JP2011229413A - 細胞評価装置、インキュベータ、プログラム、および、培養方法 - Google Patents

Abstract

【課題】評価対象とする細胞の種類を判定することができる細胞評価装置を提供する。
【解決手段】細胞評価装置が、対象細胞が撮像されている画像を取得する画像取得部と、取得した画像に撮像されている対象細胞の形態的特徴を示す複数種類の特徴量を求める特徴量取得部と、特徴量取得部により求められた複数種類の特徴量を、複数種類の特徴量に応じて、細胞の種類毎に、１つの種類の細胞を評価属性の異なる複数のサブクラスに分類する分類モデルに基づいて分類し、対象細胞をサブクラスに分類する分類処理部と、分類されたサブクラスに基づいて、対象細胞の種類を示すクラスを判定する判定部と、を備えている。
【選択図】図１

Description

本発明は、細胞評価装置、インキュベータ、プログラム、および、培養方法に関する。

細胞の培養状態を評価する技術は、再生医療などの先端医療分野や医薬品のスクリーニングを含む幅広い分野での基盤技術となっている。例えば、再生医療分野では、インビトロで細胞を増殖、分化させるプロセスが存在する。そして、上記のプロセスでは、細胞の分化の成否、細胞の癌化や感染の有無を管理するために、細胞の培養状態を的確に評価することが不可欠となる。一例として、特許文献１には、マーカーとして転写因子を用いたがん細胞の評価方法が開示されている。

特開２００７−１９５５３３号公報

しかしながら、上記の従来技術では、評価対象の各細胞において転写因子の発現を確認する実験が必要となるため非常に煩雑である。そのため、比較的簡易な手法で細胞を精度よく評価することがなお要請されている。また、細胞の評価として、細胞の種類を判定することも要請されている。

本発明は、このような事情に鑑みてなされたもので、その目的は、比較的簡易な手法で、評価対象とする細胞の種類を判定することができる細胞評価装置、インキュベータ、プログラム、および、培養方法を提供することにある。

この発明は上述した課題を解決するためになされたもので、対象細胞が撮像されている画像を取得する画像取得部と、前記取得した画像に撮像されている前記対象細胞の形態的特徴を示す複数種類の特徴量を求める特徴量取得部と、前記特徴量取得部により求められた複数種類の前記特徴量を、複数種類の前記特徴量に応じて、細胞の種類毎に、１つの種類の細胞を評価属性の異なる複数のサブクラスに分類する分類モデルに基づいて分類し、前記対象細胞をサブクラスに分類する分類処理部と、前記分類されたサブクラスに基づいて、前記対象細胞の種類を示すクラスを判定する判定部と、を備えていることを特徴とする細胞評価装置である。

また、この発明は、細胞が撮像されている画像を取得する画像取得部と、前記画像に含まれる前記対象細胞の形態的特徴を示す複数種類の特徴量を求める特徴量取得部と、前記特徴量取得部により求められた複数種類の前記特徴量を、複数種類の前記特徴量に基づいて評価属性の異なる細胞をサブクラスに分類する分類モデルに基づいて分類し、前記対象細胞をサブクラスに分類する分類処理部と、を有し、前記分類モデルは、前記評価属性の異なる細胞をサブクラスに分類する場合に、予め定められている細胞の種類に対応して予め定められているサブクラス、または、前記複数の細胞の種類に該当しない予め定められているサブクラスに分類する、ことを特徴とする細胞評価装置である。

また、この発明は、細胞を培養する培養容器を収納するとともに、所定の環境条件に内部を維持可能な恒温室と、前記恒温室内で前記培養容器に含まれる前記細胞の画像を撮像し、前記画像取得部に撮像された画像を出力する撮像装置と、上記に記載の細胞評価装置と、を備えるインキュベータである。

また、この発明は、コンピュータを、上記に記載の細胞評価装置として機能させるプログラムである。

また、この発明は、上記に記載の細胞評価装置が備えている前記画像取得部は、培養容器内で培養されている細胞が撮像されている画像を取得し、上記に記載の細胞評価装置が備えている前記分類処理部により分類されたクラスに基づき、前記培養容器内で培養されている細胞の培養条件を変更することを特徴とする細胞の培養方法である。

この発明によれば、比較的簡易な手法で、評価対象とする細胞の種類を判定することができる。

この発明の１実施形態によるインキュベータの概要を示すブロック図である。 図１のインキュベータの正面図である。 図１のインキュベータの平面図である。 一例としての細胞のクラスを示す説明図である。 一例としての分類モデルを示す説明図である。 図１のインキュベータによる観察動作の一例を示す流れ図である。 １実施形態によるインキュベータのＣＰＵ４２が、分類モデルを生成する場合の処理の一例を示す流れ図である。 本実施形態で用いられる各特徴量の概要を示す図である。 ＡＮＮの概要を示す図である。 ＦＮＮの概要を示す図である。 ＦＮＮにおけるシグモイド関数を示す図である。 １実施形態によるインキュベータのＣＰＵ４２が、細胞を評価する場合の処理の一例を示す流れ図である。 本実施形態による細胞評価装置を用いた細胞の培養方法を示すフローチャートである。

以下、図面を参照して、本発明の実施の形態について説明する。図１は、１実施形態による細胞評価装置を含むインキュベータの概要を示すブロック図である。また、図２，図３は、図１に示された１実施形態のインキュベータの正面図および平面図である。

インキュベータ１１は、上部ケーシング１２と下部ケーシング１３とを有している。インキュベータ１１の組立状態において、上部ケーシング１２は下部ケーシング１３の上に載置される。なお、上部ケーシング１２と下部ケーシング１３との内部空間は、ベースプレート１４によって上下に仕切られている。

まず、上部ケーシング１２の構成の概要を説明する。上部ケーシング１２の内部には、細胞の培養を行う恒温室１５が形成されている。この恒温室１５は温度調整装置１５ａおよび湿度調整装置１５ｂを有しており、恒温室１５内は細胞の培養に適した環境（例えば温度３７℃、湿度９０％の雰囲気）に維持されている（なお、図２，図３での温度調整装置１５ａ、湿度調整装置１５ｂの図示は省略する）。

恒温室１５の前面には、大扉１６、中扉１７、小扉１８が配置されている。大扉１６は、上部ケーシング１２および下部ケーシング１３の前面を覆っている。中扉１７は、上部ケーシング１２の前面を覆っており、大扉１６の開放時に恒温室１５と外部との環境を隔離する。小扉１８は、細胞を培養する培養容器１９を搬出入するための扉であって、中扉１７に取り付けられている。この小扉１８から培養容器１９を搬出入することで、恒温室１５の環境変化を抑制することが可能となる。なお、大扉１６、中扉１７、小扉１８は、パッキンＰ１，Ｐ２，Ｐ３によりそれぞれ気密性が維持されている。

また、恒温室１５には、ストッカー２１、観察ユニット２２、容器搬送装置２３、搬送台２４が配置されている。ここで、搬送台２４は、小扉１８の手前に配置されており、培養容器１９を小扉１８から搬出入する。

ストッカー２１は、上部ケーシング１２の前面（図３の下側）からみて恒温室１５の左側に配置される。ストッカー２１は複数の棚を有しており、ストッカー２１の各々の棚には培養容器１９を複数収納することができる。なお、各々の培養容器１９には、培養の対象となる細胞が培地とともに収容されている。

観察ユニット２２は、上部ケーシング１２の前面からみて恒温室１５の右側に配置される。この観察ユニット２２は、培養容器１９内の細胞のタイムラプス観察を実行することができる。

ここで、観察ユニット２２は、上部ケーシング１２のベースプレート１４の開口部に嵌め込まれて配置される。観察ユニット２２は、試料台３１と、試料台３１の上方に張り出したスタンドアーム３２と、位相差観察用の顕微光学系および撮像装置（３４）を内蔵した本体部分３３とを有している。そして、試料台３１およびスタンドアーム３２は恒温室１５に配置される一方で、本体部分３３は下部ケーシング１３内に収納される。

試料台３１は透光性の材質で構成されており、その上に培養容器１９を載置することができる。この試料台３１は水平方向に移動可能に構成されており、上面に載置した培養容器１９の位置を調整できる。また、スタンドアーム３２にはＬＥＤ光源３５が内蔵されている。そして、撮像装置３４は、スタンドアーム３２によって試料台３１の上側から透過照明された培養容器１９の細胞を、顕微光学系を介して撮像することで細胞の顕微鏡画像を取得できる。

容器搬送装置２３は、上部ケーシング１２の前面からみて恒温室１５の中央に配置される。この容器搬送装置２３は、ストッカー２１、観察ユニット２２の試料台３１および搬送台２４との間で培養容器１９の受け渡しを行う。

図３に示すように、容器搬送装置２３は、多関節アームを有する垂直ロボット３４と、回転ステージ３５と、ミニステージ３６と、アーム部３７とを有している。回転ステージ３５は、垂直ロボット３４の先端部に回転軸３５ａを介して水平方向に１８０°回転可能に取り付けられている。そのため、回転ステージ３５は、ストッカー２１、試料台３１および搬送台２４に対して、アーム部３７をそれぞれ対向させることができる。

また、ミニステージ３６は、回転ステージ３５に対して水平方向に摺動可能に取り付けられている。ミニステージ３６には培養容器１９を把持するアーム部３７が取り付けられている。

次に、下部ケーシング１３の構成の概要を説明する。下部ケーシング１３の内部には、観察ユニット２２の本体部分３３や、インキュベータ１１の制御装置４１が収納されている。

