18日前

DTP-Net:皮膚科マクロ画像における病変の局在化のためのしきい値を予測する畳み込みニューラルネットワークモデル

{Malaya Kumar Nath, M Vipin Das, Justin Joseph, Vipin Venugopal}
要約

皮膚の高解像度画像(通常のカメラで撮影されたマクロ画像)は、皮膚科分野で広く利用されている。これらのマクロ画像は高解像度な視野を有しており、病変領域と背景領域のみを含むため、病変の局在化は単純なしきい値処理(thresholding)問題として扱える。しかし、異なる皮膚科マクロ画像においても一貫した性能を発揮しつつ、正確なしきい値推定を可能にするアルゴリズムは稀である。本論文では、この課題に対処するため、「Deep Threshold Prediction Network(DTP-Net)」と呼ばれる深層学習モデルを提案する。モデルの学習にあたっては、マクロ画像のグレースケール版を入力とし、セグメンテーション結果画像と正解画像(ground-truth)との間のDice類似係数(Dice Similarity Index, DSI)が最大となるグレースケールのしきい値をターゲットとして定義している。評価結果によれば、DTP-Netは、Otsuのしきい値法、谷底強調Otsu法、Isodata法、ヒストグラム勾配差分布に基づくしきい値法、最小誤差しきい値法、ポアソン分布に基づく最小誤差しきい値法、Kapurの最大エントロピー法、エントロピー重み付きOtsu法、最小交差エントロピー法、Type-2ファジィベースしきい値法、ファジーエントロピー法を含む11種類の最先端しきい値推定アルゴリズムと比較して、予測しきい値における平均二乗誤差(Root Mean Square Error, RMSE)が最小であった。DTP-Netは、強度空間における病変領域と背景領域の差異を学習し、病変と背景を正確に分離するための適切なしきい値を予測する能力を有している。本研究で提案するDTP-Netは、皮膚癌を皮膚科マクロ画像から自動検出するツールにおけるセグメンテーションモジュールに統合可能であり、臨床応用の可能性を示している。

DTP-Net:皮膚科マクロ画像における病変の局在化のためのしきい値を予測する畳み込みニューラルネットワークモデル | 最新論文 | HyperAI超神経