# データセット構成調査 (Dataset Survey)

調査日: 2026-09-27．研究室 PC（`C:\Users\Papin\clinical-data\TIASJudgeModel\`）上のデータを，**画像本体・ファイル名を手元に持ち出さずに**集計した（取得したのはフォルダ名・件数・画像メタデータ・画素値の集計のみ）．

## フォルダ構成とラベル対応 (Folder to Label Mapping)

サブフォルダは無く，9 フォルダの直下に画像が置かれている．フォルダ名が「クラス＿程度」を表し，淡紅（正常）のみ程度の区分が無い．

| フォルダ名 | 枚数 | `label` | `severity` |
| --- | --- | --- | --- |
| `淡紅（正常）` | 337 | `light_red` | `normal` |
| `暗赤紅＿あり` | 247 | `dark_red` | `strong` |
| `暗赤紅＿ややあり` | 133 | `dark_red` | `mild` |
| `紫＿ややあり` | 89 | `purple` | `mild` |
| `紅＿あり` | 61 | `red` | `strong` |
| `紅＿ややあり` | 58 | `red` | `mild` |
| `紫＿あり` | 56 | `purple` | `strong` |
| `淡白＿あり` | 53 | `pale` | `strong` |
| `淡白＿ややあり` | 51 | `pale` | `mild` |
| **合計** | **1085** | — | — |

## 5 クラスに集約した分布 (Class Distribution)

| クラス | 枚数 | 割合 |
| --- | --- | --- |
| 暗赤紅 (`dark_red`) | 380 | 35.0% |
| 淡紅 (`light_red`) | 337 | 31.1% |
| 紫 (`purple`) | 145 | 13.4% |
| 紅 (`red`) | 119 | 11.0% |
| 淡白 (`pale`) | 104 | 9.6% |

不均衡は最大 / 最小 = 380 / 104 ≒ **3.7 倍**（中程度）．9 クラスとして扱うと 51〜337 で 6.6 倍・最小クラス 51 枚まで落ちるため，学習は 5 クラスで行う（[SPEC_02](../04_SPEC/SPEC_02_学習・評価仕様.md)）．

## 画像の性質 (Image Properties)

| 項目 | 実測 |
| --- | --- |
| 形式 | すべて PNG（1085 / 1085） |
| ピクセル形式 | すべて `Format24bppRgb`（**アルファチャンネルなし**） |
| マスク外領域 | 四隅 4340 点（1085 枚 × 4 隅）すべてが `(0, 0, 0)` の黒 |
| 幅 | 449〜900（平均 675.2） |
| 高さ | 279〜1025（平均 613.6） |

サイズが画像ごとに異なることから，舌領域のバウンディングボックスで切り出されていると考えられる．

## データの由来 (Provenance)

2026-09-27 にユーザーへ確認した事項．

| 項目 | 内容 |
| --- | --- |
| 撮影 | **TIAS（SmTIAS 系の撮影システム）**で撮影されたもの |
| セグメンテーション | **専用の機械学習モデル**による自動切り出し（手動ではない） |
| 患者と画像の対応 | **1 患者 1 枚**（確定） |
| データ利用 | 機械学習での利用について問題ないことを確認済み |
| ファイル名 | 1085 件すべて ASCII 文字のみ（日本語・非 ASCII を含まない） |
| ファイルの更新日時 | 2025-11-04〜2025-12-05（1073 件が 2025-11）．これはセグメンテーション出力時の日付であり，撮影日時ではない |

※ 自動セグメンテーションのため，切り出し誤差がノイズ源になりうる（誤分類の分析時に考慮する）．
※ 撮影日時・端末・撮影設定のメタデータは本データセットには含まれない．

## 確定した事項 (Resolved Items)

- **マスク外は黒 (0, 0, 0)**．リサイズ時のパディングも黒で統一すれば背景が一貫する
- **1 患者 1 枚**（2026-09-27 にユーザーが確定）．画像単位の分割が患者単位の分割と一致する
- クラス名は「暗赤紅」（SPEC_01 のクラス定義を修正した）
- 程度（あり / ややあり）は manifest の `severity` 列として保持し，学習は 5 クラスで行う

## 残る未確定事項 (Open Items)

- 入力解像度 224 で足りるか（平均 675×614 から約 1/3 に縮小するため，微細な色ムラが失われないかを検証する）
- 黒背景が面積の大半を占める画像があり，正規化や統計の取り方（画像全体か舌領域内のみか）を検証する必要がある
- 医師ラベルの評価者間一致率は不明（分かれば性能の上限の目安になる）
- 自動セグメンテーションの精度（切り出し誤差がどの程度あるか）は未評価

## 調査方法 (Method)

研究室 PC へ ssh で接続し，PowerShell を実行した（個票は出力せず，集計値のみを取得）．

- フォルダごとの件数: `Get-ChildItem -Recurse -File | Group-Object DirectoryName`
- 拡張子・サイズ・ピクセル形式: `System.Drawing.Image` で読み，`幅 x 高さ | PixelFormat` を集計
- マスク外領域の確認: 各画像の四隅 4 点を `Bitmap.GetPixel` で取得し，RGB 値ごとに集計

※ 日本語フォルダ名は CP932 で返るため，取得側で UTF-8 に変換する必要がある．複雑な PowerShell は `-EncodedCommand`（UTF-16LE + Base64）で渡すと引用符の問題を回避できる．