制御装置４１は、温度調整装置１５ａ、湿度調整装置１５ｂ、観察ユニット２２および容器搬送装置２３とそれぞれ接続されている。この制御装置４１は、所定のプログラムに従ってインキュベータ１１の各部を統括的に制御する。

一例として、制御装置４１は、温度調整装置１５ａおよび湿度調整装置１５ｂをそれぞれ制御して恒温室１５内を所定の環境条件に維持する。また、制御装置４１は、所定の観察スケジュールに基づいて、観察ユニット２２および容器搬送装置２３を制御して、培養容器１９の観察シーケンスを自動的に実行する。さらに、制御装置４１は、観察シーケンスで取得した画像に基づいて、細胞の培養状態の評価を行う培養状態評価処理を実行する。

＜分類処理（クラス分け処理）の概要＞
次に、図４と図５とを参照して、本実施形態の細胞評価装置による分類処理（クラス分け処理）の概要について説明する。ここでは、線維芽細胞（Ｆｉｂｒｏｂｌａｓｔ）と角化細胞（Ｋｅｒａｔｉｎｏｃｙｔｅ）との、２つの種類の細胞を分類処理する場合について説明する。

たとえば、図４に示されているように、本実施形態による細胞評価装置は、評価対象となる細胞を、次の、サブクラス１からサブクラス９のいずれかのサブクラスに分類するような分類モデルが構築されている。

（サブクラス１）線維芽細胞・形状が中サイズ（Ｆ Ｎｏｒｍａｌ）
（サブクラス２）線維芽細胞・形状が小サイズ（Ｆ＿ｓ ｓｍａｌｌ）
（サブクラス３）線維芽細胞・重複（線維芽細胞が重なっている）（Ｆ＿ｏ Ｏｖｅｒ＿ｌａｐｐｅｄ））
（サブクラス４）角化細胞・形状がＣ型（Ｋ＿ｃ Ｃ−ｔｙｐｅ）
（サブクラス５）角化細胞・形状が中サイズ（Ｋ＿ｎ Ｎｏｒｍａｌ）
（サブクラス６）角化細胞・形状が小サイズ（Ｋ＿ｓ ｓｍａｌｌ）
（サブクラス７）角化細胞・形状に穴あり（Ｋ＿ｈ ｈｏｌｅｄ）
（サブクラス８）ノイズ・小（判別不可能オブジェクトであり、形状が小さいノイズ）（ｎ＿ｓ ｓｍａｌｌ Ｎｏｉｓｅ）
（サブクラス９）ノイズ・長（判別不可能オブジェクトであり、形状が長いノイズ）（ｎ＿ｌ Ｌｏｎｇ Ｎｏｉｓｅ）

このサブクラスのうち、サブクラス１から３は線維芽細胞に対応するクラスＡに含まれており、サブクラス４から７は角化細胞に対応するクラスＢに含まれており、サブクラス８と９はノイズに対応するクラスＣ（ノイズと見做すクラス）に含まれている。

ここで、細胞評価装置の一例としての動作について説明する。
まず、細胞評価装置は、画像中の細胞１個１個の状態（細胞の種類や状態）を評価する分類モデル（図５を参照）を、撮像されている画像に含まれている細胞の画像に基づいて構築する。

たとえば、細胞評価装置は、次のようにして、分類モデルを構築する。
（１）複数の細胞を、単一状態で培養し、経時的な画像を撮影する。
（２）画像中の個々の細胞を認識する。すなわち、細胞の画像領域を抽出する。

（３）認識された個々の細胞を分類器にて分類し、精度よく分類できる分類モデルを構築する。この分類モデルを構築する際、分類モデルは、決定木のほか、様々なクラスタリング手法（ｋ−ｍｅａｎｓクラスタリング、階層的クラスタリング等が含まれる）、または、主成分分析などを用いて構築されている。

（４）分類された各サブクラスと、各サブクラスを識別する指標（ラベル）とを対応付けて、ラベリングする。
このラベリングとは、サブクラス１からサブクラス９の９つのサブクラスをそれぞれ識別する識別情報を対応付けておく。そして、サブクラスに分類された細胞に、分類されたサブクラスに対応する識別情報を付ける（分類された細胞と識別情報とを関連付ける）ことである。この識別情報は、文字、数字、記号、または、これらの組み合わせにより構成されている。

ここで、上述した分類モデルを構築する場合には、それぞれの細胞の種類が培養された場合の「単一細胞の培養画像」を用いることも可能である。すなわち、分類モデルは、細胞の種類毎に、１種類の細胞が撮像されている画像に基づいて、構築されていてもよい。

その後、細胞評価装置は、構築した分類モデルを用いて、評価対象となる画像（たとえば、異種細胞が混在している画像）中の、細胞１個１個を評価する。たとえば、ユーザが解析したい画像が１枚であるとすると、細胞評価装置は、その画像に対して、画像中の全ての細胞１個１個に対して、その細胞が「何なのか（細胞の種類が何なのか）」を評価する。すなわち、細胞を、図４に示した９つのサブクラスのうち、いずれかのサブクラスに分類する。ここで、ユーザが解析したい画像は、たとえば、異種細胞の検出の場合のように、「共培養の画像（２種類以上の細胞が混じっている）」であってもよい。

この細胞評価装置は、次のようにして、分類モデルを用いて細胞をサブクラスに分類する。
（５）解析したい共培養状態の細胞画像を取得する。
（６）細胞画像中の個々の細胞を認識する。
（７）認識された個々の細胞を、（３）で構築した分類モデルに基づいて、全細胞についてサブクラスに分類し、分類した細胞にサブクラスに対応するラベルを付ける。

このようにして、評価対象となる画像に含まれている細胞は、それぞれ、いずれかのサブクラスに分類される。また、細胞には、サブクラスに対応しているラベルがそれぞれ付けられる。

次に、細胞評価装置は、細胞が分類されたサブクラス、または、細胞に付けられたラベルに基づいて、細胞が属するクラスを判定する。次に、細胞評価装置は、判定したクラスに基づいて細胞の種類を判定する。
たとえば、細胞評価装置は、サブクラス１からサブクラス３のいずれかに分類された細胞を、「線維芽細胞」と判定する。また、細胞評価装置は、サブクラス４からサブクラス７のいずれかに分類された細胞を、「角化細胞」と判定する。また、細胞評価装置は、サブクラス８またはサブクラス９に分類された細胞を、ノイズというラベルのクラスに属する細胞として、「細胞でないゴミ（ノイズ）」と判定する。

これにより、細胞評価装置は、解析したい共培養状態の細胞画像に撮像されている細胞のそれぞれについて、その細胞の種類を判定（評価）することができる。よって、細胞評価装置は、比較的簡易な手法で、評価対象とする細胞の種類を判定することができる。

図１の説明に戻り、制御装置４１の構成について説明する。この制御装置４１は、ＣＰＵ４２および記憶部４３を有している。

記憶部４３は、ハードディスクや、フラッシュメモリ等の不揮発性の記憶媒体などで構成される。この記憶部４３には、ストッカー２１に収納されている各培養容器１９に関する管理データと、撮像装置で撮像された顕微鏡画像のデータとが記憶されている。さらに、記憶部４３には、ＣＰＵ４２によって実行されるプログラムが記憶されている。

なお、上記の管理データには、（ａ）個々の培養容器１９を示すインデックスデータ、（ｂ）ストッカー２１での培養容器１９の収納位置、（ｃ）培養容器１９の種類および形状（ウェルプレート、ディッシュ、フラスコなど）、（ｄ）培養容器１９で培養されている細胞の種類、（ｅ）培養容器１９の観察スケジュール、（ｆ）タイムラプス観察時の撮像条件（対物レンズの倍率、容器内の観察地点等）、などが含まれている。また、ウェルプレートのように複数の小容器で同時に細胞を培養できる培養容器１９については、各々の小容器ごとにそれぞれ管理データが生成される。

ＣＰＵ４２は、特徴量演算部（特徴量取得部）４４と、分類モデル構築部４５と、分類処理部４６と、判定部４７とを備えている。このＣＰＵ４２は、たとえば、制御装置４１の各種の演算処理を実行するプロセッサである。なお、ＣＰＵ４２は、プログラムの実行によって、特徴量演算部４４と、分類モデル構築部４５と、分類処理部４６と、判定部４７としてそれぞれ機能してもよい。また、ＣＰＵ４２は、画像読込部５０と、画像入力部（画像取得部）５１と、出力部５２とを備えている。

画像読込部５０は、培養容器内で培養される複数の細胞が時系列に撮像されている複数の画像を記憶部４３から読み込む。また、この画像読込部５０は、記憶部４３から画像を読込む場合、この画像に撮像されている細胞についての情報も読込む（または、入力される）。この細胞についての情報とは、学習する対象となる情報のことであり、たとえば、各画像に対応する細胞について評価属性を示す情報であり、その細胞の種類、および、その細胞の状態を示す情報のことである。

特徴量演算部４４は、画像に含まれる各々の細胞について、細胞の異なる複数の形態的な特徴を示す複数の異る特徴量を画像からそれぞれ求める。なお、特徴量演算部４４は、対象細胞の複数種類の特徴量を、時系列に取得した画像に撮像されている画像毎に求め、当該時系列に取得した画像に撮像されている画像毎に求めた特徴量の時系列に対しての差分を、特徴量に含めて求めてもよい。

