JP2011232051A - 分類モデル生成装置、細胞分類装置、インキュベータ、細胞の培養方法及びプログラム - Google Patents

Abstract

【課題】安価かつ簡便に、細胞の種類、状態等を確認するための技術を提供する。
【解決手段】分類モデル生成装置は、未知の細胞が撮像された撮像画像である未知属性撮像画像、又は、前記未知属性撮像画像内の細胞を、細胞の形態的な特徴に基づいて属性毎に分類する分類モデルを生成する分類モデル生成装置であって、既知の同一属性の複数の細胞が撮像された撮像画像である既知同一属性撮像画像から個々の細胞の撮像領域を個々の細胞オブジェクトとして認識する細胞オブジェクト認識部と、前記細胞オブジェクトの形態的特徴量及び前記細胞オブジェクトとして認識された前記細胞の属性に基づいて、前記分類モデルを生成する分類モデル生成部とを備える。
【選択図】図１

Description

本発明は、分類モデル生成装置、細胞分類装置、インキュベータ、細胞の培養方法及びプログラムに関するものである。

現在、がん研究における自然発生がんの検出、再生医療における治療用細胞以外の異種細胞の検出、間葉系幹細胞（ＭＳＣ）の臨床研究などにおいて、細胞を染色する技術が用いられている。細胞の種類、状態等は、細胞を染色しなければ、目視では感覚的にしか分類できないからである。なお、転写因子を発現する細胞を染色する技術が開示されている（特許文献１参照）。また、細胞の明視野画像と該細胞の蛍光画像とを２値化処理した両画像を用いて、撮像画像における全細胞中から特定の細胞群を抽出する技術が開示されている（特許文献２参照）。

特開２００７−１９５５３３号公報 特開平２−１２０６０号公報

しかしながら、細胞は染色によって破壊されるという問題がある。更に、染色試薬が高価であるという問題、細胞の染色自体が面倒であるという問題ある。本発明の目的は、細胞を破壊することなく、また、安価かつ簡便に、細胞の種類、状態等を確認するための技術を提供することにある。

上記問題を解決するために、本発明の一態様である分類モデル生成装置は、未知の細胞が撮像された撮像画像である未知属性撮像画像、又は、前記未知属性撮像画像内の細胞を、細胞の形態的な特徴に基づいて属性毎に分類する分類モデルを生成する分類モデル生成装置であって、既知の同一属性の複数の細胞が撮像された撮像画像である既知同一属性撮像画像から個々の細胞の撮像領域を個々の細胞オブジェクトとして認識する細胞オブジェクト認識部と、前記細胞オブジェクトの形態的特徴量及び前記細胞オブジェクトとして認識された前記細胞の属性に基づいて、前記分類モデルを生成する分類モデル生成部とを備えたことを特徴とする。

上記分類モデル生成装置において、請求項１に記載の分類モデル生成装置において、前記分類モデル生成部は、前記細胞オブジェクトのなかから所定の形態的特徴量を有する前記細胞オブジェクトを特徴的オブジェクトとして抽出する特徴的オブジェクト抽出部と、 前記特徴的オブジェクトの形態的特徴量及び前記特徴的オブジェクトとして認識された前記細胞の属性から前記分類モデルの候補となる候補分類モデルを形成する候補分類モデル形成部と、抽出された前記特徴的オブジェクトに応じて前記候補分類モデル形成部が形成した複数の前記候補分類モデルのなかから、前記分類モデルを決定する分類モデル決定部とを備えるようにしてもよい。

上記分類モデル生成装置において、前記特徴的オブジェクト抽出部は、基準値から所定範囲内の値の形態的特徴量を有する前記細胞オブジェクトを前記特徴的オブジェクトとして抽出するようにしてもよい。

上記分類モデル生成装置において、前記分類モデル生成部は、前記未知属性撮像画像、又は、前記未知属性撮像画像内の細胞を段階的に分類する前記分類モデルを生成するようにしてもよい。

上記分類モデル生成装置において、前記分類モデル生成部は、前記既知同一属性撮像画像から認識された複数の前記細胞オブジェクトの形態的特徴量を代表する代表的特徴量を計算する代表的特徴量計算部と、各前記既知同一属性撮像画像から計算された各前記代表的特徴量及び各前記既知同一属性撮像画像に撮像されている細胞の属性から前記分類モデルを形成する分類モデル形成部とを備えるようにしてもよい。

上記分類モデル生成装置において、前記細胞オブジェクト認識部は、前記撮像画像を所定の閾値で２値化する２値化処理部を備え、前記２値化処理部は、接着系細胞が撮像された前記撮像画像の場合、１つの閾値を用いて前記撮像画像を２値化し、浮遊系細胞が撮像された前記撮像画像の場合、２つの閾値を用いて前記撮像画像を２値化するようにしてもよい。

上記問題を解決するために、本発明の他の一態様であるインキュベータは、細胞を培養する培養容器を収容するとともに、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する撮像装置と、請求項１から請求項６の何れかに記載の分類モデル生成装置とを備えることを特徴とする。

上記問題を解決するために、本発明の他の一態様である細胞分類装置は、未知の細胞が撮像された撮像画像である未知属性撮像画像、又は、前記未知属性撮像画像内の細胞を、細胞の形態的な特徴に基づいて属性毎に分類する分類モデルを記憶する分類モデル記憶部と、前記未知属性撮像画像から個々の細胞の撮像領域を個々の細胞オブジェクトとして認識する細胞オブジェクト認識部と、前記細胞オブジェクト認識部によって前記未知属性撮像画像から認識された前記細胞オブジェクトの形態的特徴量又は当該形態的特徴量から算出される特徴量を、前記分類モデルに投入することによって、前記未知属性撮像画像又は前記未知属性撮像画像内の細胞を分類する細胞分類部とを備えることを特徴とする。

上記細胞分類装置において、前記細胞分類部は、未知の異種属性の複数の細胞が撮像された前記未知属性撮像画像である未知異種属性撮像画像が投入されたときは、当該未知異種属性撮像画像から認識された前記細胞オブジェクトのなかから所定の形態的特徴量を有する前記細胞オブジェクトを特徴的オブジェクトとして抽出し、前記特徴的オブジェクトの形態的特徴量に基づいて、当該特徴的オブジェクトを分類し、未知の同一属性の複数の細胞が撮像された前記未知属性撮像画像である未知同一属性撮像画像が投入されたときは、当該未知同一属性撮像画像から認識された前記細胞オブジェクトの形態的特徴量から算出される特徴量に基づいて、当該未知同一属性撮像画像を分類するようにしてもよい。

上記細胞分類装置において、前記細胞オブジェクト認識部によって既知の同一属性の複数の細胞が撮像された撮像画像である既知同一属性撮像画像から認識された前記細胞オブジェクトを記憶する細胞オブジェクト記憶部と、前記細胞オブジェクト記憶部に記憶されている前記細胞オブジェクトに基づいて前記分類モデルを生成する分類モデル生成部とを更に備え、前記分類モデル生成部は、前記細胞分類部が、前記未知属性撮像画像又は前記未知属性撮像画像内の細胞を分類するときに、前記分類モデルを生成するようにしてもよい。

上記細胞分類装置において、前記分類モデル生成部は、前記未知異種属性撮像画像を分類するときは、前記細胞オブジェクトのなかから所定の形態的特徴量を有する前記細胞オブジェクトを特徴的オブジェクトとして抽出し、前記特徴的オブジェクトの形態的特徴量及び前記特徴的オブジェクトとして認識された前記細胞の属性から前記分類モデルの候補となる候補分類モデルを形成し、抽出された前記特徴的オブジェクトに応じて生成した複数の前記候補分類モデルのなかから前記分類モデルを決定し、前記未知同一属性撮像画像を分類するときは、前記既知同一属性撮像画像から認識された複数の前記細胞オブジェクトの形態的特徴量を代表する代表的特徴量を計算し、各前記既知同一属性撮像画像から計算された各前記代表的特徴量及び各前記既知同一属性撮像画像に撮像されている細胞の属性から前記分類モデルを生成するようにしてもよい。

