップを取得する。そして、取得した活性化マップ上で、螺旋の曲線に沿って得られる各画素の値（影響度）に基づいて、当該螺旋を生成する際に用いた螺旋のパラメータの活性スコアを取得する。螺旋のパラメータの活性スコアとは、当該螺旋のパラメータによって得られる螺旋上の画素が識別に及ぼす影響の大きさ示す値であり、後述する活性スコア算出処理によって算出される。

評価部１７は、選択された螺旋のパラメータの評価値である評価スコアを算出する。評価スコアは、当該螺旋のパラメータに基づいて学習した識別部１５の識別精度（及び活性スコア取得部１６が取得した活性スコア）に基づいて、識別部１５による識別における当該螺旋のパラメータの適正度を評価した値である。したがって、評価スコアが高い螺旋のパラメータを用いれば、識別部１５の識別精度が高くなると考えられる。評価部１７は、評価手段として機能する。

識別装置１０２が行う学習処理は、第１実施形態及び第２実施形態の学習処理（図５、図８）と同じ処理であるので、説明を省略する。

また、識別装置１０２が行う識別処理は、第１実施形態及び第２実施形態の識別処理（図６、図９）と、螺旋を定義する処理（図６のステップＳ２０４、図９のステップＳ４０４）を除き、同じ処理である。第３実施形態の螺旋を定義する処理では、特定部１２は、次に説明する最適パラメータ選択処理によって選択された螺旋のパラメータを用いて螺旋を定義する。

したがって、操作入力部３４を介して、ユーザにより、識別装置１０２に対して識別処理の開始が指示されると、識別処理が開始されるが、識別処理の螺旋を定義する処理の直前で最適パラメータ選択処理が開始され、最適パラメータ選択処理の終了後に識別処理の螺旋を定義する処理以降が実行される。

なお、識別処理の開始とともに、最適パラメータ選択処理を並行して実行するようにしてもよい。また、識別処理が開始される前に、例えばユーザにより識別装置１０２に対して最適パラメータ選択処理の開始が指示されると、事前に最適パラメータ選択処理が実行されるようにしてもよい。このようにすれば、識別処理の螺旋を定義する処理においては、特定部１２は、事前に実行された最適パラメータ選択処理によって選択されていた螺旋のパラメータを用いて螺旋を定義することができるので、識別処理の途中で（又は識別処理と並行に）最適パラメータ選択処理を実行する必要がなくなる。

識別装置１０２が行う最適パラメータ選択処理について、図１１を参照して説明する。まず、制御部１０は、螺旋のパラメータ（螺旋の種類、巻き数、向き、角度）をランダムに選択する（ステップＳ５０１）。この処理は、実施形態１に係る学習処理（図５）のステップＳ１０４における螺旋パラメータの設定と同様の処理である。

次に、活性スコア取得部１６は、ステップＳ５０１で選択された螺旋のパラメータの活性スコアＳｍを算出する（ステップＳ５０２）。この処理（活性スコア算出処理）の詳細は後述する。

次に、制御部１０は、ステップＳ５０２で算出された活性スコアＳｍが閾値未満であるか否かを判定する（ステップＳ５０３）。閾値未満なら（ステップＳ５０３；Ｙｅｓ）、ステップＳ５０１に戻る。

閾値を超えているなら（ステップＳ５０３；Ｎｏ）、制御部１０は、学習処理を行う（ステップＳ５０４）。この学習処理は、第１実施形態及び第２実施形態の学習処理（図５、図８）と同様の処理である。ただし、螺旋のパラメータをランダムに設定する処理（図５のステップＳ１０４、図８のステップＳ３０５）においては、設定部１４は、螺旋のパラメータを、完全にランダムに設定するのではなく、ステップＳ５０１で選択された螺旋のパラメータの値を中心として、少しだけ変更する程度にとどめる。

具体的には、ステップＳ５０１で選択された螺旋のパラメータのうち、螺旋の種類は変更しない。また、他のパラメータ（螺旋の巻き数、向き、開始角度）は、ステップＳ５０１で選択されたパラメータを中心とした一定の値の範囲で設定されるようにする。ステップＳ５０１で選択するパラメータ（最適化用パラメータ）は、螺旋のパラメータの全てを様々に変更することで、最適なパラメータを探索するためのものである。これに対し、学習処理のステップＳ１０４（又はステップＳ３０５）で設定されるパラメータは、ステップＳ５０１で選択されたパラメータに対応する学習データを疑似的に増やすためのものなので、螺旋の種類を変えずに、識別領域４２の中を通る場所を変えるようなパラメータが設定されるのが望ましいからである。

次に、評価部１７は、ステップＳ５０１で選択された螺旋のパラメータ（評価用パラメータ）を、ステップＳ５０４で学習された識別部１５の識別精度に基づいて評価する（ステップＳ５０５）。具体的には、評価部１７は、テストデータセットに含まれる各テストデータに対して、上記の螺旋のパラメータ（評価用パラメータ）を用いて特定される螺旋上の領域である評価用線状領域から１次元データを取得する。そして、評価部１７は、取得した１次元データに基づいて識別部１５にテストデータにおける診断対象部分を識別させて識別精度Ｓａ（正解数／テストデータ数）を算出する。そして評価部１７は、算出した識別精度Ｓａを評価スコアＳとする。なお、１つのテストデータの画像データ中に診断対象部分が複数ある場合には、評価部１７は、診断対象部分のそれぞれを識別し、（正解数／全てのテストデータの診断対象部分の和）を識別精度Ｓａとして算出してもよい。