分類モデル構築部４５は、特徴量演算部４４により求められた特徴量に基づいて、細胞をサブクラスに分類するための分類モデルを構築する。分類モデル構築部４５は、一例としては、分類モデルを、クラスタリング技術により構築する。また、分類モデル構築部４５は、たとえば、教師付き学習により分類モデルを求めてもよい。この分類モデルは、細胞を、評価属性が異なるサブクラスに分類し、そのサブクラスに分類した結果を出力する分類モデルである。

なお、この分類モデルは、特徴量演算部４４により求められた複数種類の特徴量を、複数種類の特徴量に応じて、細胞の種類毎に、１つの種類の細胞を評価属性の異なる複数のサブクラスに分類する分類モデルである。

たとえば、分類モデルは、図４に示すように、１つの種類の細胞として、線維芽細胞を、サブクラス１から３の評価属性の異なる複数のサブクラス（この場合、３つのサブクラス）に分類する。また、分類モデルは、図４に示すように、１つの種類の細胞として、たとえば、角化細胞を、サブクラス４から７の評価属性の異なる複数のサブクラス（この場合、４つのサブクラス）に分類する

また、この分類モデルは、複数のサブクラスとして、細胞の特徴に基づいた、当該１つの種類の細胞に対して判別不能またはノイズとして分類されるサブクラスであって、予め定められている少なくとも１つのサブクラスを有している。
たとえば、分類モデルは、判別不能またはノイズとして分類されるサブクラスとして、サブクラス８（または、サブクラス９）を有している。

また、この分類モデルは、判別不能またはノイズとして分類されるサブクラスが、複数の細胞の種類に対してそれぞれ構築されている。
たとえば、分類モデルは、線維芽細胞に対しては、判別不能またはノイズとして分類されるサブクラスとして、サブクラス９を有するようにして構築されている。
また、たとえば、分類モデルは、角化細胞に対しては、判別不能またはノイズとして分類されるサブクラスとして、サブクラス８を有するようにして、構築されている。

また、この分類モデルは、評価属性の異なる細胞をサブクラスに分類する場合に、予め定められている細胞の種類に対応して予め定められているサブクラスまたは、複数の細胞の種類に該当しない予め定められているサブクラスに分類するように、分類モデル構築部４５により構築されている。

ここで、この「予め定められている細胞の種類に対応して予め定められているサブクラス」とは、たとえば、図４のクラスＡまたはクラスＢに属する各サブクラス、すなわち、サブクラス１から７のことである。また、この「複数の細胞の種類に該当しない予め定められているサブクラス」とは、たとえば、図４のクラスＣに属する各サブクラス、すなわち、サブクラス８と９のことである。

この評価属性には、細胞の種類だけでなく、細胞の時間的に変化する状態も含められていてもよい。すなわち、分類モデルは、評価属性の異なる細胞のサブクラスの分類として、時系列において異なる状態の細胞に対応するサブクラスに分類する分類モデルであってもよい。なお、この「時系列において異なる状態の細胞」とは、細胞が成熟するに従い生じる形態的な変化のことであり、たとえば、突起の形成や、突起の伸展のことである。

画像入力部５１には、評価対象となる細胞の画像であって、培養容器内で培養される複数の細胞が時系列に撮像されている画像が入力される。たとえば、評価対象となる細胞の画像が予め記憶部４３に記憶されており、この画像入力部５１は、評価対象となる細胞の画像を記憶部４３から読み出す。

分類処理部４６は、画像入力部５１に入力された画像を、分類モデル構築部４５により構築された分類モデルに入力して、いずれかのサブクラスに分類し、分類した結果を出力する。

詳細には、画像入力部５１に入力された画像は、まず、特徴量演算部４４により、その画像に含まれる各々の細胞について、細胞の異なる複数の形態的な特徴を示す複数の異る特徴量が画像からそれぞれ求められる。次に、分類処理部４６は、画像入力部５１に入力された画像に対して特徴量演算部４４により求められた複数の特徴量を、分類モデル構築部４５により構築された分類モデルに入力してサブクラスに分類し、分類した結果を出力する。

このようにして、分類処理部４６は、特徴量演算部４４により求められた複数種類の特徴量を、複数種類の特徴量に基づいて評価属性の異なる細胞をサブクラスに分類する分類モデルに基づいて分類し、対象細胞をサブクラスに分類する。

なお、分類処理部４６から出力されるサブクラスに分類された結果（評価情報）は、たとえば、図５を用いて説明したサブクラス１からサブクラス９のいずれかを示すラベルであってもよい。

判定部４７は、分類処理部４６により分類されたサブクラスまたはラベルに基づいて、対象細胞の種類を示すクラスを判定する。これにより、判定部４７は、対象細胞の種類を判定する。

出力部５２は、判定部４７から出力される結果、すなわち、クラスを示す情報を、細胞毎に、たとえば、図示されていないモニタなどの表示部に出力する。なお、出力部５２は、判定部４７により判定された細胞の種類の結果に基づいて、異種細胞の混入を検出や、または、それぞれの細胞の混在率を算出して、これを出力してもよい。

また、出力部５２は、判定部４７によりクラスに分類された対象細胞の個数に基づいて、クラスに分類された割合をクラス毎に算出してもよい。すなわち、出力部５２は、判定部４７により判定された細胞の種類を示す情報に基づいて、評価対象の画像に含まれている細胞の種類の割合を、細胞の種類毎に算出してもよい。

たとえば、ユーザが、線維芽細胞を培養する場合、線維芽細胞に角化細胞が混入されていないか否かを確認したいような場合には、出力部５２は、細胞の全体の個数に対する角化細胞の個数の割合、または、線維芽細胞の個数と角化細胞の個数との比を算出して、算出した比を出力してもよい。

また、出力部５２は、分類処理部４６によりサブクラスに分類された対象細胞の個数に基づいて、サブクラスに分類された割合をサブクラス毎に算出してもよい。

たとえば、分類処理部４６は、画像入力部５１に入力された画像に含まれている複数の細胞を、細胞１つずつ、サブクラス１から９のいずれかのサブクラスに分類する。たとえば、この複数の細胞の全体の個数が、１００個であるとする。次に、出力部５２は、分類処理部４６によりサブクラスに分類されたサブクラス毎の細胞の個数を算出する。次に、出力部５２は、算出したサブクラス毎の個数を、全体の個数で除算して、サブクラスに分類された割合をサブクラス毎に算出する。たとえば、サブクラス１に分類された細胞の個数が、２０であるとすると、出力部５２は、「サブクラス１に分類された細胞の割合は２０％（＝２０／１００）である」ことを示す情報を出力する。出力部５２は、サブクラス１の場合と同様に、サブクラス２から９に対しても、割合をそれぞれ算出して出力してもよい。

ここで、１つのクラスに含まれている複数のサブクラスが、１つの細胞に対しての複数の状態に対応している場合、上述したようにサブクラスに分類することにより、細胞の種類のみでなく、細胞の状態も判定することができ、更に、それぞれの割合もわかる。

また、出力部５２は、細胞の全体の個数から、ノイズとしてサブクラス８または９のクラスＣに分類された個数を減じた個数を、細胞の全体の個数としてもよい。この場合、ノイズの影響を減じることができる。

上述したように、出力部５２は、クラスまたはサブクラスに分類された情報を統計的に処理して、統計的な値として出力することができる。このように、出力部５２は、判定部４７により判定されたクラス（細胞の種類）を示す情報、または、分類処理部４６による出力されたサブクラスを示す情報に基づいて、様々な形式で、分類された情報を出力することができる。

＜インキュベータ１１による観察動作の例＞
次に、図６の流れ図を参照しつつ、インキュベータ１１による観察動作の一例を説明する。この図６は、恒温室１５内に搬入された培養容器１９を、登録された観察スケジュールに従ってタイムラプス観察する動作例を示している。

ステップＳ１０１：ＣＰＵ４２は、記憶部４３の管理データの観察スケジュールと現在日時とを比較して、培養容器１９の観察開始時間が到来したか否かを判定する。観察開始時間となった場合（ＹＥＳ側）、ＣＰＵ４２はＳ１０２に処理を移行させる。一方、培養容器１９の観察時間ではない場合（ＮＯ側）には、ＣＰＵ４２は次の観察スケジュールの時刻まで待機する。

ステップＳ１０２：ＣＰＵ４２は、観察スケジュールに対応する培養容器１９の搬送を容器搬送装置２３に指示する。そして、容器搬送装置２３は、指示された培養容器１９をストッカー２１から搬出して観察ユニット２２の試料台３１に載置する。なお、培養容器１９が試料台３１に載置された段階で、スタンドアーム３２に内蔵されたバードビューカメラ（不図示）によって培養容器１９の全体観察画像が撮像される。

ステップＳ１０３：ＣＰＵ４２は、観察ユニット２２に対して細胞の顕微鏡画像の撮像を指示する。観察ユニット２２は、ＬＥＤ光源３５を点灯させて培養容器１９を照明するとともに、撮像装置３４を駆動させて培養容器１９内の細胞の顕微鏡画像を撮像する。

このとき、撮像装置３４は、記憶部４３に記憶されている管理データに基づいて、ユーザの指定した撮像条件（対物レンズの倍率、容器内の観察地点）に基づいて顕微鏡画像を撮像する。例えば、培養容器１９内の複数のポイントを観察する場合、観察ユニット２２は、試料台３１の駆動によって培養容器１９の位置を逐次調整し、各々のポイントでそれぞれ顕微鏡画像を撮像する。なお、Ｓ１０３で取得された顕微鏡画像のデータは、制御装置４１に読み込まれるとともに、ＣＰＵ４２の制御によって記憶部４３に記録される。