上記細胞分類装置において、前記細胞分類部は、前記既知同一属性撮像画像から得られた前記細胞オブジェクトのなかから特徴的オブジェクトを抽出したときの条件のうち前記分類モデルとして決定された前記候補分類モデルを抽出したときの条件に従って、前記未知異種属性撮像画像から得られた前記細胞オブジェクトのなかから前記特徴的オブジェクトを抽出し、前記既知同一属性撮像画像から得られた前記細胞オブジェクトの前記代表的特徴量を計算したときの条件に従って、前記未知同一属性撮像画像から得られた前記細胞オブジェクトの前記代表的特徴量を計算するようにしてもよい。

上記細胞分類装置において、前記分類モデル生成部は、前記未知属性撮像画像、又は、前記未知属性撮像画像内の細胞を段階的に分類する前記分類モデルを生成するようにしてもよい。

上記細胞分類装置において、前記細胞分類部による分類先を示す分類先情報と、細胞名と培養条件とを含む属性情報とを対応付けて記憶する細胞カタログ記憶部を更に備えるようにしてもよい。

上記細胞分類装置において、前記細胞カタログ記憶部は、前記細胞オブジェクトの画像を更に記憶するようにしてもよい。

上記問題を解決するために、本発明の他の一態様であるインキュベータは、細胞を培養する培養容器を収容するとともに、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する撮像装置と、上記細胞分類装置とを備えることを特徴とする。

上記問題を解決するために、本発明の他の一態様である培養方法は、所定の環境条件に内部を維持可能な恒温室に収容された培養容器内の細胞の画像を撮像し、細胞が撮像された撮像画像または前記撮像画像内の細胞を分類し、分類の結果に基づいて、前記培養容器内の細胞の培養条件を変更することを特徴とする。

上記問題を解決するために、本発明の他の一態様であるプログラムは、未知の細胞が撮像された撮像画像である未知属性撮像画像、又は、前記未知属性撮像画像内の細胞を、細胞の形態的な特徴に基づいて属性毎に分類する分類モデルを生成する分類モデル生成装置のコンピュータに、既知の同一属性の複数の細胞が撮像された撮像画像である既知同一属性撮像画像から個々の細胞の撮像領域を個々の細胞オブジェクトとして認識する細胞オブジェクト認識ステップと、前記細胞オブジェクトの形態的特徴量及び前記細胞オブジェクトとして認識された前記細胞の属性に基づいて、前記分類モデルを生成する分類モデル生成ステップとを実行させることを特徴とする。

上記問題を解決するために、本発明の他の一態様であるプログラムは、未知の細胞が撮像された撮像画像である未知属性撮像画像、又は、前記未知属性撮像画像内の細胞を、細胞の形態的な特徴に基づいて属性毎に分類する分類モデルを記憶する細胞分類装置のコンピュータに、前記未知属性撮像画像から個々の細胞の撮像領域を個々の細胞オブジェクトとして認識する細胞オブジェクト認識ステップと、前記細胞オブジェクト認識ステップによって前記未知属性撮像画像から認識された前記細胞オブジェクトの形態的特徴量又は当該形態的特徴量から算出される特徴量を、前記分類モデルに投入することによって、前記未知属性撮像画像又は前記未知属性撮像画像内の細胞を分類する細胞分類ステップと
を実行させることを特徴とする。

本発明によれば、細胞を破壊することなく、また、安価かつ簡便に、細胞の種類、状態等を確認することができる。

本発明の第１の実施形態による分類モデル生成装置１の機能ブロック図の一例である。 ノイズ推定部２４の動作を説明するための説明図である。 各特徴値の概要を示す図である。 細胞オブジェクト記憶部７２に記憶される情報の一例である。 抽出条件記憶部７４に記憶される情報の一例である。 候補分類モデル記憶部７６に記憶される情報の一例である。 分類モデル記憶部８０に記憶される情報の一例である。 分類モデル生成装置１と接続するインキュベータ３１１の概要を示すブロック図である。 インキュベータ３１１の正面図である。 インキュベータ３１１の平面図である。 分類モデル生成装置１の動作の一例を示すフローチャートである。 ノイズ推定部２４の動作の一例を示すフローチャートである。 本発明の第２の実施形態による分類モデル生成装置２の機能ブロック図の一例である。 本発明の第３の実施形態による細胞分類装置３の機能ブロック図の一例である。 検索オブジェクト一時記憶部１７０に記憶される情報の一例である。 細胞カタログ記憶部１９０に記憶される情報の一例である。 細胞分類装置３の動作の一例を示すフローチャートである。 細胞分類装置４の機能ブロック図の一例である。 検索オブジェクト一時記憶部２７０に記憶される情報の一例である。 細胞分類装置４の動作の一例を示すフローチャートである。 細胞分類装置４の機能を兼ね備えるインキュベータ３１１の動作の一例を示すフローチャートである。

（第１の実施形態）
以下、図面を参照しながら本発明の第１の実施形態について説明する。図１は本発明の第１の実施形態による分類モデル生成装置１の機能ブロック図の一例である。図２は、ノイズ推定部２４の動作を説明するための説明図である。図３は、各特徴値の概要を示す図である。図４は、細胞オブジェクト記憶部７２に記憶される情報の一例である。図５は、抽出条件記憶部７４に記憶される情報の一例である。図６は、候補分類モデル記憶部７６に記憶される情報の一例である。図７は、分類モデル記憶部８０に記憶される情報の一例である。分類モデル生成装置１は、未知の細胞が撮像された撮像画像（以下、「未知属性撮像画像」という）である未知属性撮像画像、又は、未知属性撮像画像内の細胞を、細胞の形態的な特徴に基づいて属性毎に分類する分類モデルを生成する。

分類モデル生成装置１は、図１に示すように、入出力部１０、細胞オブジェクト認識部２０、分類モデル生成部３０、細胞オブジェクト記憶部７２、抽出条件記憶部７４、候補分類モデル記憶部７６及び分類モデル記憶部８０を備える。細胞オブジェクト認識部２０は、２値化処理部２２、ノイズ推定部２４及び細胞オブジェクト特徴量算出部２６を備える。分類モデル生成部３０は、特徴的オブジェクト抽出部３２、候補分類モデル形成部３４及び分類モデル決定部３６を備える。

入出力部１０は、既知の同一属性の複数の細胞が撮像された撮像画像（以下、「既知同一属性撮像画像」という）を、当該細胞に係る属性情報とともに外部から取得し、細胞オブジェクト認識部２０の２値化処理部２２に出力する。属性情報は、当該細胞の名称、培養条件等を含む情報である。従って、既知同一属性撮像画像内に撮像されている細胞は、名称、培養条件等が全て同一の細胞である。既知同一属性撮像画像の取得元である外部は、例えば、インキュベータ３１１であるが、インキュベータ３１１については後述する。

また、入出力部１０は、既知同一属性撮像画像を、属性情報及び撮像条件情報とともに外部から取得し、２値化処理部２２に出力してもよい。撮像条件情報は、観察倍率や顕微鏡の光学系の収差、容器内の観察地点等を含む情報である。

細胞オブジェクト認識部２０は、既知同一属性撮像画像内の個々の細胞の撮像領域を細胞オブジェクトとして認識する。つまり、細胞オブジェクト認識部２０の２値化処理部２２が、既知同一属性撮像画像を２値化処理し、細胞オブジェクト認識部２０のノイズ推定部２４が、２値化処理後のデータ（以下、「２値化データ」という）から得られる全オブジェクトのなかからノイズに係るオブジェクト（以下、「ノイズオブジェクト」という）を推定し、細胞オブジェクト特徴量算出部２６が、ノイズオブジェクト以外のオブジェクト（即ち、細胞オブジェクト）を認識する。以下、２値化処理部２２、ノイズ推定部２４及び細胞オブジェクト特徴量算出部２６について順に説明する。