また、評価部１７は、識別精度Ｓａだけでなく、ステップＳ５０２で算出した活性スコアＳｍも用いて、以下の式（１）で評価スコアＳを求めてもよい。ここで、λは０．０＜λ＜１．０となる任意の数であり、識別精度Ｓａと活性スコアＳｍとで加重平均を求めるために設定される。
Ｓ＝（１－λ）Ｓｍ＋λＳａ …（１）

さらに、評価部１７は、識別精度Ｓａや活性スコアＳｍだけでなく、螺旋のパラメータを評価する他の評価値を求め、識別精度Ｓａや活性スコアＳｍに代えて、又は、識別精度Ｓａや活性スコアＳｍとともに、当該他の評価値を用いて評価スコアＳを求めてもよい。

そして、制御部１０は、ステップＳ５０１～ステップＳ５０５を所定回数繰り返し行ったか否かを判定する（ステップＳ５０６）。所定回数繰り返していなければ（ステップＳ５０６；Ｎｏ）、ステップＳ５０１に戻る。所定回数繰り返したなら（ステップＳ５０６；Ｙｅｓ）、制御部１０は、ステップＳ５０５で最も高い評価スコアＳが得られたときの螺旋のパラメータ（最高評価パラメータ）を最適パラメータとして選択し（ステップＳ５０７）、処理を終了する。ステップＳ５０７において、制御部１０は、パラメータ選択手段として機能する。

なお、上述の最適パラメータ選択処理（図１１）では、ステップＳ５０２で算出した活性スコアが閾値未満の場合には、すぐにステップＳ５０１に戻って螺旋のパラメータを選択し直している。しかし、活性スコアが低ければ確実に識別精度Ｓａが低くなるとは言い切れない場合も考えられる。そのような場合に備えて、ステップＳ５０３の処理をスキップし、活性スコアの値によらずに学習処理を行って、学習結果を評価してもよい。

次に、最適パラメータ選択処理のステップＳ５０２で実行される活性スコア算出処理について、図１２を参照して説明する。

まず、制御部１０は、活性スコア取得部１６が備えている２次元のＣＮＮを、記憶部２０に記憶されている学習用画像データを用いて学習させる（ステップＳ５５１）。具体的には、学習用画像データを入力した２次元ＣＮＮから出力される値が当該学習用画像データに付与されている正解ラベルに近づくように、２次元ＣＮＮの内部の重みを修正する処理を所定回数（例えば学習用画像データの数だけ）繰り返すことによって、２次元ＣＮＮを学習させる。次に、制御部１０は、テストデータをカウントするための変数ｉを１に初期化する（ステップＳ５５２）。

そして、活性スコア取得部１６は、ｉ番目のテストデータの画像データの活性化マップＭｉを取得する（ステップＳ５５３）。なお、ここでは活性化マップとして、ＣＡＭ（Ｃｌａｓｓ Ａｃｔｉｖａｔｉｏｎ Ｍａｐｐｉｎｇ）を取得することを想定しているが、それ以外の活性化マップ（例えば、Ｇｒａｄ－ＣＡＭ（Ｇｒａｄｉｅｎｔ－ｗｅｉｇｈｔｅｄ Ｃｌａｓｓ Ａｃｔｉｖａｔｉｏｎ Ｍａｐｐｉｎｇ）、Ｇｕｉｄｅｄ Ｇｒａｄ－ＣＡＭ等）を取得してもよい。ただし、いずれの場合も、活性化マップＭｉの各画素値は、０以上１以下に正規化されているものとする。すなわち、当該画素が識別に全く影響を及ぼさないなら０であり、影響を及ぼす度合が大きいほど１に近い値であるものとする。

次に、活性スコア取得部１６は、取得した活性化マップＭｉの上で、最適化パラメータ選択処理（図１１）のステップＳ５０１で選択された螺旋のパラメータを用いて螺旋を描き、その螺旋に沿って画素値を取得していき、取得した画素値を平均した値Ｓｍｉを取得する（ステップＳ５５４）。

そして、制御部１０は、変数ｉに１を加算し（ステップＳ５５５）、変数ｉがテストデータ数よりも大きいか否かを判定する（ステップＳ５５６）。変数ｉがテストデータ数以下なら（ステップＳ５５６；Ｎｏ）、ステップＳ５５３に戻り、ステップＳ５５３～ステップＳ５５５を、変数ｉがテストデータ数よりも大きくなるまで繰り返す。

そして、変数ｉがテストデータ数よりも大きくなると（ステップＳ５５６；Ｙｅｓ）、それまでに取得されたテストデータ数分のＳｍｉを平均することによって、活性スコアＳｍを算出して取得する（ステップＳ５５７）。また、活性スコア算出処理を終了して、最適パラメータ選択処理のステップＳ５０３から処理を進める。

なお、上述のステップＳ５５１ではテストデータの画像データをそのまま用いて２次元ＣＮＮを（通常の２次元ＣＮＮ学習処理で）学習させることを想定しており、上述のステップＳ５５３では、活性化マップの作成は、テストデータの画像データ１つに対して１つの活性化マップ（通常の活性化マップ）を取得することを想定している。