ステップＳ１０４：ＣＰＵ４２は、観察スケジュールの終了後に培養容器１９の搬送を容器搬送装置２３に指示する。そして、容器搬送装置２３は、指示された培養容器１９を観察ユニット２２の試料台３１からストッカー２１の所定の収納位置に搬送する。その後、ＣＰＵ４２は、観察シーケンスを終了してＳ１０１に処理を戻す。

この図６の流れ図を用いた説明により、インキュベータ１１により観察された時系列の画像データが、記憶部４３に記憶される。

＜培養状態評価処理＞
次に図７を用いて、上述した図６の処理により記憶部４３に記憶された画像データを用いて、制御装置４１が、細胞を評価する分類モデルを構築する一例について説明する。ここでは、一例として、培養容器１９をタイムラプス観察して取得した複数の顕微鏡画像を用いて、制御装置４１が、培養容器１９の培養細胞をサブクラスに分類する分類モデルを構築する場合について説明する。

また、ここでは、図６の処理において、培養容器１９のタイムラプス観察は、培養開始から０．３３日目（８時間）経過後を初回として、０．３３日おきに１３．６７日目まで行われているものとして説明する。また、ここでは、複数の培養容器１９がそれぞれタイムラプス観察されており、上記のサンプルの顕微鏡画像が記憶部４３に記憶されているものとして説明する。なお、制御装置４１は、同じ培養容器１９の複数ポイント（例えば５点観察または培養容器１９の全体）を同じ観察時間帯で撮影した複数の顕微鏡画像を、タイムラプス観察の１回分の画像として扱うようにしてもよい。

また、当該タイムラプス観察された細胞については、その種類および状態などの属性情報が細胞毎に既知となっているものとする。すなわち、その細胞が、図４または図５のいずれのサブクラスに属するかが、細胞毎に既知となっているものとする。これは、たとえば、培養容器１９でタイムラプス観察された細胞が、任意の実験により、その種類および状態を予め調べられていてもよい。この任意の実験は、本実施形態によるタイムラプス観察が終了した後に行われる実験であってもよい。

そして、制御装置４１には、培養容器１９毎の細胞の画像と、当該培養容器１９で培養された細胞の種類および状態を示す情報とが、培養容器１９毎に入力されるものとする。なお、細胞の種類および状態を示す情報は、インキュベータ１１により観察された時系列の画像データと関連付けられて、記憶部４３に記憶されていてもよい。

ステップＳ２０１：ＣＰＵ４２は、予め用意されたサンプルの顕微鏡画像のデータを記憶部４３から読み込む。なお、ステップＳ２０１でのＣＰＵ４２は、各画像に対応する細胞の種類および状態を示す情報もこの時点で取得するものとする。

ステップＳ２０２：ＣＰＵ４２は、上記のサンプルの顕微鏡画像（ステップＳ２０１）のうちから、処理対象となる画像を指定する。ここで、ステップＳ２０２でのＣＰＵ４２は、予め用意されているサンプルの顕微鏡画像のすべてを処理対象として順次指定してゆくものとする。

ステップＳ２０３：ＣＰＵ４２の特徴量演算部４４は、処理対象の顕微鏡画像（ステップＳ２０２）について、画像内に含まれる細胞を抽出する。例えば、位相差顕微鏡で細胞を撮像すると、細胞壁のように位相差の変化の大きな部位の周辺にはハロが現れる。そのため、特徴量演算部４４は、細胞壁に対応するハロを公知のエッジ抽出手法で抽出するとともに、輪郭追跡処理によってエッジで囲まれた閉空間を細胞と推定する。これにより上記の顕微鏡画像から個々の細胞を抽出することができる。

ステップＳ２０４：ＣＰＵ４２の特徴量演算部４４は、ステップＳ２０３で画像から抽出した各々の細胞について、細胞の異なる複数の形態的な特徴を示す複数の異る特徴量を画像からそれぞれ求める。このステップＳ２０４において、ＣＰＵ４２の特徴量演算部４４は、上述した複数の異る特徴量として、１６種類の特徴量を、ステップＳ２０３で画像から抽出した各々の細胞について求めるものとする。

ステップＳ２０５：ＣＰＵ４２の特徴量演算部４４は、処理対象の顕微鏡画像（ステップＳ２０２）について、各細胞の１６種類の特徴量（ステップＳ２０４）をそれぞれ記憶部４３に記録する。

ステップＳ２０６：ＣＰＵ４２は、全ての顕微鏡画像が処理済み（全てのサンプルの顕微鏡画像で各細胞の特徴量が取得済みの状態）であるか否かを判定する。上記要件を満たす場合（ＹＥＳ側）には、ＣＰＵ４２はステップＳ２０９に処理を移行させる。一方、上記要件を満たさない場合（ＮＯ側）には、ＣＰＵ４２はステップＳ２０２に戻って、未処理の他の顕微鏡画像を処理対象として上記動作を繰り返す。

ステップＳ２０９：ＣＰＵ４２の分類モデル構築部４５は、特徴量演算部４４により求められた特徴量に基づいて、細胞の種類および状態をサブクラスに分類するための分類モデルを構築する。

ステップＳ２１０：ＣＰＵ４２の分類モデル構築部４５は、ステップＳ２０９で構築して求めた分類モデルの情報（計算式に用いる各指標を示す情報、計算式で各々の指標に対応する係数値の情報など）を記憶部４３に記録する。以上で、図７の説明を終了する。

＜図７のステップＳ２０４：ＣＰＵ４２の特徴量演算部４４による処理の詳細＞
次に、図８を用いて、図７のステップＳ２０４におけるＣＰＵ４２の特徴量演算部４４による処理について詳細に説明する。この特徴量演算部４４は、各細胞について以下の１６種類の特徴量をそれぞれ求める。

・Ｔｏｔａｌ ａｒｅａ（図８の（ａ）参照）「Ｔｏｔａｌ ａｒｅａ」は、注目する細胞の面積を示す値である。例えば、特徴量演算部４４は、注目する細胞の領域の画素数に基づいて「Ｔｏｔａｌ ａｒｅａ」の値を求めることができる。

・Ｈｏｌｅ ａｒｅａ（図８の（ｂ）参照）「Ｈｏｌｅ ａｒｅａ」は、注目する細胞内のＨｏｌｅの面積を示す値である。ここで、Ｈｏｌｅは、コントラストによって、細胞内における画像の明るさが閾値以上となる部分（位相差観察では白に近い状態となる箇所）を指す。例えば、細胞内小器官の染色されたリソソームなどがＨｏｌｅとして検出される。また、画像によっては、細胞核や、他の細胞小器官がＨｏｌｅとして検出されうる。なお、特徴量演算部４４は、細胞内における輝度値が閾値以上となる画素のまとまりをＨｏｌｅとして検出し、このＨｏｌｅの画素数に基づいて「Ｈｏｌｅ ａｒｅａ」の値を求めればよい。

・ｒｅｌａｔｉｖｅ ｈｏｌｅ ａｒｅａ（図８の（ｃ）参照）「ｒｅｌａｔｉｖｅ ｈｏｌｅ ａｒｅａ」は、「Ｈｏｌｅ ａｒｅａ」の値を「Ｔｏｔａｌ ａｒｅａ」の値で除した値である（ｒｅｌａｔｉｖｅ ｈｏｌｅ ａｒｅａ＝Ｈｏｌｅ ａｒｅａ／Ｔｏｔａｌ ａｒｅａ）。この「ｒｅｌａｔｉｖｅ ｈｏｌｅ ａｒｅａ」は、細胞の大きさにおける細胞内小器官の割合を示すパラメータであって、例えば細胞内小器官の肥大化や核の形の悪化などに応じてその値が変動する。

・Ｐｅｒｉｍｅｔｅｒ（図８の（ｄ）参照）「Ｐｅｒｉｍｅｔｅｒ」は、注目する細胞の外周の長さを示す値である。例えば、特徴量演算部４４は、細胞を抽出するときの輪郭追跡処理により「Ｐｅｒｉｍｅｔｅｒ」の値を取得することができる。

・Ｗｉｄｔｈ（図８の（ｅ）参照）「Ｗｉｄｔｈ」は、注目する細胞の画像横方向（Ｘ方向）での長さを示す値である。

・Ｈｅｉｇｈｔ（図８の（ｆ）参照）「Ｈｅｉｇｈｔ」は、注目する細胞の画像縦方向（Ｙ方向）での長さを示す値である。

・Ｌｅｎｇｔｈ（図８の（ｇ）参照）「Ｌｅｎｇｔｈ」は、注目する細胞を横切る線のうちの最大値（細胞の全長）を示す値である。

・Ｂｒｅａｄｔｈ（図８の（ｈ）参照）「Ｂｒｅａｄｔｈ」は、「Ｌｅｎｇｔｈ」に直交する線のうちの最大値（細胞の横幅）を示す値である。

・Ｆｉｂｅｒ Ｌｅｎｇｔｈ（図８の（ｉ）参照）「Ｆｉｂｅｒ Ｌｅｎｇｔｈ」は、注目する細胞を擬似的に線状と仮定した場合の長さを示す値である。特徴量演算部４４は、下式（１）により「Ｆｉｂｅｒ Ｌｅｎｇｔｈ」の値を求める。