２値化処理部２２は、入出力部１０から取得した既知同一属性撮像画像を所定の閾値によって２値化処理する。上記所定の閾値は、細胞の種類に応じたものであってもよい。例えば、２値化処理部２２は、他の領域に比べて細胞の領域が黒めに撮像される既知同一属性撮像画像において、培養容器に固着する細胞である接着系細胞が撮像された場合、１つの閾値を用いて既知同一属性撮像画像を２値化処理する。より詳細には、２値化処理部２２は、１つの閾値として画素値８４を用いて、画素値８４未満の領域を細胞の領域（例えば反転させて白）、画素値８４以上の領域を細胞以外の領域（例えば反転させて黒）とする。また、例えば、２値化処理部２２は、他の領域に比べて細胞の領域が黒めに撮像される既知同一属性撮像画像において、培養容器に固着せずに培養液中を浮遊する細胞である浮遊系細胞が撮像された場合、２つの閾値を用いて既知同一属性撮像画像を２値化処理する。より詳細には、２値化処理部２２は、２つの閾値として画素値８０、１４９を用いて、画素値８０以上１４９未満の領域を細胞の領域（例えば反転させて白）、画素値８０未満又は１４９以上の領域を細胞以外の領域（例えば反転させて黒）とする。なお、２値化処理部２２は、既知同一属性撮像画像内に撮像されている細胞が、接着系細胞であるか浮遊系細胞であるかを示す情報を、入出力部１０を介してインキュベータ３１１から取得し、上記閾値を決定してよい。

既知同一属性撮像画像を２値化処理した２値化処理部２２は、入出力部１０から取得した属性情報とともに、２値化データをノイズ推定部２４に出力する。なお、２値化処理部２２は、入出力部１０から撮像条件情報を取得した場合には、属性情報及び撮像条件情報とともに、２値化データをノイズ推定部２４に出力する。

ノイズ推定部２４は、２値化処理部２２から取得した２値化データから得られる全オブジェクトのなかからノイズオブジェクトを推定する。以下、ノイズ推定部２４によるノイズオブジェクトの推定方法について説明する。ノイズ推定部２４は、まず、２値化処理部２２から取得した２値化データから得られる各オブジェクトのオブジェクトサイズを測定する。

各オブジェクトのオブジェクトサイズを測定したノイズ推定部２４は、各オブジェクトのオブジェクトサイズの合計値に対する、一のオブジェクトサイズ迄のオブジェクトサイズの累積値の度数である累積度を算出する。例えば、ノイズ推定部２４は、図２（ａ）に示すように、累積度分布を生成する。図２（ａ）に示す累積度分布において、Ｘ軸方向は単位をピクセルとするオブジェクトサイズ、Ｙ軸方向は単位を百分率とする累積度である。

累積度を算出したノイズ推定部２４は、算出した累積度の微分値に基づいて、ノイズオブジェクトを推定する。例えば、ノイズ推定部２４は、図２（ｂ）に示すように、図２（ａ）に示す累積度分布の微分値（傾き）を算出し、当該微分値に基づいて、ノイズオブジェクトを推定する。具体的には、ノイズ推定部２４は、微分値の極小値を探索し、該極小値または該極小値の近傍を閾値として決定する。例えば、ノイズ推定部２４は、極小値（図２（ｂ）において値Ａ）、または、極小値の近傍の値であって極小値よりも小さい値（図２（ｂ）において値（Ａ−α））から極小値の近傍の値であって極小値よりも大きい値（図２（ｂ）において値（Ａ＋α））の範囲内の値を閾値として決定する。なお、経験上、閾値は、極小値の近傍の値であって極小値よりも小さい値とすることが好ましい。

ノイズ推定部２４は、オブジェクトサイズが該閾値未満であるオブジェクトをノイズオブジェクトとして推定する。若しくは、ノイズ推定部２４は、オブジェクトサイズが該閾値未満であるオブジェクトにノイズオブジェクトである旨のラベルを付与し、オブジェクトサイズが該閾値以上であるオブジェクトに細胞オブジェクトである旨のラベルを付与する。

なお、図２（ａ）（ｂ）の上部の「ｎｏｉｓｅ」「ｓｅｌｌ」の語は、値（Ａ−α）以下のオブジェクトサイズでは、オブジェクトサイズが小さければ小さいほどノイズオブジェクトである可能性が高く、値（Ａ＋α）以上のオブジェクトサイズでは、オブジェクトサイズが大きければ大きいほど細胞オブジェクトである可能性が高いことを表したものである。

２値化データから得られる全オブジェクトのなかからノイズオブジェクトを推定したノイズ推定部２４は、属性情報とともに、２値化データ、及び、ノイズ推定部２４による推定結果を示す情報（以下、「推定結果情報」という）を細胞オブジェクト特徴量算出部２６に出力する。推定結果情報の一例は、ノイズオブジェクトの領域を示す情報、または、ノイズオブジェクトまたは細胞オブジェクトの何れかである旨のラベルが付与された各オブジェクトの領域を示す情報である。なお、ノイズ推定部２４は、２値化処理部２２から撮像条件情報を取得した場合には、属性情報及び撮像条件情報とともに、２値化データ及び推定結果情報を細胞オブジェクト特徴量算出部２６に出力する。

なお、ノイズ推定部２４は、最急降下法などの極値探索法を用いて、微分値の極小値を探索してもよいが、オブジェクトサイズが所定値以上の範囲において微分値の極小値を探索してもよい。具体的には、複数枚の数種類の画像を比較検証した結果から、所定値以上の範囲は、１００ｐｉｘｅｌ以上とすると好適である。

また、ノイズ推定部２４は、累積度を構成するオブジェクトサイズ及び累積値の各点のうち、所定間隔の２点を用いて微分値を算出してもよい。例えば、ノイズ推定部２４は、累積度分布の微分を点、即ち、傾きを算出する点を１０点間隔としてもよい。

細胞オブジェクト特徴量算出部２６は、ノイズ推定部２４から取得した２値化データ及び推定結果情報に基づいて、当該２値化データから得られる全オブジェクトのなかからノイズオブジェクトを除去する。換言すれば、細胞オブジェクト特徴量算出部２６は、ノイズ推定部２４から取得した２値化データから、ノイズオブジェクト以外の個々の細胞オブジェクトを認識する。

続いて、細胞オブジェクト特徴量算出部２６は、認識した個々の細胞オブジェクトの形態的特徴量を算出する。一例として、細胞オブジェクト特徴量算出部２６は、各細胞オブジェクトについて以下の１５種類の形態的特徴量をそれぞれ算出する。

・Ｔｏｔａｌ ａｒｅａ（図３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、細胞オブジェクト特徴量算出部２６は、注目する細胞の領域の画素数に基づいて「Ｔｏｔａｌ ａｒｅａ」の値を算出することができる。

・Ｈｏｌｅ ａｒｅａ（図３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、細胞オブジェクト特徴量算出部２６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」の値を算出すればよい。

・ｒｅｌａｔｉｖｅ ｈｏｌｅ ａｒｅａ（図３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３（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、細胞オブジェクト特徴量算出部２６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３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３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３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３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３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。細胞オブジェクト特徴量算出部２６は、下記式（１）により「Ｆｉｂｅｒ Ｌｅｎｇｔｈ」の値を算出する。

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

・Ｆｉｂｅｒ Ｂｒｅａｄｔｈ（図３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。細胞オブジェクト特徴量算出部２６は、下記式（２）により「Ｆｉｂｅｒ Ｂｒｅａｄｔｈ」の値を算出する。

・Ｓｈａｐｅ Ｆａｃｔｏｒ（図３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。細胞オブジェクト特徴量算出部２６は、下記式（３）により「Ｓｈａｐｅ Ｆａｃｔｏｒ」の値を算出する。

・Ｅｌｌｉｐｔｉｃａｌ ｆｏｒｍ Ｆａｃｔｏｒ（図３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（楕円形度）を示すパラメータとなる。