このようにテストデータの画像データをそのまま用いるのに代えて、図５や図８で説明した学習処理のように、画像データから診断対象部分を含む矩形領域を２次元ＣＮＮの学習用及び活性化マップ作成用として切り出してもよい。この場合、上述のステップＳ５５１では、このように切り出した各矩形領域のサイズを２次元ＣＮＮのサイズに正規化したものを用いて２次元ＣＮＮを学習させてもよい。また、上述のステップＳ５５４では、このように切り出した各矩形領域についてそれぞれ１つの活性化マップを取得するようにしてもよい。画像データ全体における診断対象部分の面積の割合が小さい場合には、矩形領域を切り出して２次元ＣＮＮの学習や、活性化マップの取得を行った方が、活性スコアの算出精度が上がると考えられる。また、画像データをそのまま用いる場合と矩形領域を切り出す場合とでそれぞれ活性スコアを算出し、その平均値に基づいて螺旋のパラメータを評価してもよい。

以上説明した最適パラメータ選択処理により第３実施形態に係る識別処理では、評価スコアが最も高い螺旋のパラメータ（最高評価パラメータ）で定義された螺旋を用いて識別が行われるので、識別装置１０２の識別精度を高めることができる。

評価スコアとしては、テストデータセットに対する識別部１５の識別精度Ｓａを用いることで、テストデータと性質の近い識別対象について識別精度を向上させる可能性が高い螺旋のパラメータを選択することができる。また、識別精度Ｓａの算出には時間がかかるが、評価スコアとして活性スコアＳｍを用いることで、比較的短時間で識別精度向上に有効と考えられる螺旋のパラメータを選択することができる。

なお、上述の最適パラメータ選択処理では、ハイパーパラメータ最適化手法の中で、ランダムサーチを用いてパラメータの探索を行ったが、他の手法を用いてもよい。例えば、グリッドサーチを用いるなら、ステップＳ５０１の処理において、螺旋のパラメータをランダムに選択する代わりに、全てのパラメータの全ての組合せを１つ１つ順番に選択していくことになる。

また、上述の最適パラメータ選択処理（図１１）では、評価部１７は、活性スコアＳｍと識別精度Ｓａの両方を算出しているが、必ずしもこの両方を算出しなければいけないわけではない。評価部１７は、最適パラメータ選択処理において、活性スコアＳｍと識別精度Ｓａのどちらか一方の値を算出し、算出した値を評価スコアＳとしてもよい。活性スコアＳｍを評価スコアＳとする場合、最適パラメータ選択処理のステップＳ５０４はスキップでき、ステップＳ５０５で評価部１７は、ステップＳ５０２で算出された活性スコアＳｍを評価スコアＳとして螺旋のパラメータを評価する。

なお、上述の最適パラメータ選択処理は、識別処理の際の螺旋のパラメータとして、最適なパラメータを選択するための処理として説明した。しかし、第２実施形態の識別処理を特徴抽出処理として用いる場合にも用いることができる。この場合、特定部１２は、螺旋を定義する処理（図９のステップＳ４０４）において、最適パラメータ選択処理で選択された螺旋のパラメータを用いて螺旋を定義する。

（変形例）
上記の実施形態では、画素値に基づく１次元データを取得する際の「互いに異なる複数の方向に延びる線」として螺旋状の曲線を採用した。螺旋は、連続した線状領域を長くとることができるので、大域的な特徴を捉えることが可能で、しかも（断点がない分だけ）多くの局所特徴を捉えることが可能だからである。しかし、「互いに異なる複数の方向に延びる線」を、螺旋状の曲線に限る必要はない。

例えば、識別領域の中心付近から放射状に延びる複数の直線、識別領域内の任意の（ランダムな）２点間を結ぶ複数の直線、識別領域の中心付近を中心とする同心楕円（同心円を含む）等を用いてもよい。これらの線の場合、線が複数となるが、複数の線をつなげて１つの長い線として１次元データとするのではなく、各線をつなげずに（ＲＧＢ等と同様に）それぞれ別のチャネルの１次元データとして扱うようにするのが望ましい。これらは、１つの螺旋とは異なり、連続した線ではないので、連続している部分のみを１チャネル分の１次元データとした方が各線に存在する特徴をうまく捉えることができると考えられるからである。

螺旋や上述した放射状に延びる複数の直線、ランダムな複数の直線、同心楕円等は、線上の局所領域の方向が複数の方向を向いているため、識別対象の回転に対してロバストであり、識別対象に存在する特徴を見逃しにくいという特長がある。また、ダーモスコピー診断においては、平行する構造特徴を利用する場合があるが、上述した種々の線は、複数の方向を持つことにより、このような構造特徴を見逃すことなく捉えることができるという特長がある。また、特に、螺旋及び同心楕円は、ダーモスコピー画像において、疾患領域の輪郭等の特徴に合う円周方向の特徴をとらえやすいという特長がある。

上述した「互いに異なる複数の方向に延びる線」（螺旋状の曲線に限らない）を用いる場合、例えば、学習処理（図５）のステップＳ１０４では、設定部１４は、上述の「互いに異なる複数の方向に延びる線」（螺旋状の曲線に限らない）を規定するパラメータをランダムに設定する。そして、ステップＳ１０５では、特定部１２は、設定部１４が設定したパラメータを用いて、識別領域４２の中心付近から識別領域４２内において延ばした「互いに異なる複数の方向に延びる線」を定義する。そして、ステップＳ１０６では、抽出部１３は、特定部１２が定義した当該「互いに異なる複数の方向に延びる線」に沿って画素値を取得する。これらの処理は、学習処理（図８）のステップＳ３０５～Ｓ３０７、識別処理（図６）のステップＳ２０４～Ｓ２０５、識別処理（図９）のステップＳ４０４～Ｓ４０５、においても同様である。