但し、本明細書の式において「Ｐ」はＰｅｒｉｍｅｔｅｒの値を示す。同様に「Ａ」はＴｏｔａｌ Ａｒｅａの値を示す。

・Ｆｉｂｅｒ Ｂｒｅａｄｔｈ（図８の（ｊ）参照）「Ｆｉｂｅｒ Ｂｒｅａｄｔｈ」は、注目する細胞を擬似的に線状と仮定した場合の幅（Ｆｉｂｅｒ Ｌｅｎｇｔｈと直交する方向の長さ）を示す値である。特徴量演算部４４は、下式（２）により「Ｆｉｂｅｒ Ｂｒｅａｄｔｈ」の値を求める。

・Ｓｈａｐｅ Ｆａｃｔｏｒ（図８の（ｋ）参照）「Ｓｈａｐｅ Ｆａｃｔｏｒ」は、注目する細胞の円形度（細胞の丸さ）を示す値である。特徴量演算部４４は、下式（３）により「Ｓｈａｐｅ Ｆａｃｔｏｒ」の値を求める。

・Ｅｌｌｉｐｔｉｃａｌ ｆｏｒｍ Ｆａｃｔｏｒ（図８の（ｌ）参照）「Ｅｌｌｉｐｔｉｃａｌ ｆｏｒｍ Ｆａｃｔｏｒ」は、「Ｌｅｎｇｔｈ」の値を「Ｂｒｅａｄｔｈ」の値で除した値（Ｅｌｌｉｐｔｉｃａｌ ｆｏｒｍ Ｆａｃｔｏｒ＝Ｌｅｎｇｔｈ／Ｂｒｅａｄｔｈ）であって、注目する細胞の細長さの度合いを示すパラメータとなる。

・Ｉｎｎｅｒ ｒａｄｉｕｓ（図８の（ｍ）参照）「Ｉｎｎｅｒ ｒａｄｉｕｓ」は、注目する細胞の内接円の半径を示す値である。

・Ｏｕｔｅｒ ｒａｄｉｕｓ（図８の（ｎ）参照）「Ｏｕｔｅｒ ｒａｄｉｕｓ」は、注目する細胞の外接円の半径を示す値である。

・Ｍｅａｎ ｒａｄｉｕｓ（図８の（ｏ）参照）「Ｍｅａｎ ｒａｄｉｕｓ」は、注目する細胞の輪郭を構成する全点とその重心点との平均距離を示す値である。

・Ｅｑｕｉｖａｌｅｎｔ ｒａｄｉｕｓ（図８の（ｐ）参照）「Ｅｑｕｉｖａｌｅｎｔ ｒａｄｉｕｓ」は、注目する細胞と同面積の円の半径を示す値である。この「Ｅｑｕｉｖａｌｅｎｔ ｒａｄｉｕｓ」のパラメータは、注目する細胞を仮想的に円に近似した場合の大きさを示している。

ここで、ＣＰＵ４２の特徴量演算部４４は、細胞に対応する画素数に誤差分を加味して上記の各特徴量を求めてもよい。このとき、特徴量演算部４４は、顕微鏡画像の撮影条件（撮影倍率や顕微光学系の収差など）を考慮して特徴量を求めるようにしてもよい。なお、「Ｉｎｎｅｒ ｒａｄｉｕｓ」、「Ｏｕｔｅｒ ｒａｄｉｕｓ」、「Ｍｅａｎ ｒａｄｉｕｓ」、「Ｅｑｕｉｖａｌｅｎｔ ｒａｄｉｕｓ」を求めるときには、特徴量演算部４４は、公知の重心演算の手法に基づいて各細胞の重心点を求め、この重心点を基準にして各パラメータを求めればよい。

＜図７のステップＳ２１１：ＣＰＵ４２の分類モデル構築部４５による処理の詳細＞
次に、図９から図１１を用いて、図７のステップＳ２１１におけるＣＰＵ４２の分類モデル構築部４５による処理について詳細に説明する。

なお、本実施形態においては、たとえば、時系列における特徴量において、全ての時系列における特徴量を分類モデルに用いることも可能であるし、時系列における一部の時刻の特徴量を分類モデルに用いることも可能である。この「時系列における一部の時刻の特徴量」とは、たとえば、「Ｅｌｌｉｐｔｉｃａｌ ｆｏｒｍ Ｆａｃｔｏｒ」という特徴量の経過日数が３．００日目の値、「Ｅｌｌｉｐｔｉｃａｌ ｆｏｒｍ Ｆａｃｔｏｒ」という特徴量の経過日数が３．３３日目の値、・・・「Ｅｌｌｉｐｔｉｃａｌ ｆｏｒｍ Ｆａｃｔｏｒ」という特徴量の経過日数が１３．６７日目の値と、それぞれの値のことである。ここでは、「時系列における一部の時刻の特徴量」を、「指標」として説明する。すなわち、測定された経過日数ごとの特徴量それぞれの値が、指標となる。

ここでは、分類モデル構築部４５が、ファジーニューラルネットワーク（Ｆｕｚｚｙ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ：ＦＮＮ）解析によって上記の分類モデルを求める場合について説明する。

また、ここでは、分類モデル構築部４５が、特徴量に基づいて、各々の顕微鏡画像のセットにおいて、がん細胞の数（予測値）を求める場合の分類モデル（計算モデル）を求める場合について説明する。なお、ここでは、分類モデル構築部４５が、がん細胞の数（予測値）を求める場合の分類モデルを構築する場合について説明しているが、評価属性の異なる細胞に分類する場合の分類モデルを構築する場合でも、分類モデルの構築方法は同様である。

ＦＮＮとは、人工ニューラルネットワーク（Ａｒｔｉｆｉｃｉａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ：ＡＮＮ）とファジィ推論とを組み合わせた方法である。このＦＮＮでは、ファジイ推論の欠点であるメンバーシップ関数の決定を人間に頼るという部分を回避すべく、ＡＮＮをファジィ推論に組み込んでその自動決定を行う。

学習機械のひとつであるＡＮＮ（図９参照）は、生体の脳における神経回路網を数学的にモデル化したものであり、以下の特徴を持つ。ＡＮＮにおける学習は、目的の出力値（教師値）をもつ学習用のデータ（入力値：Ｘ）を用いて、バックプロパゲーション（Ｂａｃｋ ｐｒｏｐａｇａｔｉｏｎ：ＢＰ）法により教師値と出力値（Ｙ）との誤差が小さくなるように、ノード（図９において丸で示す）間をつなぐ回路における結合荷重を変え、その出力値が教師値に近づくようにモデルを構築する過程である。このＢＰ法を用いれば、ＡＮＮは学習により自動的に知識を獲得することができる。そして、最終的に学習に用いていないデータを入力することにより、そのモデルの汎用性を評価できる。

従来、メンバーシップ関数の決定は、人間の感覚に頼っていたが、上で述べたようなＡＮＮをファジイ推論に組み込むことで自動的なメンバーシップ関数の同定が可能になる。これがＦＮＮである。ＦＮＮでは、ＡＮＮと同様に、ＢＰ法を用いることによりネットワークに与えられた入出力関係を、結合荷重を変化させることで自動的に同定しモデル化できる。ＦＮＮは、学習後のモデルを解析することでファジィ推論のように人間に理解しやすい言語的なルール（一例として図１０の右下の吹き出しを参照）として知識を獲得できるという特徴をもっている。つまり、ＦＮＮは、その構造、特徴から、細胞の形態的特徴を表した数値のような変数の組み合わせにおける最適なファジィ推論の組み合わせを自動決定し、予測目標に関する推定と、予測に有効な特徴量（指標）の組み合わせを示すルールの生成を同時に行うことができる。

ＦＮＮの構造は、「入力層」、シグモイド関数に含まれるパラメータＷｃ、Ｗｇを決定する「メンバーシップ関数部分（前件部）」、Ｗｆを決定するとともに入力および出力の関係をルールとして取り出すことが可能な「ファジィルール部分（後件部）」、「出力層」の４層から成り立っている（図１０参照）。ＦＮＮのモデル構造を決定する結合荷重にはＷｃ、Ｗｇ、Ｗｆがある。結合荷重Ｗｃは、メンバーシップ関数に用いられるシグモイド関数の中心位置、Ｗｇは中心位置での傾きを決定する（図１１参照）。モデル内では、入力値がファジィ関数により、人間の感覚的に近い柔軟性を持って表現される（一例として図１０の左下の吹き出しを参照）。結合荷重Ｗｆは各ファジイ領域の推定結果に対する寄与を表しており、Ｗｆよりファジィルールを導くことができる。即ち、モデル内の構造はあとから解読でき、ルールとして書き起こすことができる（一例として図１０中右下の吹き出しを参照）。

ＦＮＮ解析におけるファジィルールの作成には結合荷重のひとつであるＷｆ値が用いられる。Ｗｆ値が正の値で大きいと、そのユニットは「予測に有効である」と判定されることに対する寄与が大きく、そのルールに当てはまった指標は「有効である」と判断される。Ｗｆ値が負の値で小さいと、そのユニットは「予測に有効でない」と判定されることに対する寄与が大きく、そのルールに当てはまった指標は「有効でない」と判断される。