・Ｉｎｎｅｒ ｒａｄｉｕｓ（図３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３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３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３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、細胞オブジェクト特徴量算出部２６は、細胞に対応する画素数に誤差分を加味して上記の各形態的特徴量を算出してもよい。このとき、細胞オブジェクト特徴量算出部２６は、顕微鏡画像の撮像条件（観察倍率や顕微鏡の光学系の収差等）を考慮して形態的特徴量を算出するようにしてもよい。なお、「Ｉｎｎｅｒ ｒａｄｉｕｓ」、「Ｏｕｔｅｒ ｒａｄｉｕｓ」、「Ｍｅａｎ ｒａｄｉｕｓ」、「Ｅｑｕｉｖａｌｅｎｔ ｒａｄｉｕｓ」を算出するときには、細胞オブジェクト特徴量算出部２６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算出すればよい。

個々の細胞オブジェクトの形態的特徴量を算出した細胞オブジェクト特徴量算出部２６は、属性情報に対応付けて、個々の細胞オブジェクトの形態的特徴量を細胞オブジェクト記憶部７２に記憶する。なお、細胞オブジェクト特徴量算出部２６は、ノイズ推定部２４から撮像条件情報を取得した場合には、属性情報及び撮像条件情報に対応付けて、個々の細胞オブジェクトの形態的特徴量を細胞オブジェクト記憶部７２に記憶する。

細胞オブジェクト記憶部７２は、種々の属性の細胞を撮像した複数の既知同一属性撮像画像から認識された細胞オブジェクトに関する情報を記憶する。具体的には、細胞オブジェクト記憶部７２は、図４に示すように、既知同一属性撮像を識別する画像ＩＤに対応付けて、属性情報、撮像条件情報、及び、個々の細胞オブジェクトの形態的特徴量を記憶する。例えば、図４に示す例において、細胞オブジェクト記憶部７２は、画像ＩＤ「Ｐ００１」に対応付けて、名称「Ａ」、培養条件「○○」、活性「××」を含む属性情報、観察倍率「Ｘ倍」を含む撮像条件情報、及び、Ｎ_１個の細胞オブジェクトの形態的特徴量を記憶している。

抽出条件記憶部７４は、特徴的オブジェクト抽出部３２が細胞オブジェクト記憶部７２のなかから分類モデルの候補となるモデル（以下、「候補分類モデル」という）の生成に用いる特徴的なオブジェクト（以下、「特徴的オブジェクト」という）を抽出するときの抽出条件を記憶する。例えば、抽出条件記憶部７４は、図５に示すように、個々の細胞オブジェクトが有する複数の形態的特徴量に係る抽出条件情報を記憶する。図５に示す例では、抽出条件記憶部７４は、抽出条件１として「面積が平均値より上位２５％を抽出」、抽出条件２として「面積が平均値より下位２５％を抽出」、…、抽出条件５として「幅が平均値より上位２５％を抽出」、抽出条件６として「幅が平均値より下位２５％を抽出」を記憶している。

なお、抽出条件記憶部７４は、図５に示す例においては、「面積」「長さ」「幅」の３種類の形態的特徴量に係る抽出条件を記憶しているが、細胞オブジェクト記憶部７２に記憶されている形態的特徴量に対応する全ての形態的特徴量に係る抽出条件を記憶することが好ましい。

また、図５に示す抽出条件は、平均値を基準値としているが、例えば、最大値、中央値などの平均値以外の値を基準としてもよい。また、図５に示す抽出条件は、所定範囲内を規定する値を２５％としているが、２５％以外の値であってもよい。また例えば、図５に示す抽出条件は、例えば、抽出条件１と抽出条件２に示すように、同一の形態的特徴量については、所定範囲内を規定する値は同一の値であるが、例えば、抽出条件１として「面積が平均値より上位２０％を抽出」、抽出条件２として「面積が平均値より下位３０％を抽出」というように、同一の形態的特徴量について、所定範囲内を規定する値が異なる値であってもよい。また例えば、図５に示す抽出条件は、例えば、何れの形態的特徴量についても、所定範囲内を規定する値は同一の値であるが、例えば、抽出条件１として「面積が平均値より上位２０％を抽出」、抽出条件５として「幅が平均値より上位３０％を抽出」というように、異なる形態的特徴量について、所定範囲内を規定する値が異なる値であってもよい。

分類モデル生成部３０は、細胞オブジェクトの形態的特徴量及び細胞オブジェクトとして認識された細胞の属性に基づいて、分類モデルを生成する。つまり、分類モデル生成部３０の特徴的オブジェクト抽出部３２が、細胞オブジェクト記憶部７２に記憶されている細胞オブジェクトのなかから所定の形態的特徴量を有する細胞オブジェクトを特徴的オブジェクトとして抽出し、分類モデル生成部３０の候補分類モデル形成部３４が、特徴的オブジェクトの形態的特徴量及び特徴的オブジェクトとして認識された細胞の属性から複数の候補分類モデルを形成し、分類モデル決定部３６が複数の候補分類モデルのなかから分類モデルを決定する。以下、特徴的オブジェクト抽出部３２、候補分類モデル形成部３４及び分類モデル決定部３６について順に説明する。

特徴的オブジェクト抽出部３２は、基準値から所定範囲内の値の形態的特徴量を有する細胞オブジェクトを特徴的オブジェクトとして抽出する。具体的には、特徴的オブジェクト抽出部３２は、抽出条件記憶部７４に記憶されている抽出条件に従って、細胞オブジェクト記憶部７２に記憶されている複数の細胞オブジェクトのなかからに特徴的オブジェクトを抽出する。より詳細には、特徴的オブジェクト抽出部３２は、抽出条件記憶部７４に記憶されている抽出条件を順次に変えて、細胞オブジェクト記憶部７２に記憶されている複数の細胞オブジェクトのなかから、抽出条件毎に特徴的オブジェクトを抽出する。

特徴的オブジェクト抽出部３２が特徴的オブジェクトを抽出する態様は、種々の態様が考えられる。例えば、細胞オブジェクト記憶部７２に図４に示すＮ_１個の細胞オブジェクト、Ｎ_２個の細胞オブジェクト、Ｎ_３個の細胞オブジェクトのみが記憶され、抽出条件記憶部７４に図５に示す抽出条件情報が記憶されている場合を例に、幾つかの抽出態様を説明する。

（第１の抽出態様）
特徴的オブジェクト抽出部３２は、まず、（Ｎ_１＋Ｎ_２＋Ｎ_３）個の細胞オブジェクトの面積の平均値、長さの平均値及び幅の平均値を算出する。次いで、特徴的オブジェクト抽出部３２は、（Ｎ_１＋Ｎ_２＋Ｎ_３）個の細胞オブジェクトのなかから、面積に関する抽出条件である抽出条件１又２の何れか一方の抽出条件を満たし、かつ、長さに関する抽出条件である抽出条件３又４の何れか一方の抽出条件を満たし、かつ、幅に関する抽出条件である抽出条件５又６の何れか一方の抽出条件を満たす細胞オブジェクトを特徴的オブジェクトとして抽出する。例えば、特徴的オブジェクト抽出部３２は、（Ｎ_１＋Ｎ_２＋Ｎ_３）個の細胞オブジェクトのなかから、面積が平均値〜平均値より２５％大きい値の範囲内（抽出条件１）であって、かつ、長さが平均値〜平均値より２５％小さい値の範囲内（抽出条件４）であって、かつ、幅が平均値〜平均値より２５％大きい値の範囲内（抽出条件５）である細胞オブジェクトを特徴的オブジェクトとして抽出する。なお、上記のＡＮＤ条件（即ち「かつ」）をＯＲ（即ち「または」）としてもよい。第１の抽出態様においては、細胞オブジェクトから特徴的オブジェクトを抽出するパターン数は、２の｛形態的特徴量数｝乗パターンである。例えば、上記例の場合、形態的特徴量は３であるため８パターンである。