また、上述の最適パラメータ選択処理（図１１）では、ステップＳ５０１で制御部１０は、螺旋のパラメータをランダムに選択しているが、これは一例である。「互いに異なる複数の方向に延びる線」として螺旋状の曲線以外の線を用いる場合は、ステップＳ５０１で、制御部１０は、そのような線を規定するパラメータをランダムに選択してもよい。この場合、活性スコア算出処理（図１２）のステップＳ５５４では、活性スコア取得部１６は、ステップＳ５０１で選択されたパラメータで規定された「互いに異なる複数の方向に延びる線」に沿って画素値を取得していき、取得した画素値を平均した値Ｓｍｉを取得する。これにより、ステップＳ５０７で、制御部１０は、螺旋以外のパラメータについても、最も高い評価スコアＳが得られたときのパラメータを最適パラメータとして選択できるようになる。

上述の実施形態では、識別部１５のモデルとして、ＳＶＭやＣＮＮを用いて説明したが、これらの代わりに、決定木等を用いてもよい。また、第３実施形態では、活性化マップとしてＣＮＮのＣＡＭ、Ｇｒａｄ－ＣＡＭ、Ｇｕｉｄｅｄ Ｇｒａｄ－ＣＡＭを例示したが、活性スコア取得部１６が用いる活性化マップはこれらに限定されない。例えば、活性スコア取得部１６は、ＲＮＮの活性化マップを取得してもよいし、Ｓａｌｉｅｎｃｙ Ｍａｐを活性化マップとして取得してもよい。Ｓａｌｉｅｎｃｙ Ｍａｐを活性化マップとして取得する場合、活性化マップＭｉの各画素値は、各画素値で構成される画像を見た人間の視線が向く確率に応じて、０以上１以下の値を取る。すなわち、当該画素に全く人間の視線が向かないなら０であり、人間の視線が向く確率が高いほど１に近い値であるものとする。また、Ｓａｌｉｅｎｃｙ Ｍａｐを活性化マップとして取得する場合には、本発明における所定の対象が、人間の目につきやすい対象、例えば、構造物の錆や、青果の腐敗部分、識別装置で識別される商品などといった対象であるときに、本発明による効果をより有効に得ることができる。

（画像データの変形例）
また、上述の実施形態及び変形例において、画像入力部３１が取得する画像データは、通常の可視光画像に限られない。撮影時に診断対象部分に照射する光としては、白色光（可視光の各波長の光が均等に混じった光。）、紫色付近の可視光と紫外光（非可視光）とを含む波長域の光（例えば、波長が３２０ｎｍ～４４０ｎｍ、好ましくは、４０５ｎｍの光。）、近赤外光を含む赤外光（例えば、波長が７５０ｎｍ～１０００ｎｍ、好ましくは、９４５ｎｍの光。）及びこれらを混合した光のいずれを用いてもよい。また、診断対象部分からの光（上述の光を照射したときに診断対象部分で反射した光、及び、照射した光により診断対象部分で発生した蛍光光）を画像入力部３１の受光デバイスで受光する際も、これらの複数の種類の光（可視光、紫外光、赤外光）のいずれか又はこれら複数の光の任意の組合せを受光して画像データを取得することができる。

例えば、紫外光を照射した診断対象部分からの紫外光を受光して得られる紫外線画像では、皮膚のしみを観察することができる。また、赤外光を照射した診断対象部分からの赤外光を受光して得られる赤外線画像では、血管の様子を観察することができる。したがって、これらの画像（紫外線画像、赤外線画像等）を通常の可視光画像に加えることで識別精度が向上する場合も考えられる。

具体的には、紫外線画像や赤外線画像においても上述の実施形態で説明したのと同様に、螺旋を定義し、螺旋の曲線に沿って順に画素値（例えば紫外光や赤外光の強度を表す値）を取得して構成される１次元データを取得する。そして、取得した１次元データをチャネル方向に追加する（ＲＧＢ等と同様にそれぞれ別のチャネルの１次元データとして扱う）。そして得られた複数チャネルの１次元データを用いた学習処理及び識別処理は、上述のＣＮＮによる学習処理（図８）や識別処理（図９）と同様に行うことができる。なお、紫外線画像や赤外線画像は単体で用いてもよいし、他の画像（可視光画像、赤外線画像、紫外線画像等）と組み合わせて使用してもよい。

なお、識別装置１００，１０１，１０２の各機能は、通常のＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）等のコンピュータによっても実施することができる。具体的には、上記実施形態では、識別装置１００，１０１，１０２が行う学習処理及び検索処理のプログラムが、記憶部２０のＲＯＭに予め記憶されているものとして説明した。しかし、プログラムを、フレキシブルディスク、ＣＤ－ＲＯＭ（Ｃｏｍｐａｃｔ Ｄｉｓｃ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ）、ＭＯ（Ｍａｇｎｅｔｏ－Ｏｐｔｉｃａｌ ｄｉｓｃ）、メモリカード、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）メモリ等のコンピュータ読み取り可能な記録媒体に格納して配布し、そのプログラムをコンピュータに読み込んでインストールすることにより、上述の各機能を実現することができるコンピュータを構成してもよい。

以上、本発明の好ましい実施形態について説明したが、本発明は係る特定の実施形態に限定されるものではなく、本発明には、特許請求の範囲に記載された発明とその均等の範囲が含まれる。以下に、本願出願の当初の特許請求の範囲に記載された発明を付記する。