より具体的な例として、ステップＳ２０９での分類モデル構築部４５は、以下の（Ａ）から（Ｈ）の処理により、上記の分類モデルを求める。

（Ａ）分類モデル構築部４５は、複数の指標のうちから１つの指標を選択する。

（Ｂ）分類モデル構築部４５は、（Ａ）で選択された指標を変数とした計算式により、各々の顕微鏡画像のセットでのがん細胞の数（予測値）を求める。

仮に、１つの指標からがん細胞の数を求める計算式を「Ｙ＝αＸ１」（但し、「Ｙ」はがん細胞の計算値（例えばがん細胞の増加数を示す値）、「Ｘ１」は上記の選択された指標の値、「α」はＸ１に対応する係数値、をそれぞれ示す。）とする。このとき、分類モデル構築部４５は、αに任意の値を代入するとともに、Ｘ１に各セットにおける値をそれぞれ代入する。これにより、各セットでのがん細胞の計算値（Ｙ）が求められる。

（Ｃ）分類モデル構築部４５は、各々の顕微鏡画像のセットについて、（Ｂ）で求めた計算値Ｙと、実際のがん細胞の数（教師値）との誤差をそれぞれ求める。なお、上記の教師値は、ステップＳ２０１で読み込んだがん細胞の数の情報に基づいて、分類モデル構築部４５が求めるものとする。

そして、分類モデル構築部４５は、各顕微鏡画像のセットでの計算値の誤差がより小さくなるように、教師付き学習により上記の計算式の係数αを修正する。

（Ｄ）分類モデル構築部４５は、上記の（Ｂ）および（Ｃ）の処理を繰り返し、上記（Ａ）の指標について、計算値の平均誤差が最も小さくなる計算式のモデルを取得する。

（Ｅ）分類モデル構築部４５は、複数の指標の各指標について、上記（Ａ）から（Ｄ）の各処理を繰り返す。そして、分類モデル構築部４５は、各指標における計算値の平均誤差を比較し、その平均誤差が最も低くなる指標を、評価情報の生成に用いる（評価情報を計算する分類モデルを構築するために用いる）１番目の指標とする。この評価情報とは、図５を用いて説明した、複数のサブクラスのうちのいずれかのサブクラス、または、いずれかのサブクラスを示す情報のことである。

（Ｆ）分類モデル構築部４５は、上記（Ｅ）で求めた１番目の指標と組み合わせる２番目の指標を求める。このとき、分類モデル構築部４５は、上記の１番目の指標と残りの１２７の指標とを１つずつペアにしてゆく。次に、分類モデル構築部４５は、各々のペアにおいて、計算式でがん細胞の予測誤差を求める。

仮に、２つの指標からがん細胞の数を求める計算式を「Ｙ＝αＸ１＋βＸ２」（但し、「Ｙ」はがん細胞の計算値、「Ｘ１」は１番目の指標の値、「α」はＸ１に対応する係数値、「Ｘ２」は、選択された指標の値、「β」はＸ２に対応する係数値、をそれぞれ示す。）とする。そして、分類モデル構築部４５は、上記の（Ｂ）および（Ｃ）と同様の処理により、計算値の平均誤差が最も小さくなるように、上記の係数α、βの値を求める。

その後、分類モデル構築部４５は、各々のペアで求めた計算値の平均誤差を比較し、その平均誤差が最も低くなるペアを求める。そして、分類モデル構築部４５は、平均誤差が最も低くなるペアの指標を、評価情報の生成に用いる１番目および２番目の指標とする。

（Ｇ）分類モデル構築部４５は、所定の終了条件を満たした段階で演算処理を終了する。例えば、分類モデル構築部４５は、指標を増やす前後の各計算式による平均誤差を比較する。そして、分類モデル構築部４５は、指標を増やした後の計算式による平均誤差が、指標を増やす前の計算式による平均誤差より高い場合（または両者の差が許容範囲に収まる場合）には、ステップＳ２０９の演算処理を終了する。

（Ｈ）一方、上記（Ｇ）で終了条件を満たさない場合、分類モデル構築部４５は、さらに指標の数を１つ増やして、上記（Ｆ）および（Ｇ）と同様の処理を繰り返す。これにより、上記の分類モデルを求めるときに、ステップワイズな変数選択によって指標の絞り込みが行われることとなる。

このようにして、分類モデル構築部４５は、一例としては、ＦＮＮ解析によって分類モデルを求めることができる。

なお、ここでは、分類モデル構築部４５が、ＦＮＮ解析によって上記の分類モデルを求める場合について説明したが、分類モデルを求める方法はＦＮＮ解析に限られるものではない。たとえば、分類モデル構築部４５は、上述した複数の特徴量を説明変量として、細胞の特性を評価する任意の形式の多変量解析により分類モデルを構築してもよい。この多変量解析とは、重回帰分析、判別分析、ロジスティック回帰分析、または、主成分分析などであってもよい。また、分類モデル構築部４５は、上述したように、階層型クラスタリング技術などのクラスタリング技術を用いて分類モデルを構築してもよい。

ここで、図７を用いて説明したように、分類モデル構築部４５が分類モデルを構築する場合には、その細胞が、図４または図５のいずれのサブクラスに属するかが、細胞毎に既知となっている必要がある。このことから、逆に、その細胞は、細胞毎に、図４または図５のいずれのサブクラスに属するかが既知となってさえいればよい。

そのため、たとえば、図４（ａ）に示されるように線維芽細胞のみを１つの培養容器１９内で培養した画像と、図４（ｂ）に示されるように角化細胞のみを１つの培養容器１９内で培養した画像とに基づいて、分類モデル構築部４５は、分類モデルを構築してもよい。この場合、分類モデル構築部４５は、それぞれの画像から抽出した細胞の画像領域と、その画像領域の細胞に対応する既知のサブクラスとに基づいて、分類モデルを構築する。この場合、ユーザは、線維芽細胞と角化細胞とを同一の培養容器１９内で培養した画像などを用意する必要がないため、分類モデルを容易に構築することができる。

また、細胞がいずれのサブクラスに属するかという属性情報の１つの属性情報として、その細胞の種類についての情報が必要である。上記のように細胞それぞれを、細胞の種類に応じて、細胞を独立したそれぞれの培養容器１９内で培養している場合には、その培養容器１９内で培養されている細胞の種類は１種類で既知である。そのため、細胞の属性情報のうち細胞の種類を既知とすることが容易となる。

このように、本実施形態においては、分類モデル構築部４５が構築する分類モデルは、細胞１つずつを分類する分類モデルである。そのために、ユーザは、分類モデルを構築するための画像の取得を、容易に行うことが可能である。また、ユーザは、分類モデルを構築するための画像を得るための実験を、容易に行うことが可能である。

なお、分類モデル構築部４５が、たとえば、教師なしのクラスタリング技術を用いて分類モデルを構築する場合には、分類モデルを構築する場合に、その細胞が、図４または図５のいずれのサブクラスに属するかが、細胞毎に既知となっている必要はない。この場合、形態的特徴が似ている細胞が、サブクラスとなるようにして、分類モデルが構築される。また、この場合、サブクラスも、分類モデル構築部４５により生成されることになる。

＜図７のステップＳ２０９により構築された分類モデルの一例＞
ここで、図７のステップＳ２０９により構築された分類モデルの一例について、上記に説明した図５を用いて説明する。ここでは、クラスタリング技術の一例として、階層化クラスタリング技術により構築されている場合の分類モデルについて説明する。

この図５において、構築された分類モデルは、まず、評価対象の細胞（図５の「入力」に入力された細胞）に対して、特徴量演算部４４により求められた上述の１６個の特徴量のうち、「Ｓｈａｐｅ Ｆａｃｔｏｒ」が予め定められている値よりも大きいか否かにより、評価対象の細胞を、サブクラス１、２、３、８および９と、サブクラス４、５、６および７とのうち、いずれに属するかを分類する。

評価対象の細胞がサブクラス１、２、３、８および９に分類された場合には、構築された分類モデルは、次に、１６個の特徴量のうち「Ｔｏｔａｌ ａｒｅａ」が予め定められている値よりも大きいか否かにより、評価対象の細胞を、サブクラス１、２および３と、サブクラス８および９とのうち、いずれに属するかを分類する。

評価対象の細胞がサブクラス１、２および３に分類された場合には、構築された分類モデルは、次に、１６個の特徴量のうち「Ｆｉｂｅｒ Ｌｅｎｇｔｈ」が予め定められている値よりも大きいか否かにより、評価対象の細胞を、サブクラス１と、サブクラス２および３とのうち、いずれに属するかを分類する。

評価対象の細胞がサブクラス２および３に分類された場合には、構築された分類モデルは、次に、１６個の特徴量のうち「Ｔｏｔａｌ ａｒｅａ」が予め定められている値よりも大きいか否かにより、評価対象の細胞を、サブクラス２とサブクラス３とのうち、いずれに属するかを分類する。

これにより、サブクラス１、２および３に分類された評価対象の細胞は、さらに、サブクラス１から３のいずれかのサブクラスに分類される。また、図５に示されるように、サブクラス１、２および３に分類された評価対象の細胞の場合と同様に、サブクラス８および９に分類された評価対象の細胞は、さらに、サブクラス８または９のいずれかのサブクラスに分類される。また、同様に、サブクラス４、５、６および７に分類された評価対象の細胞は、さらに、さらに、サブクラス４、５、６または７のいずれかのサブクラスに分類される。

そして、判定部４７が、分類されたサブクラスに基づいて、対象細胞の種類を示すクラスを判定する。これにより、細胞の種類が判定される。

ここで、上記の分類方法により、分類における精度が向上する理由について説明する。ここでは、一例として、人間を、女性と男性との２つのクラスに分類する場合について説明する。

もし、人間を、女性と男性との２つのクラスにだけ分類しようとする場合に、分類先となるクラスの数が少ない場合には、形態的特徴に基づいて、人間を少数のクラスに分類することが難しいことがある。