（第２の抽出態様）
特徴的オブジェクト抽出部３２は、抽出条件１に従って、（Ｎ_１＋Ｎ_２＋Ｎ_３）個の細胞オブジェクトの面積の平均値を算出し、（Ｎ_１＋Ｎ_２＋Ｎ_３）個の細胞オブジェクトのなかから、面積が平均値〜平均値より２５％大きい値の範囲内にある細胞オブジェクトを特徴的オブジェクトとして抽出する。抽出条件２〜抽出条件６の場合も同様である。第２の抽出態様においては、細胞オブジェクトから特徴的オブジェクトを抽出するパターン数は、２×｛形態的特徴量数｝パターンである。例えば、上記例の場合、形態的特徴量は３であるため６パターンである。

（第３の抽出態様）
特徴的オブジェクト抽出部３２は、抽出条件１〜６のうち予め定めた抽出条件１に従って、Ｎ_１個、Ｎ_２個、Ｎ_３個の細胞オブジェクトの面積の平均値を算出し、Ｎ_１個の細胞オブジェクトのなかから、面積が平均値〜平均値より２５％大きい値の範囲内にある細胞オブジェクトを特徴的オブジェクトとして抽出し、Ｎ_２個の細胞オブジェクトのなかから、面積が平均値〜平均値より２５％大きい値の範囲内にある細胞オブジェクトを特徴的オブジェクトとして抽出し、Ｎ_３個の細胞オブジェクトのなかから、面積が平均値〜平均値より２５％大きい値の範囲内にある細胞オブジェクトを特徴的オブジェクトとして抽出してもよい。抽出条件２〜６を用いる場合も同様である。第３の抽出態様においては、細胞オブジェクトから特徴的オブジェクトを抽出するパターン数は、２×｛画像数｝乗パターンである。例えば、上記例の場合、画像数は３であるため８パターンである。

なお、抽出態様1、２、３の説明において、特徴的オブジェクト抽出部３２は、抽出条件１に従って、面積が平均値〜平均値より２５％大きい値の範囲内にある細胞オブジェクトを特徴的オブジェクトとして抽出しているが、特徴的オブジェクト抽出部３２は、抽出条件１に従って、（Ｎ_１＋Ｎ_２＋Ｎ_３）個の細胞オブジェクトの面積の平均値を算出し、（Ｎ_１＋Ｎ_２＋Ｎ_３）個の細胞オブジェクトのうちの面積が平均値以上の細胞オブジェクトを母集団とし、母集団のうち面積が小さい方から２５％以内の細胞オブジェクトを特徴的オブジェクトとして抽出してもよい。また、特徴的オブジェクト抽出部３２は、母集団のうち面積が小さい方から（（Ｎ_１＋Ｎ_２＋Ｎ_３）／４）個迄に含まれる細胞オブジェクトを特徴的オブジェクトとして抽出してもよい。抽出条件２〜抽出条件６についても同様である。

特徴的オブジェクト抽出部３２は、細胞オブジェクト記憶部７２に記憶されている細胞オブジェクトのなかから特徴的オブジェクトを抽出した場合、夫々の特徴的オブジェクトの属性情報及び形態的特徴量を候補分類モデル形成部３４に出力する。例えば、特徴的オブジェクト抽出部３２は、抽出条件を変えて特徴的オブジェクトを抽出する都度、夫々の抽出条件に応じて抽出した特徴的オブジェクトの属性情報及び形態的特徴量を候補分類モデル形成部３４に出力する。

候補分類モデル形成部３４は、特徴的オブジェクトの形態的特徴量及び特徴的オブジェクトとして認識された前記細胞の属性、つまり、特徴的オブジェクト抽出部３２から取得した特徴的オブジェクトの属性情報及び形態的特徴量を用いて候補分類モデルを形成（生成）する。

以下、候補分類モデル形成部３４による候補分類モデルの形成方法について説明する。候補分類モデル形成部３４は、特徴的オブジェクト抽出部３２から取得した特徴的オブジェクトから得られる形態的特徴量に係る分類基準（形態的特徴量の種類及び閾値）を設定し、候補分類モデルを形成する。換言すれば、候補分類モデル形成部３４は、候補分類モデルを構成する分類基準（形態的特徴量の種類及び閾値）を、特徴的オブジェクトから得られる形態的特徴量のなかから設定（選択）することによって、候補分類モデルを形成する。

図６に示す１番目及びＭ番目の候補分類モデルは、候補分類モデル形成部３４が上述の如く形成した候補分類モデルの一例である。１番目の候補分類モデルは、候補分類モデル形成部３４によって、第１段階目の分類基準（形態的特徴量「長さ」及び閾値「１２」）、第２段階目の分類基準（形態的特徴量「丸さ」及び閾値「０．７」）が設定された候補分類モデル、Ｍ番目の候補分類モデルは、候補分類モデル形成部３４によって、第１段階目の分類基準（形態的特徴量「丸さ」及び閾値「１２」）、第２段階目の分類基準（形態的特徴量「幅」及び「１．２」）が設定された候補分類モデルである。候補分類モデル形成部３４は、形成した各候補分類モデルを候補分類モデル記憶部７６に記憶する。なお、図６に示すような多段階に分類基準が設定された候補分類モデルは、未知属性撮像画像、又は、未知属性撮像画像内の細胞を段階的に分類するが、段階的に分類する候補分類モデルの形成方法については後述する。

なお、候補分類モデル形成部３４は、候補分類モデルの各枝に、細胞の分類先を示す分類先ＩＤ（分類インデックスとも称する）を設定する。各分類先ＩＤは、細胞の属性情報に対応するものである。従って、未知属性撮像画像又は未知属性撮像画像内の細胞の分類先ＩＤから、当該未知属性撮像画像又は未知属性撮像画像内の細胞の属性情報を得ることができる。なお、図６において、１番目の候補分類モデル及びＭ番目の候補分類モデルにおいて、分類先ＩＤ「Ｎ０００１」は、図４の名称「Ａ」、培養条件「○○」、活性「××」を含む属性情報と対応し、分類先ＩＤ「Ｎ０００２」は、名称「Ｂ」、培養条件「△△」、活性「□□」を含む属性情報と対応し、分類先ＩＤ「Ｎ０００３」は、名称「Ｃ」、培養条件「◎◎」、活性「□□」を含む属性情報と対応している。分類先ＩＤと属性とを対応させるために、細胞オブジェクト特徴量算出部２６は、新たな属性情報（属性情報及び撮像条件情報）に対応付けて、個々の細胞オブジェクトの形態的特徴量を細胞オブジェクト記憶部７２に記憶する際に、分類先ＩＤを採番し、属性情報（属性情報及び撮像条件情報）に対応付けて採番した分類先ＩＤを記憶するようにしてもよい。

以下、段階的に細胞オブジェクトの属性を分類する候補分類モデルの形成方法について説明する。候補分類モデル形成部３４は、決定木法に基づいた変数選択に候補分類モデルを形成する。例えば、Ａという属性の１０個の特徴的オブジェクト、Ｂという属性の１０個の特徴的オブジェクト、Ｃという属性の１０個の特徴的オブジェクトが与えられ、各特徴的オブジェクトの形態的特徴量（次元）は１５種類（特徴量１、特徴量２、…、特徴量１５）であったとした場合、候補分類モデル形成部３４は、まず、特徴量１の値を最小〜最大まで順次増加させていき、Ａ、Ｂ、Ｃの３種類の特徴的オブジェクトが、最もよく分類されたときの特徴量１の値を特定する。

例えば、候補分類モデル形成部３４は、特徴量１のある値において、あるノード（枝先）に、特徴的オブジェクトＡが１０個中９個、特徴的オブジェクトＢが１０個中１個、特徴的オブジェクトＣが１０個中1個あるとき、当該ノードの分類精度を９０％と算出する。同様に、候補分類モデル形成部３４は、特徴量１の当該値において、全てのノードの分類精度を算出する。各ノードの分類精度は、各ノードに各特徴的オブジェクトが振り分けられたときに高くなるため、候補分類モデル形成部３４は、特徴量１の当該値における、全ノードの平均の分類精度を算出する。同様に、候補分類モデル形成部３４は、特徴量１の値を増加させて、各特徴量１の値における、全ノードの平均分類精度を算出する。そして、候補分類モデル形成部３４は、Ａ、Ｂ、Ｃの３種類の特徴的オブジェクトが最もよく分類されたときの特徴量１の値として、全ノードの平均分類精度が最も高い特徴量１の値を特定する。