（付記１）
所定の対象を撮像した撮像画像を取得する取得手段と、
前記取得手段で取得された撮像画像における前記所定の対象を含む領域から、互いに異なる複数の方向に延びる線状の領域を特定する特定手段と、
前記特定手段で特定された線状の領域から、画素値に基づく特徴量を抽出する抽出手段と、
を備えることを特徴とする特徴量抽出装置。

（付記２）
前記線状の領域は、螺旋状の領域であることを特徴とする、
付記１に記載の特徴量抽出装置。

（付記３）
前記螺旋状の領域の螺旋を規定するパラメータをランダムに設定する設定手段をさらに備えることを特徴とする、
付記２に記載の特徴量抽出装置。

（付記４）
前記所定の対象は、人の皮膚のうちの診断の対象となる診断対象部分であることを特徴とする、
付記１から３の何れか１つに記載の特徴量抽出装置。

（付記５）
前記抽出手段は、前記特定された線状の領域の画素値を１次元データとして取得し、前記１次元データに対して所定の統計値を計算して前記特徴量を抽出することを特徴とする、
付記１から４の何れか１つに記載の特徴量抽出装置。

（付記６）
前記抽出手段は、前記特定された線状の領域の画素値を所定の色空間における第１成分、第２成分及び第３成分それぞれの１次元データとして取得し、前記第１成分と前記第２成分それぞれの前記１次元データの分散、前記第１成分と前記第２成分と前記第３成分それぞれの前記１次元データの回帰直線の傾き及び寄与率、前記１次元データ同士の差の絶対値の分散、前記１次元データ同士の比のうち前記第１成分／前記第２成分及び前記第１成分／前記第３成分の回帰直線の傾き及び寄与率、前記１次元データの最大値と最小値の差、の合計１６の値のうちの少なくとも１つを特徴量として抽出することを特徴とする、
付記５に記載の特徴量抽出装置。

（付記７）
前記抽出手段は、前記特定された線状の領域の画素値を１次元データとして取得し、前記１次元データを１次元コンボリューショナルニューラルネットワークに入力して前記特徴量を抽出することを特徴とする、
付記１から４の何れか１つに記載の特徴量抽出装置。

（付記８）
さらに、前記線状の領域を特定するパラメータの適正度を評価した値である評価値を算出する評価手段を備え、
前記特定手段は、複数の前記パラメータの中から、前記評価手段で算出された評価値が最も高い前記パラメータである最高評価パラメータを選択し、前記選択した最高評価パラメータを用いて前記線状の領域を特定する、
付記７に記載の特徴量抽出装置。

（付記９）
所定の対象を撮像した撮像画像を取得する取得手段と、
前記取得手段で取得された撮像画像における前記所定の対象を含む領域から、互いに異なる複数の方向に延びる線状の領域を特定する特定手段と、
前記特定手段で特定された線状の領域から、画素値に基づく１次元データを取得する１次元データ取得手段と、
前記１次元データ取得手段で取得された１次元データに基づいて前記所定の対象を識別する識別手段と、
を備えることを特徴とする識別装置。

（付記１０）
前記線状の領域は、螺旋状の領域であることを特徴とする、
付記９に記載の識別装置。

（付記１１）
前記特定手段は、前記螺旋状の領域の螺旋を規定するパラメータをランダムに設定し、前記ランダムに設定したパラメータで規定された螺旋を用いて前記螺旋状の領域を特定することを特徴とする、
付記１０に記載の識別装置。

（付記１２）
さらに、前記線状の領域を特定するパラメータの適正度を評価した値である評価値を算出する評価手段を備え、
前記特定手段は、複数の前記パラメータの中から、前記評価手段で算出された評価値が最も高い前記パラメータである最高評価パラメータを選択し、前記選択した最高評価パラメータを用いて前記線状の領域を特定する、
付記９又は１０に記載の識別装置。

（付記１３）
前記評価手段は、
前記特定手段に、互いに異なる複数の前記パラメータから評価用パラメータを選択させるとともに、前記選択させた評価用パラメータを用いて、評価用の画像データにおける所定の対象を含む領域から前記線状の領域を特定させ、
前記１次元データ取得手段に、前記特定手段により前記評価用パラメータを用いて特定された前記線状の領域である評価用線状領域から前記１次元データを取得させ、
前記識別手段に、前記１次元データ取得手段により前記評価用線状領域から取得された前記１次元データに基づいて前記評価用の画像データにおける前記所定の対象を識別させ、
前記評価用線状領域から取得された前記１次元データに基づく前記識別手段の識別精度を算出し、前記識別精度に基づいて前記評価値を算出し、前記識別精度及び前記評価値の算出を、前記複数のパラメータの各々について行う、
付記１２に記載の識別装置。

（付記１４）
前記評価手段は、評価用の画像データを用いて各画素が識別に及ぼす影響の大きさを示す影響度を表した活性化マップを取得し、前記活性化マップ上で前記線状の領域から得られる各画素の前記影響度に基づいて、前記評価値を算出する、
付記１２又は１３に記載の識別装置。

（付記１５）
前記所定の対象は、人の皮膚のうちの診断の対象となる診断対象部分であることを特徴とする、
付記９から１４の何れか１つに記載の識別装置。

（付記１６）
前記識別手段は、前記１次元データに基づく入力データを入力とし、かつ、前記所定の対象の識別結果を出力とするように機械学習されたモデルに従って、前記所定の対象を識別することを特徴とする、
付記９から１５の何れか１つに記載の識別装置。

（付記１７）
さらに、前記１次元データ取得手段で取得された１次元データに対して所定の統計値を計算して特徴量を抽出する抽出手段を備え、
前記識別手段は前記特徴量を前記モデルとしてのサポートベクターマシンに入力して前記所定の対象を識別することを特徴とする、
付記１６に記載の識別装置。

