A Functional Data Framework For Analyzing Shapes and Textures in Images

技術要約：画像内の形状とテクスチャを分析するための関数的データフレームワーク

問題提起
本論文は、統計的な画像解析における課題、特にピクセルベースの表現の限界に対処している。医療診断から農学に至るまで、画像は多様なアプリケーションで利用可能となっているが、画像を複雑な相関構造を持つ高次元行列として扱うことは、古典的な統計手法を不適切にする。また、畳み込みニューラルネットワーク（CNN）のような支配的な手法は効果的ではあるものの、計算コストが高く、解釈性に欠けるという問題がある。著者らは、取得技術がより詳細な画像を生み出すにつれ、ピクセルベースのモデルの計算負荷が増大するため、物体の輪郭やテクスチャの連続性を尊重する「質素な（frugal）」統計的手法の開発が必要であると主張している。

手法
提案されたフレームワークは、画像を離散的なピクセルグリッドから、連続的な確率関数の観測値へと捉える関数的データ解析（FDA）の視点へと転換させる。この手法は以下の段階を経て進行する：

1. 画像セグメンテーションと輪郭抽出：
   プロセスは、画像 $I$ 内の単一の物体を特定してシルエット $I'$ を得ることから始まる。物体の境界は、閉じた平面曲線 $C: [0, 1] \to \mathbb{R}^2$ として表現される。Otsuの二値化法やマーチングスクエア法などのアルゴリズムを用いて、離散的なシルエットを関数的な輪郭へと変換する。

2. 形状解析（変形アライメント）：
   Moindjiéら（2025）の研究に従い、輪郭 $C$ は形状成分 $\tilde{C}$（Kendallの意味において）と、変形変数である一様スケーリング（$\rho$）、平行移動（$c$）、回転（$O$）、および再パラメータ化（$\gamma$）に分解される。著者らはこれらの変数を推定して曲線を整列・中心化し、位置やサイズに依存しない形状変数 $S$ を得る。これにより、物体の位置や大きさに依存しない形状の統計的解析が可能となる。

3. 星型領域によるテクスチャ表現：
   本フレームワークの中核となる革新は、テクスチャ（内部の色の変化）の扱いである。本手法は、物体の内部領域 $D$ が中心点 $c$ に対して**星型（star-shaped）**であるという仮定に基づいている。この仮定の下、著者らは単位円板 $\mathbb{D}$ を物体の内部 $D$ へと変換する写像 $\phi$ を定義する。

• この写像により、本来は不規則な領域 $D$ 上で定義されているテクスチャ関数 $T^*(u) = I(u)$ を、単位円板 $\mathbb{D}$（または全単射な変換 $g$ を介した正方形 $[0,1]^2$）上に再パラメータ化することが可能になる。
• 得られたテクスチャ $T(v)$ は共通のドメイン上で定義されたランダムな曲面となり、標準的な関数的データ手法の適用を可能にする。

4. 結合統計モデリング：
   フレームワークは、テクスチャ $T \circ g$ と整列された形状 $\tilde{C}$ を組み合わせた結合関数変数 $Z$ を構築する。教師あり分類のために、著者らは応答変数 $Y$ を $Z$ に回帰させる線形モデルを採用する。

• 形状空間は非線形多様体であるため、形状成分はフレシェ平均 $\mu$ における接空間へと投影される。
• 関数的共変量を伴う回帰の不良設定問題に対処するため、著者らは**多変量関数的主成分分析（MFPCA）および多変量関数的部分最小二乗法（MFPLS）**を利用して回帰係数を推定する。

主な貢献

• 質素な表現： 本論文は、形状（輪郭）とテクスチャ（内部の色）を明示的に分離することで、画像の疎な表現を導入し、高次元のピクセル行列を回避している。
• 星型写像： アノテーションされたランドマークを必要とせずに、内部の色の変化を統合するための、星型領域の仮定下でのテクスチャ解析に関する理論的かつ実践的な写像を提供している。
• 結合関数的フレームワーク： 従来の輪郭のみの解析（Moindjié et al., 2025）を、輪郭とテクスチャの両方を連続的な関数的変数として扱う結合解析へと拡張している。
• 解釈性： 関数的データに対する線形モデルを用いることで、ディープラーニングのブラックボックスに代わる、より解釈可能な代替案を提示している。

結果
フレームワークは、Singhら（2022）による2,148枚のピスタチオ画像（2つの品種：KirmiziおよびSiirt）のリアルワールドデータセットを用いて評価された。研究には以下が含まれる：

• データ拡張： 変形に対する堅牢性をテストするために、ランダムな回転とズーミングが適用された。
• 比較： 提案手法（"OUR"）は、形状とテクスチャを明示的に分離せずに画像をランダムな曲面として扱うベースラインの競合手法（"COMP"：スカラー対画像回帰）と比較された。
• 性能： 10分割交差検証を用いた結果、提案フレームワークは有意に高い精度とF1スコアを達成した。
  • OUR (MFPCA): 正解率 77%、F1 74%
  • OUR (MFPLS): 正解率 76%、F1 73%
  • COMP (MFPCA): 正解率 63%、F1 42%
  • COMP (MFPLS): 正解率 57%、F1 54%
    ベースラインの競合手法はランダムな試行に近い水準であったのに対し、提案フレームワークは堅牢な識別能力を示した。

意義と主張
著者らは、画像の主要な側面（形状とテクスチャ）を離散的なピクセルではなく連続関数として明示的にモデル化することにより、本研究が統計的画像解析の新しいパラダイムを確立すると主張している。その意義は以下の通りである：

1. 効率性： CNNや高次元ピクセルモデルに対する、計算量的に軽い（「質素な」）代替案を提供する。
2. 堅牢性： 変形変数（回転、スケーリング）を明示的に扱うことで、物体が完全に整列していない場合でも良好に機能する。
3. 適用可能性： 星型領域の仮定は、画像解析における多くの物体（例：生物学的細胞、葉、臓器）によって満たされる弱い条件として提示されており、本手法の幅広い適用可能性を示している。

論文では、星型ではない物体（馬蹄形など）に対する星型領域の仮定への依存が限界であると控えめに述べており、将来的には凸包の拡張や、より複雑な幾何学的形状を扱うための背景色の組み込みを検討する可能性があるとしている。