同様に、候補分類モデル形成部３４は、全ノードの平均分類精度が最も高い特徴量２の値、特徴量３の値、…、特徴量１５の値を特定する。そして、候補分類モデル形成部３４は、特定した特徴量１の値、特徴量２の値、…、特徴量１５の値のなかから、候補分類モデルにおける第１段階のルールとして、全ノードの平均分類精度が最も高いものを選択する。以下同様に、候補分類モデル形成部３４は、第２段階の以降のルールを選択する。

分類モデル決定部３６は、細胞オブジェクト記憶部７２に記憶されている細胞オブジェクトを各候補分類モデルに投入し、各候補分類モデルの分類精度を評価する。なお、分類モデル決定部３６は、既知同一属性撮像画像を各候補分類モデルに投入し、各候補分類モデルの分類精度を評価してもよい。また、分類モデル決定部３６は、最も精度が高い候補分類モデルを以降の分類に用いる分類モデルとして決定し、分類モデル記憶部８０に記憶する。例えば、分類モデル決定部３６は、図７に示すように、決定した分類モデルとともに、算出した分類精度の評価値を分類モデル記憶部８０に記憶してもよい。

なお、特徴的オブジェクト抽出部３２による特徴的オブジェクトの抽出、候補分類モデル形成部３４による候補分類モデルの形成、分類モデル決定部３６による分類モデルの決定の関係については、例えば、図１において矢印は省略しているが、以下のように実現すればよい。

細胞オブジェクト特徴量算出部２６は、細胞オブジェクト記憶部７２に形態的特徴量を記憶した後に、形態的特徴量を記憶した旨を候補分類モデル形成部３４に通知する。候補分類モデル形成部３４は、細胞オブジェクト特徴量算出部２６から細胞オブジェクト記憶部７２に形態的特徴量を記憶した旨の通知を取得した場合、特徴的オブジェクト抽出部３２に抽出を要求する。

特徴的オブジェクト抽出部３２は、候補分類モデル形成部３４から抽出を要求された場合、未だ、全抽出パターンに従って特徴的オブジェクトを抽出していないときは、未抽出パターンに従って特徴的オブジェクトを抽出し、候補分類モデル形成部３４に出力する。一方、特徴的オブジェクト抽出部３２は、既に、全抽出パターンに従って特徴的オブジェクトを抽出していたときは、抽出が完了した旨を候補分類モデル形成部３４に通知する。

候補分類モデル形成部３４は、特徴的オブジェクト抽出部３２から特徴的オブジェクトを取得した場合、候補分類モデルを形成し、候補分類モデル記憶部７６に記憶するとともに、特徴的オブジェクト抽出部３２に再度、抽出を要求する。一方、候補分類モデル形成部３４は、特徴的オブジェクト抽出部３２から抽出が完了した旨の通知を取得した場合、分類モデル決定部３６に分類モデルの決定を要求する。分類モデル決定部３６は、候補分類モデル形成部３４から分類モデルの決定を要求された場合、候補分類モデルを評価して、分類モデルを決定する。

以下、インキュベータ３１１について説明する。図８は、分類モデル生成装置１と接続するインキュベータ３１１の一例である。図９、図１０は、インキュベータ３１１の正面図である。

インキュベータ３１１は、上部ケーシング３１２と下部ケーシング３１３とを有している。インキュベータ３１１の組立状態において、上部ケーシング３１２は下部ケーシング３１３の上に載置される。なお、上部ケーシング３１２と下部ケーシング３１３との内部空間は、ベースプレート３１４によって上下に仕切られている。

まず、上部ケーシング３１２の構成の概要を説明する。上部ケーシング３１２の内部には、細胞の培養を行う恒温室３１５が形成されている。この恒温室３１５は温度調整装置３１５ａ及び湿度調整装置３１５ｂを有しており、恒温室３１５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９、図１０での温度調整装置３１５ａ、湿度調整装置３１５ｂの図示は省略する）。

恒温室３１５の前面には、大扉３１６、中扉３１７、小扉３１８が配置されている。大扉３１６は、上部ケーシング３１２及び下部ケーシング３１３の前面を覆っている。中扉３１７は、上部ケーシング３１２の前面を覆っており、大扉３１６の開放時に恒温室３１５と外部との環境を隔離する。小扉３１８は、細胞を培養する培養容器３１９を搬出入するための扉であって、中扉３１７に取り付けられている。この小扉３１８から培養容器３１９を搬出入することで、恒温室３１５の環境変化を抑制することが可能となる。なお、大扉３１６、中扉３１７、小扉３１８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３１５には、ストッカー３２１、観察ユニット３２２、容器搬送装置３２３、搬送台３２４が配置されている。ここで、搬送台３２４は、小扉３１８の手前に配置されており、培養容器３１９を小扉３１８から搬出入する。

ストッカー３２１は、上部ケーシング３１２の前面（図１０の下側）からみて恒温室３１５の左側に配置される。ストッカー３２１は複数の棚を有しており、ストッカー３２１の各々の棚には培養容器３１９を複数収納することができる。なお、各々の培養容器３１９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３２２は、上部ケーシング３１２の前面からみて恒温室３１５の右側に配置される。この観察ユニット３２２は、培養容器３１９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３２２は、上部ケーシング３１２のベースプレート３１４の開口部に嵌め込まれて配置される。観察ユニット３２２は、試料台３３１と、試料台３３１の上方に張り出したスタンドアーム３３２と、位相差観察用の顕微光学系及び撮像装置３３４を内蔵した本体部分３３３とを有している。そして、試料台３３１及びスタンドアーム３３２は恒温室３１５に配置される一方で、本体部分３３３は下部ケーシング３１３内に収納される。

試料台３３１は透光性の材質で構成されており、その上に培養容器３１９を載置することができる。この試料台３３１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３１９の位置を調整できる。また、スタンドアーム３３２にはＬＥＤ光源３３５が内蔵されている。そして、撮像装置３３４は、スタンドアーム３３２によって試料台３３１の上側から透過照明された培養容器３１９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３２３は、上部ケーシング３１２の前面からみて恒温室３１５の中央に配置される。この容器搬送装置３２３は、ストッカー３２１、観察ユニット３２２の試料台３３１及び搬送台３２４との間で培養容器３１９の受け渡しを行う。

図１０に示すように、容器搬送装置３２３は、多関節アームを有する垂直ロボット３３４と、回転ステージ３３５と、ミニステージ３３６と、アーム部３３７とを有している。回転ステージ３３５は、垂直ロボット３３４の先端部に回転軸３３５ａ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３３５は、ストッカー３２１、試料台３３１及び搬送台３２４に対して、アーム部３３７をそれぞれ対向させることができる。

また、ミニステージ３３６は、回転ステージ３３５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３３６には培養容器３１９を把持するアーム部３３７が取り付けられている。

次に、下部ケーシング３１３の構成の概要を説明する。下部ケーシング３１３の内部には、観察ユニット３２２の本体部分３３３や、インキュベータ３１１の制御装置３４１が収納されている。

制御装置３４１は、温度調整装置３１５ａ、湿度調整装置３１５ｂ、観察ユニット３２２及び容器搬送装置３２３とそれぞれ接続されている。この制御装置３４１は、所定のプログラムに従ってインキュベータ３１１の各部を統括的に制御する。

一例として、制御装置３４１は、ＣＰＵ３４２及び記憶部３４３を有し、温度調整装置３１５ａ及び湿度調整装置３１５ｂをそれぞれ制御して恒温室３１５内を所定の環境条件に維持する。また、制御装置３４１は、所定の観察スケジュールに基づいて、観察ユニット３２２及び容器搬送装置３２３を制御して、培養容器３１９の観察シーケンスを自動的に実行する。