（付記１８）
前記識別手段は前記１次元データ取得手段で取得された１次元データを前記モデルとしての１次元コンボリューショナルニューラルネットワークに入力して前記所定の対象を識別することを特徴とする、
付記１６に記載の識別装置。

（付記１９）
所定の対象を撮像した撮像画像を取得する取得ステップと、
前記取得ステップで取得された撮像画像における前記所定の対象を含む領域から、互いに異なる複数の方向に延びる線状の領域を特定する特定ステップと、
前記特定ステップで特定された線状の領域から、画素値に基づく特徴量を抽出する抽出ステップと、
を備えることを特徴とする特徴量抽出方法。

（付記２０）
所定の対象を撮像した撮像画像を取得する取得ステップと、
前記取得ステップで取得された撮像画像における前記所定の対象を含む領域から、互いに異なる複数の方向に延びる線状の領域を特定する特定ステップと、
前記特定ステップで特定された線状の領域から、画素値に基づく１次元データを取得する１次元データ取得ステップと、
前記１次元データ取得ステップで取得された１次元データに基づいて前記所定の対象を識別する識別ステップと、
を備えることを特徴とする識別方法。

（付記２１）
コンピュータに、
所定の対象を撮像した撮像画像を取得する取得ステップ、
前記取得ステップで取得された撮像画像における前記所定の対象を含む領域から、互いに異なる複数の方向に延びる線状の領域を特定する特定ステップ、及び、
前記特定ステップで特定された線状の領域から、画素値に基づく特徴量を抽出する抽出ステップ、
を実行させるためのプログラム。

（付記２２）
コンピュータに、
所定の対象を撮像した撮像画像を取得する取得ステップ、
前記取得ステップで取得された撮像画像における前記所定の対象を含む領域から、互いに異なる複数の方向に延びる線状の領域を特定する特定ステップ、
前記特定ステップで特定された線状の領域から、画素値に基づく１次元データを取得する１次元データ取得ステップ、及び、
前記１次元データ取得ステップで取得された１次元データに基づいて前記所定の対象を識別する識別ステップ、
を実行させるためのプログラム。

１０…制御部、１１…取得部、１２…特定部、１３…抽出部、１４…設定部、１５…識別部、１６…活性スコア取得部、１７…評価部、２０…記憶部、３１…画像入力部、３２…出力部、３３…通信部、３４…操作入力部、４１…対象領域、４１ａ，４１ｂ…領域、４２…識別領域、４３…曲線、１００，１０１，１０２…識別装置、１１１…入力層、１１２，１１３，１１４，１１５，１１６，１１７…特徴マップ、１１８…出力層、１２１，１２３，１２４，１２５…フィルタ、１２２，１２６…ウィンドウ、１２７…全結合接続

Claims (20)