たとえば、身長や体重などの形態的特徴だけから、男性に対応するクラスと女性に対応するクラスとの２つのクラスなどのように、少数のクラスに分類することは難しいことがある。なぜなら、一般的には、男性であれば背が高く女性であれば背が低いが、女性の中にも背の高い人もいれば、男性の中にも背の低い人もいるためである。

ところで、女性を予め３つのサブクラス（Ａ，Ｂ，Ｃ）にわけ、男性も３つのサブクラス（Ｄ，Ｅ，Ｆ）にわけておく。そうすると、この６つのサブクラスにおいては、個々の集団の形態的特徴について、まとまりがそれぞれ出てくる。

たとえば、女性の３つのサブクラスとして、次の３つのサブクラスとする。
・サブクラスＡ：背が高く、やせていて、足が長い。
・サブクラスＢ：背は普通だが、足が長く、かつ、手足が小さい。
・サブクラスＣ：背が低いが、やせていて、かつ、手足が小さい。

つまり、サブクラスＡ，Ｂ，Ｃが混じっていると、背の高さと、やせている度合いと、手足の小ささとのいずれを用いても、適切に女性を分類できないことが生じる。これに対して、はじめから３つのサブクラスに分類しておくと、適切に分けることができる。

また、これらが適切に分けることができると、「男性」との分類の精度もよくなり、いままでのように、女性全体だと曖昧だったものが、サブクラスＡとＣは、きっちりと、男性との違いが出ており、サブクラスＢだけ男性との違いが少し曖昧である、というように、よく分類できるサブクラスが出てくる。

このように、形態的特徴に基づいて、女性を男性から、曖昧なサブクラス（サブクラスＢ）に分類されることもあるが、きっちりと分類できるサブクラス（サブクラスＡとＣ）にも分類する。このきっちりと分類できるサブクラスに分類された場合には、女性である可能性が非常に高い。そのため、全体の精度として向上する。

このように、複数のグループから構成される集合体をあらかじめ分離しておくと、各種グループの形態的特徴が明確化するため、予測精度を向上させることができる。よって、図４および図５を用いて説明した分類モデルを用いている細胞評価装置は、評価対象となる細胞に対して、精度良く、その細胞の種類を判定することができる。

また、判別不能またはノイズとして分類されるサブクラス（図５のサブクラス８と９とを参照）も、サブクラスの分類先となるようにして、分類モデルが構築されている。これにより、判別不能またはノイズとなるような物体が画像に含まれている場合であっても、この分類モデルは、その物体を、いずれかの細胞であると誤分類（誤判定）することなく、判別不能またはノイズとして分類されるサブクラスとして分類することができる。

よって、この分類モデルを用いる細胞評価装置は、判別不能またはノイズとなるような物体の影響を減じて、細胞をサブクラスに分類することができる。よって、この分類モデルを用いる細胞評価装置は、判別不能またはノイズとなるような物体の影響を減じて、細胞の種類を判定することができる。

（細胞を評価する場合の処理の例）
次に、図１２の流れ図を用いて、細胞評価装置が、評価対象となる細胞を分類する場合の処理について説明する。ここでは、評価対象となる複数の顕微鏡画像のデータが、記憶部４３に記憶されているものとして説明する。なお、評価対象の顕微鏡画像は、細胞群を培養した培養容器１９をインキュベータ１１によって同一視野を同一の撮影条件でタイムラプス観察して取得されたものとする。また、この場合のタイムラプス観察は、図７の例と条件を揃えるために、培養開始から０．３３日目（８時間目）経過後を初回として０．３３日（８時間）おきに１３．６７日目まで行われているものとする。

ステップＳ３０１：ＣＰＵ４２は、評価対象となる複数の顕微鏡画像のデータを、画像入力部５１を介して記憶部４３から読み込む。次に、ＣＰＵ４２の特徴量演算部４４は、読み込んだ評価対象となる複数の顕微鏡画像のデータに対して、図７のステップＳ２０３、ステップＳ２０４、および、ステップＳ２０５の場合と同様に、複数の特徴量を抽出する。

ステップＳ３０２：ＣＰＵ４２の分類処理部４６は、記憶部４３から分類モデルの情報（図７のステップＳ２１０で記録されたもの）を読み込む。

ステップＳ３０４：ＣＰＵ４２の分類処理部４６は、ステップＳ３０１で求めた複数の特徴量を、ステップＳ３０２で読み出した分類モデルに代入して演算を行う。そして、ＣＰＵ４２の分類処理部４６は、上記の演算結果に基づいて、評価対象の顕微鏡画像に対して分類した結果を示す評価情報を生成する。この評価情報とは、分類されたサブクラスを示す情報、または、分類されたサブクラスに対応しているラベルのことである。

その後、ＣＰＵ４２の判定部４７は、分類処理部４６により分類されたサブクラスまたはラベルに基づいて、対象細胞の種類を示すクラスを判定する。これにより、対象細胞の種類が判定される。次に、ＣＰＵ４２の出力部５２は、判定部４７により判定された結果に基づいた出力を、不図示のモニタ等に表示させる。以上で、図１２の説明を終了する。

このようにして、本実施形態による細胞評価装置は、細胞の画像のみにより、細胞の種類を判定することができる。そのため、本実施形態による細胞評価装置は、比較的簡易な手法で、評価対象とする細胞の種類を判定することができる。

また、本実施形態によれば、制御装置４１は、タイムラプス観察で取得した顕微鏡画像を用いて、特徴量に基づいて細胞を精度よく分類することができる。また、本実施形態の制御装置４１は、ありのままの細胞を分類する対象にできるので、例えば医薬品のスクリーニングや再生医療の用途で培養される細胞を分類するときに極めて有用である。

また、医薬品のスクリーニングや再生医療の用途で培養される細胞として、線維芽細胞を培養する場合、培養する線維芽細胞に角化細胞が混入されているか否かを容易に確認することができる。その逆に、培養する角化細胞に線維芽細胞が混入されているか否かを容易に確認することもできる。そのため、医薬品のスクリーニング、再生医療、および、化粧品の開発に好適である。

なお、本実施形態では、顕微鏡画像から細胞を分類する例を説明したが、例えば、制御装置４１を、顕微鏡画像から異種細胞の混在率を評価することに用いることや、胚性幹細胞（ＥＳ細胞）や人工多能性幹細胞（ｉＰＳ細胞）の分化誘導の度合いの評価に用いることも可能である。また、本実施形態で求めた評価情報は、評価対象の培養細胞群における分化・脱分化・腫瘍化・活性劣化・細胞のコンタミネーション等の異常検出手段や、評価対象の培養細胞群の品質を工学的に管理するときの手段として用いることができる。

また、本実施形態による細胞評価装置は、画像に基づいて細胞を評価（分類）する。そのため、本実施形態による細胞評価装置は、細胞に対して非侵襲に、細胞を評価することができる。よって、細胞を培養しながら、その細胞そのものを撮像した画像に基づいて、細胞を評価することができる。そのため、本実施形態による細胞評価装置は、細胞の培養において、好適である。

なお、上記の説明においては、本実施形態による細胞評価装置は、一例として細胞線維芽細胞と角化細胞との２種類の細胞、および、それらのノイズとについて、細胞を９つのサブクラスに分類する場合について説明した。しかし、これに限られるものではなく、本実施形態による細胞評価装置は、分類する細胞の種類数、そのサブクラスの数は任意であってもよい。また、クラスの数も任意であってもよい。これらの数は、細胞を分類したいユーザにより定められてもよいし、細胞をサブクラスに分類できる精度に依存して定められてもよい。

ところで、サブクラスに分類された情報のすべてについて同等に分析した場合、画像分析して得られた対象がノイズの可能性があるにも関わらず、そのノイズ情報も考慮して分析されてしまう可能性がある。そのため、細胞に対しての解析の精度が落ちてしまう可能性がある。

これに対して、本実施形態においては、サブクラスに分類する場合に、細胞を、予め定められている細胞の種類に対応して予め定められているサブクラス（図５のサブクラス１から３と、４から７とを参照）、または、複数の細胞の種類に該当しない予め定められているサブクラス（図５のサブクラス８と９を参照）に、分類する。そのため、比較的簡易な手法で、評価対象とする細胞を、評価対象とする細胞とそれ以外のクラスに分けることができる。そのため、ノイズ情報を既知にした上で、解析することも可能である。また、細胞を評価する場合、評価対象とする細胞に、評価対象として適切でない細胞が含まれている場合であっても、評価対象とする細胞を、適切に細胞を評価できる。

図１３は、本実施形態の細胞評価装置を用いた細胞の培養方法を説明するためのフローチャートである。本フローチャートでは、増殖させたい所望の細胞が培養されている培養容器１９が、インキュベータ１１のストッカー２１が有する複数の棚のうちのいずれかに、収納されているものとして説明する。

まず、ステップＳ１２０１において、ＣＰＵ４２は、予め決められた培養条件（例えば所定の温度、湿度等）で細胞を培養するよう温度調整装置１５ａと湿度調整装置１５ｂとを制御する。所定期間経過後、ステップＳ１２０２において、ＣＰＵ４２は、記憶部４３から読み出した本発明の実施形態の細胞評価プログラムを実行し、細胞を評価（分類）する。

次に、ステップＳ１２０３において、ＣＰＵ４２は、細胞の評価結果（分類結果）に基づき、培養を中止するか、培養条件を変更するか、または現在の培養条件で培養を続行するか判定する。