記憶部３４３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３４３には、ストッカー３２１に収納されている各培養容器３１９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３４３には、ＣＰＵ３４２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３１９を示すインデックスデータ、（ｂ）ストッカー３２１での培養容器３１９の収納位置、（ｃ）培養容器３１９の種類及び形状（ウェルプレート、ディッシュ、フラスコなど）、（ｄ）培養容器３１９で培養されている細胞の種類、（ｅ）培養容器３１９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３１９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。

以下、フローチャートを用いて、分類モデル生成装置１の動作を説明する。図１１は、分類モデル生成装置１の動作の一例を示すフローチャートである。図１２は、ノイズ推定部２４の動作の一例を示すフローチャートである。図１１において、入出力部１０は、外部から属性情報、撮像条件情報及び既知同一属性撮像画像を取得する（ステップＳ１１２）。入出力部１０は、外部から取得した属性情報、撮像条件情報及び既知同一属性撮像画像を２値化処理部２２に出力する。

２値化処理部２２は、入出力部１０から取得した既知同一属性撮像画像を所定の閾値によって２値化処理する（ステップＳ１１４）。２値化処理部２２は、属性情報及び撮像条件情報とともに２値化データをノイズ推定部２４に出力する。

ノイズ推定部２４は、２値化処理部２２から２値化データを取得し、取得した２値化データから得られる全オブジェクトのなかからノイズオブジェクトを推定する（ステップＳ１２０）。具体的には、ノイズ推定部２４は、図１２に示す各動作を実行する。

図１２において、ノイズ推定部２４は、２値化処理部２２から２値化データを取得する（ステップＳ１２１）。次いで、ノイズ推定部２４は、当該２値化データから得られる各オブジェクトのオブジェクトサイズを測定する（ステップＳ１２２）。次いで、ノイズ推定部２４は、各オブジェクトのオブジェクトサイズの合計値に対する、一のオブジェクトサイズ迄のオブジェクトサイズの累積値の度数を表す累積度分布を生成する（ステップＳ１２３）。

次いで、ノイズ推定部２４は、該累積度分布において、所定値以上の範囲内における所定間隔の各２点の傾き（微分値）の極小値を探索する（ステップＳ１２４）。次いで、ノイズ推定部２４は、該極小値の近傍の値であって該極小値よりも小さい値を閾値として決定する（ステップＳ１２５）。次いで、ノイズ推定部２４は、オブジェクトサイズが該閾値未満であるオブジェクトをノイズオブジェクトとして推定する（ステップＳ１２６）。ノイズ推定部２４は、属性情報及び撮像条件情報とともに２値化データ及び推定結果情報を細胞オブジェクト特徴量算出部２６に出力する。そして、図１２に示すフローチャートは終了する。

図１１に戻り、ノイズ推定部２４から属性情報及び撮像条件情報とともに２値化データ及び推定結果情報を取得した細胞オブジェクト特徴量算出部２６は、ノイズ推定部２４から取得した２値化データ及び推定結果情報に基づいて、当該２値化データから得られる全オブジェクトのなかからノイズオブジェクトを除去する（ステップＳ１３０）。換言すれば、細胞オブジェクト特徴量算出部２６は、ノイズ推定部２４から取得した２値化データから、ノイズオブジェクト以外の個々の細胞オブジェクトを認識する（ステップＳ１３０）。

次いで、細胞オブジェクト特徴量算出部２６は、認識した個々の細胞オブジェクトの形態的特徴量を算出する（ステップＳ１３２）。個々の細胞オブジェクトの形態的特徴量を算出した細胞オブジェクト特徴量算出部２６は、属性情報及び撮像条件情報に対応付けて、算出した個々の細胞オブジェクトの形態的特徴量を細胞オブジェクト記憶部７２に記憶する（ステップＳ１３４）。

入出力部１０は、既知同一属性撮像画像等の取得を終了したか否かを判断する（ステップＳ１３６）。入出力部１０は、例えば、インキュベータ３１１から既知同一属性撮像画像等の出力が終了した旨を示す通知、または、分類モデルを生成すべき旨を示す通知を取得した場合に、既知同一属性撮像画像等の取得を終了したと判断する。入出力部１０が既知同一属性撮像画像等の取得を終了していないと判断した場合（ステップＳ１３６：Ｎｏ）、ステップＳ１１２に戻る。

一方、入出力部１０が既知同一属性撮像画像等の取得を終了したと判断した場合（ステップＳ１３６：Ｙｅｓ）、細胞オブジェクト特徴量算出部２６は、形態的特徴量を記憶した旨を候補分類モデル形成部３４に通知する。形態的特徴量を記憶した旨の通知を取得した候補分類モデル形成部３４は、特徴的オブジェクト抽出部３２に抽出を要求する。抽出を要求された特徴的オブジェクト抽出部３２は、一の抽出パターンに従って、細胞オブジェクト記憶部７２に記憶されている細胞オブジェクトから特徴的オブジェクトを抽出する（ステップＳ１４２）。特徴的オブジェクトを抽出した特徴的オブジェクト抽出部３２は、夫々の特徴的オブジェクトの属性情報及び形態的特徴量を候補分類モデル形成部３４に出力する。

夫々の特徴的オブジェクトの属性情報及び形態的特徴量を取得した候補分類モデル形成部３４は、夫々の特徴的オブジェクトの属性情報及び形態的特徴量に基づいて、候補分類モデルを形成（生成）し、候補分類モデルを候補分類モデル記憶部７６に記憶する（ステップＳ１４４）。次いで、候補分類モデル形成部３４は、全ての候補分類モデルを形成したか否かを判断する（ステップＳ１４６）。候補分類モデル形成部３４は、例えば、特徴的オブジェクト抽出部３２に抽出を要求し、特徴的オブジェクト抽出部３２から抽出が完了した旨の通知を取得した場合に、全ての候補分類モデルを形成したと判断する。候補分類モデル形成部３４が全ての候補分類モデルを形成していないと判断した場合（ステップＳ１４６：Ｎｏ）、ステップＳ１４２に戻る。なお、再度実行するステップＳ１４２において、特徴的オブジェクト抽出部３２は、未抽出パターンに従って特徴的オブジェクトを抽出する。

候補分類モデル形成部３４は全ての候補分類モデルを形成したと判断した場合（ステップＳ１４６：Ｙｅｓ）、分類モデル決定部３６に分類モデルの決定を要求する。分類モデルの決定を要求された分類モデル決定部３６は、複数の候補分類モデルのなかから分類モデルを決定し、分類モデル記憶部８０に記憶する（ステップＳ１５０）。そして、図１１に示すフローチャートは終了する。

（第２の実施形態）
以下、図面を参照しながら本発明の第２の実施形態について説明する。図１３は本発明の第２の実施形態による分類モデル生成装置２の機能ブロック図の一例である。分類モデル生成装置２は、図１３に示すように、入出力部１０、細胞オブジェクト認識部２０、分類モデル生成部４０、細胞オブジェクト記憶部７２及び分類モデル記憶部８０を備える。分類モデル生成部４０は、代表的特徴量計算部４２及び分類モデル形成部４６を備える。なお、入出力部１０、細胞オブジェクト認識部２０、細胞オブジェクト記憶部７２及び分類モデル記憶部８０は、図１に示す第１の実施形態の分類モデル生成装置１の入出力部１０、細胞オブジェクト認識部２０、細胞オブジェクト記憶部７２及び分類モデル記憶部８０と同様である。

代表的特徴量計算部４２は、既知同一属性撮像画像から認識された複数の細胞オブジェクトの形態的特徴量を代表する代表的特徴量を計算する。例えば、代表的特徴量計算部４２は、既知同一属性撮像画像から抽出された複数の細胞オブジェクトの各形態的特徴量の平均値を計算し、各形態的特徴量の平均値を代表的特徴量とする。代表的特徴量計算部４２は、各既知同一属性撮像画像から代表的特徴量を計算した場合、各既知同一属性撮像画像から計算した代表的特徴量、及び、各既知同一属性撮像画像の属性情報を分類モデル形成部４６に出力する。換言すれば、代表的特徴量計算部４２は、代表的特徴量を自身の形態的特徴量とする仮想的な細胞オブジェクト（以下、「仮想的オブジェクト」という）を既知同一属性撮像画像毎に生成し、夫々の仮想的オブジェクトの属性情報及び形態的特徴量（即ち、代表的特徴量）を分類モデル形成部４６に出力する。