1. 所定の対象を撮像した撮像画像を取得する取得手段と、
   前記取得手段で取得された撮像画像における前記所定の対象を含む領域から、曲線を規定するパラメータがランダムに設定された螺旋状の曲線の領域を特定する特定手段と、
   前記特定手段で特定された螺旋状の曲線の領域から、画素値に基づく特徴量を抽出する抽出手段と、
   を備えることを特徴とする特徴量抽出装置。
2. 所定の対象を撮像した撮像画像を取得する取得手段と、
   前記取得手段で取得された撮像画像における前記所定の対象を含む領域から、互いに異なる複数の方向に延びる線状の領域を特定する特定手段と、
   前記特定手段で特定された線状の領域の画素値を所定の色空間における第１成分、第２成分及び第３成分それぞれの１次元データとして取得し、前記第１成分と前記第２成分それぞれの前記１次元データの分散、前記第１成分と前記第２成分と前記第３成分それぞれの前記１次元データの回帰直線の傾き及び寄与率、前記１次元データ同士の差の絶対値の分散、前記１次元データ同士の比のうち前記第１成分／前記第２成分及び前記第１成分／前記第３成分の回帰直線の傾き及び寄与率、前記１次元データの最大値と最小値の差、の合計１６の値のうちの少なくとも１つを特徴量として抽出する抽出手段と、
   を備えることを特徴とする 特徴量抽出装置。
3. 前記抽出手段は、前記特定された螺旋状の曲線の領域の画素値を１次元データとして取得し、前記１次元データを１次元コンボリューショナルニューラルネットワークに入力して前記特徴量を抽出することを特徴とする、
   請求項１に記載の特徴量抽出装置。
4. 前記螺旋状の曲線の領域を特定するパラメータを学習した識別部の識別精度に基づいて、前記パラメータの適正度を評価した値である評価値を算出する評価手段をさらに備え、
   前記特定手段は、複数の前記パラメータの中から、前記評価手段で算出された評価値が最も高い前記パラメータである最高評価パラメータを選択し、前記選択した最高評価パラメータを用いて前記螺旋状の曲線の領域を特定することを特徴とする、
   請求項１又は３に記載の特徴量抽出装置。
5. 前記所定の対象は、人の皮膚のうちの診断の対象となる診断対象部分であることを特徴とする、
   請求項に１から４の何れか１項に記載の特徴量抽出装置。
6. 所定の対象を撮像した撮像画像を取得する取得手段と、
   前記取得手段で取得された撮像画像における前記所定の対象を含む領域から、曲線を規定するパラメータがランダムに設定された螺旋状の曲線の領域を特定する特定手段と、
   前記特定手段で特定された螺旋状の曲線の領域から、画素値に基づく１次元データを取得する１次元データ取得手段と、
   前記１次元データ取得手段で取得された１次元データに基づいて前記所定の対象を識別する識別手段と、
   を備えることを特徴とする識別装置。
7. 前記螺旋状の曲線の領域を特定するパラメータを学習した識別部の識別精度に基づいて、前記パラメータの適正度を評価した値である評価値を算出する評価手段をさらに備え、
   前記特定手段は、複数の前記パラメータの中から、前記評価手段で算出された評価値が最も高い前記パラメータである最高評価パラメータを選択し、前記選択した最高評価パラメータを用いて前記螺旋状の曲線の領域を特定することを特徴とする、
   請求項６に記載の識別装置。
8. 所定の対象を撮像した撮像画像を取得する取得手段と、
   前記取得手段で取得された撮像画像における前記所定の対象を含む領域から、互いに異なる複数の方向に延びる線状の領域を特定する特定手段と、
   前記特定手段で特定された線状の領域から、画素値に基づく１次元データを取得する１次元データ取得手段と、
   前記１次元データ取得手段で取得された１次元データに基づいて前記所定の対象を識別する識別手段と、
   前記線状の領域を特定するパラメータの適正度を評価した値である評価値を算出する評価手段と、
   を備え、
   前記特定手段は、前記線状の領域を特定する複数のパラメータの中から、前記評価手段で算出された評価値が最も高い最高評価パラメータを選択し、前記選択した最高評価パラメータを用いて前記線状の領域を特定し、
   前記評価手段は、
   前記特定手段に互いに異なる複数の前記パラメータから評価用パラメータを選択させるとともに、前記選択させた評価用パラメータを用いて評価用の画像データにおける所定の対象を含む領域から前記線状の領域を特定させ、
   前記１次元データ取得手段に前記特定手段により前記評価用パラメータを用いて特定された前記線状の領域である評価用線状領域から前記１次元データを取得させ、
   前記識別手段に前記１次元データ取得手段により前記評価用線状領域から取得された前記１次元データに基づいて前記評価用の画像データにおける前記所定の対象を識別させ、
   前記評価用線状領域から取得された前記１次元データに基づく前記識別手段の識別精度を算出し、前記識別精度に基づいて前記評価値を算出し、前記識別精度及び前記評価値の算出を、前記複数のパラメータの各々について行うことを特徴とする識別装置。
9. 前記所定の対象は、人の皮膚のうちの診断の対象となる診断対象部分であることを特徴とする、
   請求項６から８の何れか１項に記載の識別装置。
10. 前記識別手段は、前記１次元データに基づく入力データを入力とし、かつ、前記所定の対象の識別結果を出力とするように機械学習されたモデルに従って、前記所定の対象を識別することを特徴とする、
    請求項６から９の何れか１項に記載の 識別装置。
11. さらに、前記１次元データ取得手段で取得された１次元データに対して所定の統計値を計算して特徴量を抽出する抽出手段を備え、
    前記識別手段は前記特徴量を前記モデルとしてのサポートベクターマシンに入力して前記所定の対象を識別することを特徴とする、
    請求項１０に記載の識別装置。
12. 前記識別手段は前記１次元データ取得手段で取得された１次元データを前記モデルとしての１次元コンボリューショナルニューラルネットワークに入力して前記所定の対象を識別することを特徴とする、
    請求項１０に記載の識別装置。
13. 特徴量抽出装置が実行する特徴量抽出方法であって、
    所定の対象を撮像した撮像画像を取得する取得ステップと、
    前記取得ステップで取得された撮像画像における前記所定の対象を含む領域から、曲線を規定するパラメータがランダムに設定された螺旋状の曲線の領域を特定する特定ステップと、
    前記特定ステップで特定された螺旋状の曲線の領域から、画素値に基づく特徴量を抽出する抽出ステップと、
    を含むことを特徴とする特徴量抽出方法。
14. 特徴量抽出装置が実行する特徴量抽出方法であって、
    所定の対象を撮像した撮像画像を取得する取得ステップと、
    前記取得ステップで取得された撮像画像における前記所定の対象を含む領域から、互いに異なる複数の方向に延びる線状の領域を特定する特定ステップと、