次に、ステップＳ１２０４において、ＣＰＵ４２が培養を中止すると判定した場合（ステップＳ１２０４ ＹＥＳ）、ＣＰＵ４２は培養の中止を示す情報を不図示のモニタ等に表示させ、処理を終了する。
一方、ＣＰＵ４２は培養を中止すると判定しなかった場合（ステップＳ１２０４ ＮＯ）、ＣＰＵ４２はステップＳ１２０５の処理に進む。

次に、ステップＳ１２０５において、ＣＰＵ４２が培養条件を変更すると判定した場合（ステップＳ１２０５ ＹＥＳ）、ＣＰＵ４２は、細胞の状態の評価結果と関係付けられた培養条件（例えば所定の温度、湿度等）に変更するよう温度調整装置１５ａと湿度調整装置１５ｂとを制御する（ステップＳ１２０６）。その後、ＣＰＵ４２は、ステップＳ１２０２に処理を戻す。
一方、ＣＰＵ４２が現在の培養条件で培養を続行すると判定した場合（ステップＳ１２０５ ＮＯ）、ＣＰＵ４２はステップＳ１２０７に処理を進める。

次に、ステップＳ１２０７において、ＣＰＵ４２は、予め決められた時間の経過毎に、撮像装置３４により撮像された画像から、細胞が撮像されている画像の領域を細胞ごとに抽出し、この抽出した細胞が撮像されている画像の領域の数すなわち細胞数を計数する。

次に、ステップＳ１２０８において、計数された細胞数が所定の細胞数に到達していない場合（ステップＳ１２０８ ＮＯ）、計数された細胞数に応じた時間が経過した後、ＣＰＵ４２はステップＳ１２０２に処理を戻す。
一方、計数された細胞数が所定の細胞数に到達した場合（ステップＳ１２０８ ＹＥＳ）、ＣＰＵ４２はその細胞の培養が完了した旨を示す情報を、不図示のモニタ等に表示させる。以上で、本フローチャートは、終了する。

以上により、本発明の細胞の培養方法を用いれば、細胞の評価に基づいて動的に培養条件を変更することができるので、所望の細胞を容易に増殖させることができる。

なお、図１３の処理において、ＣＰＵ４２は、判定した結果を表示部などに表示してもよい。そして、ユーザは、この表示部に表示された結果に応じて、培養条件などを変更する情報を、入力部を介してＣＰＵ４２に入力する。このようにして、ＣＰＵ４２は、ユーザにより入力された情報に基づいて、培養条件などを変更してもよい。

＜実施形態の補足事項＞
（１）上記の第１または第２の実施形態では、インキュベータ１１の制御装置４１に細胞評価装置を組み込んだ例を説明したが、本発明の細胞評価装置は、インキュベータ１１から顕微鏡画像を取得して解析を行う外部の独立したコンピュータで構成されていてもよい（この場合の図示は省略する）。

（２）また、本発明の細胞評価装置は、複数の分類モデルを組み合わせて、これらの分類モデルによる演算結果の多数決（あるいは重み付け平均）によって、最終的な評価情報を生成するようにしてもよい。この場合には、例えば、ある条件ではＭＲＡが強く、ある条件ではＦＮＮが強いというように、一方の分類モデルでは精度の低い状況を他のモデルによってカバーすることができ、評価情報の精度をより高めることができる。

（３）また、細胞評価装置は、評価情報の分類モデルを求めるときに、最初に複数の指標を組み合わせでの計算結果を演算し、変数増減法により指標を増減させるようにしてもよい。また、データの精度が高ければ指標を全て用いても良い。

（４）上記の実施形態や実施例に示した特徴量はあくまで一例にすぎず、評価対象の細胞の種類などに応じて他の特徴量のパラメータを採用することも勿論可能である。

なお、図１における制御装置４１が備える各構成は専用のハードウェアにより実現されるものであってもよく、また、メモリおよびマイクロプロセッサにより実現させるものであってもよい。
なお、この図１の制御装置４１が備える各構成は専用のハードウェアにより実現されるものであってもよく、また、この制御装置４１が備える各構成はメモリおよびＣＰＵ（中央演算装置）により構成され、制御装置４１が備える各構成の機能を実現するためのプログラムをメモリにロードして実行することによりその機能を実現させるものであってもよい。

また、図１における制御装置４１が備える各構成の機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することにより制御装置４１が備える各構成による処理を行ってもよい。なお、ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものとする。

また、「コンピュータシステム」は、ＷＷＷシステムを利用している場合であれば、ホームページ提供環境（あるいは表示環境）も含むものとする。
また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ−ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間の間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含むものとする。また上記プログラムは、前述した機能の一部を実現するためのものであっても良く、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであっても良い。

以上の詳細な説明により、実施形態の特徴点および利点は明らかになるであろう。これは、特許請求の範囲が、その精神および権利範囲を逸脱しない範囲で前述のような実施形態の特徴点および利点にまで及ぶことを意図するものである。また、当該技術分野において通常の知識を有する者であれば、あらゆる改良および変更に容易に想到できるはずであり、発明性を有する実施形態の範囲を前述したものに限定する意図はなく、実施形態に開示された範囲に含まれる適当な改良物および均等物によることも可能である。

１１…インキュベータ、１５…恒温室、１９…培養容器、２２…観察ユニット、３４…撮像装置、４１…制御装置、４２…ＣＰＵ、４３…記憶部、４４…特徴量演算部、４５…分類モデル構築部、４６…分類処理部、４７…判定部、５０…画像読込部、５１…画像入力部、５２…出力部

Claims (11)

1. 対象細胞が撮像されている画像を取得する画像取得部と、
   前記取得した画像に撮像されている前記対象細胞の形態的特徴を示す複数種類の特徴量を求める特徴量取得部と、
   前記特徴量取得部により求められた複数種類の前記特徴量を、複数種類の前記特徴量に応じて、細胞の種類毎に、１つの種類の細胞を評価属性の異なる複数のサブクラスに分類する分類モデルに基づいて分類し、前記対象細胞をサブクラスに分類する分類処理部と、
   前記分類されたサブクラスに基づいて、前記対象細胞の種類を示すクラスを判定する判定部と、
   を備えていることを特徴とする細胞評価装置。
2. 前記分類モデルは、
   前記複数のサブクラスとして、前記細胞の特徴に基づいた、当該１つの種類の細胞に対して判別不能またはノイズとして分類されるサブクラスであって、予め定められている少なくとも１つのサブクラスを有している、
   ことを特徴とする請求項１に記載の細胞評価装置。
3. 前記分類モデルは、
   前記判別不能またはノイズとして分類されるサブクラスが、複数の細胞の種類に対してそれぞれ構築されている、
   ことを特徴とする請求項２に記載の細胞評価装置。
4. 前記画像取得部は、
   前記対象細胞が撮像されている画像を時系列に取得し、
   前記特徴量取得部は、
   前記対象細胞の前記複数種類の特徴量を、前記時系列に取得した画像に撮像されている画像毎に求め、当該時系列に取得した画像に撮像されている画像毎に求めた特徴量の前記時系列に対しての差分を、前記特徴量に含めて求める、
   ことを特徴とする請求項１から請求項３のいずれか１項に記載の細胞評価装置。
5. 前記分類モデルは、クラスタリング技術により、予め構築されている、
   ことを特徴とする請求項１から請求項４のいずれか１項に記載の細胞評価装置。
6. 前記分類モデルは、細胞の種類毎に、１種類の細胞が撮像されている画像に基づいて、構築されている、
   ことを特徴とする請求項１から請求項５のいずれか１項に記載の細胞評価装置。
7. 前記判定した細胞の種類の結果に基づいて、異種細胞の混入を検出する、または、それぞれの細胞の混在率を算出して出力する出力部、
   を備えていることを特徴とする請求項１から請求項６のいずれか１項に記載の細胞評価装置。
8. 細胞が撮像されている画像を取得する画像取得部と、
   前記画像に含まれる前記対象細胞の形態的特徴を示す複数種類の特徴量を求める特徴量取得部と、
   前記特徴量取得部により求められた複数種類の前記特徴量を、複数種類の前記特徴量に基づいて評価属性の異なる細胞をサブクラスに分類する分類モデルに基づいて分類し、前記対象細胞をサブクラスに分類する分類処理部と、
   を有し、
   前記分類モデルは、
   前記評価属性の異なる細胞をサブクラスに分類する場合に、
   予め定められている細胞の種類に対応して予め定められているサブクラス、または、前記複数の細胞の種類に該当しない予め定められているサブクラスに分類する、
   ことを特徴とする細胞評価装置。
9. 細胞を培養する培養容器を収納するとともに、所定の環境条件に内部を維持可能な恒温室と、
   前記恒温室内で前記培養容器に含まれる前記細胞の画像を撮像し、前記画像取得部に撮像された画像を出力する撮像装置と、
   請求項１から請求項８のいずれか１項に記載の細胞評価装置と、
   を備えるインキュベータ。
10. コンピュータを、請求項１から請求項８のいずれか１項に記載の細胞評価装置として機能させるプログラム。
11. 請求項１から請求項８のいずれか１項に記載の細胞評価装置が備えている前記画像取得部は、培養容器内で培養されている細胞が撮像されている画像を取得し、
    請求項１から請求項８のいずれか１項に記載の細胞評価装置が備えている前記分類処理部により分類されたクラスに基づき、前記培養容器内で培養されている細胞の培養条件を変更することを特徴とする細胞の培養方法。