Psoriasis detection and classification using MobileNetV3 and Coordinate attention

技術要約：MobileNetV3と座標注意機構を用いた乾癬の検出および分類

問題提起
乾癬は、世界の人口の2〜3%に影響を及ぼす持続的な皮膚疾患であり、赤い斑や銀色の鱗屑を特徴とします。生命に別状はありませんが、深刻な心理的苦痛を引き起こし、乾癬性関節炎などの併発症につながる可能性があります。診断は、臨床的な異質性（7つの異なる変種）、他の皮膚疾患との類似性、および手動による臨床評価の主観性により困難です。さらに、既存の重症度指標（例：PAS𝗲I）は主観的であり、掻痒感（かゆみ）や治療が困難な部位といった特定の要因を考慮できないことがよくあります。ディープラーニング（DL）は医療用画像において有望な成果を示していますが、マルチクラスの乾癬分類のための包括的なデータセットが不足しており、既存のモデルはクラス不均衡や皮膚病変における微妙なクラス間の差異への対応に苦慮することが多いのが現状です。

手法
本研究では、7つの異なる変種への乾癬画像の分類のために、Coordinate Attention (CA) メカニズムを統合したMobileNetV3-Smallを利用するディープラーニング・フレームワークを提案します。手法は以下の構造化されたパイプラインに従います。

1. データセットの構築: Erythrodermic（紅皮症）、Guttate（滴状）、Inverse（逆転型）、Nail（爪）、Plaque（板状）、Psoriatic Arthritis（乾癬性関節炎：PsA）、Pustular psoriasis（膿疱性乾癬）の7つの変種を網羅する、2,101枚の画像からなるカスタムデータセットを作成しました。データは公開リポジトリ（Kaggle）から取得し、96×96ピクセルへのリサイズおよび画素強度の[-1, 1]の範囲への正規化を含む前処理を行いました。
2. モデルアーキテクチャ:
   • バックボーン: 本研究では、精度を維持しつつ低い計算コストとレイテンシを実現するために選択されたMobileNetV3-Smallを採用しています。これは、深度分離畳み込み（depthwise separable convolutions）を利用しています。
   • 注意機構（Attention Mechanism）: 標準的なSqueeze-and-Excitationブロックの限界（位置情報の欠如）に対処するため、著者らはCoordinate Attention (CA) を統合しました。このメカニズムは、水平および垂直方向のプーリングを実行して空間情報をエンコードし、モデルが病変内の特定の「どこ」および「何」の特徴に焦点を当てるようガイドするアテンションマップを生成します。
   • 分類ヘッド: アーキテクチャには、Global Average Pooling層、Swish活性化関数を用いた512個のニューロンを持つDense層、および7つのクラスのためのSoftmax出力層が含まれます。
3. 学習戦略:
   • 転移学習: モデルはImageNetで事前学習された重みで初期化されました。乾癬データセットに特化した高次特徴を抽出するため、レイヤー150からファインチューニングを開始するためにトップレイヤーの凍結を解除しました。
   • 損失関数: 本研究では、Cross-Entropy Loss (CL) と提案されたHybrid Loss (HL) を比較しています。HLは、クラス不均衡と過学習を軽減するために、Cross-Entropy、Focal Loss、およびLabel Smoothing技術を組み合わせたものです。合成損失は $L_{Composite} = \beta L_{CL} + \phi L_{FL}$ と定義され、ハイパーパラメータ（具体的には $\phi = 0.75$）が調整されました。
   • 最適化: Adamオプティマイザを使用し、学習率 $1 \times 10^{-5}$ で50エポックにわたって学習を行いました。

主な貢献

• データセットの作成: 7つの乾癬変種を含む2,101枚の画像からなる包括的なデータセットを開発し、公開されているマルチクラスの乾癬データの不足に対処しました。
• アーキテクチャの革新: Coordinate AttentionをMobileNetV3に統合することで、7つの乾癬サブタイプ間の微妙な差異の検出が大幅に向上することを実証しました。
• 損失関数の最適化: 標準的なCross-Entropy損失よりもクラス不均衡の処理と精度の向上において優れた性能を示す、Hybrid Loss関数（CL、Focal Loss、Label Smoothingの組み合わせ）の導入と検証を行いました。
• 比較分析: 同一の実験条件下で、VGG19、ResNetモデルのアンサンブル（ResNet50V2, ResNet101V2, ResNet152V2）、および標準的なMobileNetV3を含む最先端モデルとの厳格な比較を行いました。

結果
提案されたMobileNetV3-Small + CA + Hybrid Lossモデルは、最高の性能指標を達成しました。

• 精度: モデルはマルチクラス分類タスクにおいて**98.40%**の精度に達しました。これは、Cross-Entropyのみを使用したMobileNetV3-Small + CA（93.20%）および他のベースラインモデル（VGG19: 94.02%、Ensemble ResNet: 91.20%）と比較して、大幅な改善を示しています。
• 収束: 学習曲線は、提案されたモデルが高い学習精度（97–98%）と低い学習損失（0.25）とともに、迅速な収束を達成したことを示しています。
• 汎化性能: 提案モデルは、Cross-Entropyのみを使用したモデルと比較して、優れた検証精度（約75–78%）と低い検証損失を示し、過学習が抑制されていることが示されました。
• クラス別性能: 標準的なCNNでは誤分類されやすいInverse（逆転型）やNail（爪）乾癬などの困難なクラスに対して、感度が向上しました。

意義と主張
本論文は、Coordinate AttentionとHybrid Lossの統合が、皮膚科医にとって信頼性の高い低コストな支援システムを提供すると主張しています。7つの特定の変種を識別する高い精度を実現することで、本モデルは解釈のばらつきや時間の消費といった手動診断の限界に対処します。著者らは、このアプローチが大量の皮膚画像を取り扱うための精密な技術的サポートを提供し、早期かつ正確な診断を通じて、潜在的に患者の生活の質（QOL）を向上させる可能性があると断言しています。

限界と今後の展望
著者らはいくつかの限界を認めています。

• データの希少性: データセットは改善されたものの、照明条件や疾患の特性に関する多様性と規模については依然として限定的です。
• セグメンテーション: 現在の研究は分類に焦点を当てていますが、将来の研究では、病変が完全に孤立していない現実世界のシナリオに対処するために、関心領域（ROI）のセグメンテーションを統合する必要があります。
• 計算効率: MobileNetV3は軽量ですが、展開に向けてさらなる計算コストの削減が必要です。
• 相関の課題: 本研究では、特定の乾癬画像間の高い相関が依然として誤認につながる可能性があることが指摘されており、非常に類似した変種を区別するためのさらなる調査の必要性を示唆しています。