    前記特定ステップで特定された線状の領域の画素値を所定の色空間における第１成分、第２成分及び第３成分それぞれの１次元データとして取得し、前記第１成分と前記第２成分それぞれの前記１次元データの分散、前記第１成分と前記第２成分と前記第３成分それぞれの前記１次元データの回帰直線の傾き及び寄与率、前記１次元データ同士の差の絶対値の分散、前記１次元データ同士の比のうち前記第１成分／前記第２成分及び前記第１成分／前記第３成分の回帰直線の傾き及び寄与率、前記１次元データの最大値と最小値の差、の合計１６の値のうちの少なくとも１つを特徴量として抽出する抽出ステップと、
    を含むことを特徴とする特徴量抽出方法。
15. 識別装置が実行する識別方法であって、
    所定の対象を撮像した撮像画像を取得する取得ステップと、
    前記取得ステップで取得された撮像画像における前記所定の対象を含む領域から、曲線を規定するパラメータがランダムに設定された螺旋状の曲線の領域を特定する特定ステップと、
    前記特定ステップで特定された螺旋状の曲線の領域から、画素値に基づく１次元データを取得する１次元データ取得ステップと、
    前記１次元データ取得ステップで取得された１次元データに基づいて前記所定の対象を識別する識別ステップと、
    を含むことを特徴とする識別方法。
16. 識別装置が実行する識別方法であって、
    所定の対象を撮像した撮像画像を取得する取得ステップと、
    前記取得ステップで取得された撮像画像における前記所定の対象を含む領域から、互いに異なる複数の方向に延びる線状の領域を特定する特定ステップと、
    前記特定ステップで特定された線状の領域から、画素値に基づく１次元データを取得する１次元データ取得ステップと、
    前記１次元データ取得ステップで取得された１次元データに基づいて前記所定の対象を識別する識別ステップと、
    前記線状の領域を特定するパラメータの適正度を評価した値である評価値を算出する評価ステップと、を含み、
    前記特定ステップは、前記線状の領域を特定する複数のパラメータの中から、前記評価ステップで算出された評価値が最も高い最高評価パラメータを選択し、前記選択した最高評価パラメータを用いて前記線状の領域を特定し、
    前記評価ステップは、
    前記特定ステップにて互いに異なる複数の前記パラメータから評価用パラメータを選択させるとともに、前記選択させた評価用パラメータを用いて評価用の画像データにおける所定の対象を含む領域から前記線状の領域を特定させ、
    前記１次元データ取得ステップにて、前記特定ステップにて前記評価用パラメータを用いて特定された前記線状の領域である評価用線状領域から前記１次元データを取得させ、
    前記識別ステップにて、前記１次元データ取得ステップにて前記評価用線状領域から取得された前記１次元データに基づいて前記評価用の画像データにおける前記所定の対象を識別させ、
    前記評価用線状領域から取得された前記１次元データに基づく前記識別ステップでの識別精度を算出し、前記識別精度に基づいて前記評価値を算出し、前記識別精度及び前記評価値の算出を、前記複数のパラメータの各々について行うことを特徴とする識別方法。
17. コンピュータに、
    所定の対象を撮像した撮像画像を取得する取得ステップ、
    前記取得ステップで取得された撮像画像における前記所定の対象を含む領域から、曲線を規定するパラメータがランダムに設定された螺旋状の曲線の領域を特定する特定ステップ、及び、
    前記特定ステップで特定された螺旋状の曲線の領域から、画素値に基づく特徴量を抽出する抽出ステップ、
    を実行させるためのプログラム。
18. コンピュータに、
    所定の対象を撮像した撮像画像を取得する取得ステップ、
    前記取得ステップで取得された撮像画像における前記所定の対象を含む領域から、互いに異なる複数の方向に延びる線状の領域を特定する特定ステップ、
    前記特定ステップで特定された線状の領域の画素値を所定の色空間における第１成分、第２成分及び第３成分それぞれの１次元データとして取得し、前記第１成分と前記第２成分それぞれの前記１次元データの分散、前記第１成分と前記第２成分と前記第３成分それぞれの前記１次元データの回帰直線の傾き及び寄与率、前記１次元データ同士の差の絶対値の分散、前記１次元データ同士の比のうち前記第１成分／前記第２成分及び前記第１成分／前記第３成分の回帰直線の傾き及び寄与率、前記１次元データの最大値と最小値の差、の合計１６の値のうちの少なくとも１つを特徴量として抽出する抽出ステップ、
    を実行させるためのプログラム。
19. コンピュータに、
    所定の対象を撮像した撮像画像を取得する取得ステップ、
    前記取得ステップで取得された撮像画像における前記所定の対象を含む領域から、曲線を規定するパラメータがランダムに設定された螺旋状の曲線の領域を特定する特定ステップ、
    前記特定ステップで特定された螺旋状の曲線の領域から、画素値に基づく１次元データを取得する１次元データ取得ステップ、及び、
    前記１次元データ取得ステップで取得された１次元データに基づいて前記所定の対象を識別する識別ステップ、
    を実行させるためのプログラム。
20. コンピュータに、
    所定の対象を撮像した撮像画像を取得する取得ステップ、
    前記取得ステップで取得された撮像画像における前記所定の対象を含む領域から、互いに異なる複数の方向に延びる線状の領域を特定する特定ステップ、
    前記特定ステップで特定された線状の領域から、画素値に基づく１次元データを取得する１次元データ取得ステップ、
    前記１次元データ取得ステップで取得された１次元データに基づいて前記所定の対象を識別する識別ステップ、
    前記線状の領域を特定するパラメータの適正度を評価した値である評価値を算出する評価ステップ、
    を実行させ、
    前記特定ステップは、前記線状の領域を特定する複数のパラメータの中から、前記評価手段で算出された評価値が最も高い最高評価パラメータを選択し、前記選択した最高評価パラメータを用いて前記線状の領域を特定し、
    前記評価ステップは、
    前記特定ステップにて互いに異なる複数の前記パラメータから評価用パラメータを選択させるとともに、前記選択させた評価用パラメータを用いて評価用の画像データにおける所定の対象を含む領域から前記線状の領域を特定させ、
    前記１次元データ取得ステップにて、前記特定ステップにて前記評価用パラメータを用いて特定された前記線状の領域である評価用線状領域から前記１次元データを取得させ、
    前記識別ステップにて、前記１次元データ取得ステップにて前記評価用線状領域から取得された前記１次元データに基づいて前記評価用の画像データにおける前記所定の対象を識別させ、
    前記評価用線状領域から取得された前記１次元データに基づく前記識別ステップでの識別精度を算出し、前記識別精度に基づいて前記評価値を算出し、前記識別精度及び前記評価値の算出を、前記複数のパラメータの各々について行うためのプログラム。

Images