分類モデル形成部４６は、代表的特徴量計算部４２から取得した、既知同一属性撮像画像毎の複数の仮想的オブジェクトの属性情報及び形態的特徴量を用いて分類モデルを生成する。なお、分類モデル形成部４６が分類モデルを生成する方法は、上記の第１の実施形態による分類モデル生成装置１の候補分類モデル形成部３４が候補分類モデルを生成する方法と同様である。分類モデル形成部４６は、生成した分類モデルを分類モデル記憶部８０に記憶する。

なお、代表的特徴量計算部４２は、各形態的特徴量の平均値を代表的特徴量としているが、平均値以外を代表的特徴量としてもよい。例えば、代表的特徴量計算部４２は、各形態的特徴量の中央値、標準偏差を代表的特徴量としてもよい。

（第３の実施形態）
以下、図面を参照しながら本発明の第３の実施形態について説明する。図１４は、本発明の第３の実施形態による細胞分類装置３の機能ブロック図の一例である。図１５は、検索オブジェクト一時記憶部１７０に記憶される情報の一例である。図１６は、細胞カタログ記憶部１９０に記憶される情報の一例である。

細胞分類装置３は、図１４に示すように、入出力部１１０、細胞オブジェクト認識部１２０、特徴的オブジェクト抽出・代表的特徴量計算部１５２、細胞分類部１６０、検索オブジェクト一時期億部１７０、分類モデル記憶部１８０及び細胞カタログ記憶部１９０を備える。細胞オブジェクト認識部１２０は、２値化処理部１２２、ノイズ推定部１２４及び細胞オブジェクト特徴量算出部１２６を備える。

入出力部１１０は、未知属性撮像画像を外部から取得する。具体的には、未知の異種属性の複数の細胞が撮像された未知属性撮像画像（以下、「未知異種属性撮像画像」という）、又は、未知の同一属性の複数の細胞が撮像された未知属性撮像画像（以下、「未知同一属性撮像画像」という）を外部から取得する。入出力部１１０は、外部から取得した未知属性撮像画像を細胞オブジェクト認識部１２０の２値化処理部１２２に出力する。なお、未知属性撮像画像の取得元である外部は、例えば、当該細胞分類装置３に接続可能な外部媒体（例えば、ＵＳＢメモリ）、ＬＡＮ、インターネットなどのネットワークを介して接続される他の装置、または、インキュベータ３１１である。

また、入出力部１１０は、未知属性撮像画像とともに画像種別情報を外部から取得し、２値化処理部１２２に出力してもよい。画像種別情報とは、当該未知属性撮像画像が、未知異種属性撮像画像であるか未知同一属性撮像画像であるかを識別する情報である。

細胞オブジェクト認識部１２０は、未知属性撮像画像内の個々の細胞オブジェクト（以下、「検索オブジェクト」という）を認識する。具体的には、細胞オブジェクト認識部１２０の２値化処理部１２２は、上記の第１の実施形態による分類モデル生成装置１の２値化処理部２２と同様、入出力部１１０から取得した未知属性撮像画像を所定の閾値によって２値化処理する。２値化処理した２値化処理部１２２は、２値化データをノイズ推定部１２４に出力する。なお、２値化処理部１２２は、入出力部１１０から画像種別情報を取得している場合には、２値化データ及び画像種別情報をノイズ推定部１２４に出力する。

ノイズ推定部１２４は、上記の第１の実施形態による分類モデル生成装置１のノイズ推定部２４と同様、２値化処理部１２２から取得した２値化データから得られる全オブジェクトのなかからノイズオブジェクトを推定する。ノイズオブジェクトを推定したノイズ推定部１２４は、２値化データとともに、推定結果情報を細胞オブジェクト特徴量算出部１２６に出力する。なお、ノイズ推定部１２４は、２値化処理部１２２から画像種別情報を取得している場合には、２値化データ及び画像種別情報とともに、推定結果情報を細胞オブジェクト特徴量算出部１２６に出力する。

細胞オブジェクト特徴量算出部１２６は、ノイズ推定部１２４から取得した２値化データ及び推定結果情報に基づいて、当該２値化データから得られる全オブジェクトのなかからノイズオブジェクトを除去する。換言すれば、細胞オブジェクト特徴量算出部１２６は、ノイズ推定部１２４から取得した２値化データから、ノイズオブジェクト以外の個々の細胞オブジェクトを認識する。

続いて、細胞オブジェクト特徴量算出部１２６は、上記の第１の実施形態による分類モデル生成装置１の細胞オブジェクト特徴量算出部２６と同様、認識した個々の検索オブジェクトの形態的特徴量を算出する。検索オブジェクトの形態的特徴量を算出した細胞オブジェクト特徴量算出部１２６は、個々の検索オブジェクトの形態的特徴量を検索オブジェクト一時記憶部１７０に記憶する。なお、細胞オブジェクト特徴量算出部１２６は、ノイズ推定部１２４から画像種別情報を取得している場合には、画像種別情報及び個々の検索オブジェクトの形態的特徴量を検索オブジェクト一時記憶部１７０に記憶する。

検索オブジェクト一時記憶部１７０は、検索オブジェクトに関する情報を記憶する。具体的には、検索オブジェクト一時記憶部１７０は、図１５（ａ）（ｂ）に示すように、画像種別情報に対応付けて、個々の検索オブジェクトの形態的特徴量を記憶する。図１５（ａ）に示す例では、検索オブジェクト一時記憶部１７０は、検索オブジェクトの抽出元が未知異種属性撮像画像である旨を示す画像種別情報（例えば、値０）に対応付けて、Ｎ_４個の検索オブジェクトの形態的特徴量を記憶している。また、図１５（ｂ）に示す例では、検索オブジェクト一時記憶部１７０は、検索オブジェクトの抽出元が未知同一属性撮像画像である旨を示す画像種別情報（例えば、値１）に対応付けて、Ｎ_５個の検索オブジェクトの形態的特徴量を記憶している。

なお、検索オブジェクト一時記憶部１７０の項目「画像種別情報」の初期値は、検索オブジェクトの抽出元が未知異種属性撮像画像である旨を示す画像種別情報である。従って、細胞オブジェクト特徴量算出部１２６がノイズ推定部１２４から画像種別情報を取得しなかった場合、項目「画像種別情報」には、検索オブジェクトの抽出元が未知異種属性撮像画像である旨を示す画像種別情報が記憶される。

抽出条件記憶部１７４は、検索オブジェクト一時記憶部１７０に記憶されている複数の検索オブジェクトのなかから、検索オブジェクトを抽出するときの抽出条件を記憶する。以下、検索オブジェクト一時記憶部１７０から抽出される検索オブジェクトを特徴的検索オブジェクトという。なお、抽出条件記憶部１７４は、上記の第１の実施形態による分類モデル生成装置１の抽出条件記憶部７４が記憶する内容と同様の内容の抽出条件を記憶する。

特徴的オブジェクト抽出・代表的特徴量計算部１５２は、上記の第１の実施形態による分類モデル生成装置１の特徴的オブジェクト抽出部３２、及び、上記の第２の実施形態による分類モデル生成装置２の代表的特徴量計算部４２の機能を備える。即ち、特徴的オブジェクト抽出・代表的特徴量計算部１５２は、細胞分類装置３に未知異種属性撮像画像が投入された場合には、上記の第１の実施形態による分類モデル生成装置１の特徴的オブジェクト抽出部３２と同様の処理をし、細胞分類装置３に未知同一属性撮像画像が投入された場合には、上記の第２の実施形態による分類モデル生成装置２の代表的特徴量計算部４２と同様の処理をする。

具体的には、特徴的オブジェクト抽出・代表的特徴量計算部１５２は、検索オブジェクト一時記憶部１７０に、検索オブジェクトの抽出元が未知異種属性撮像画像である旨を示す画像種別情報が記憶されている場合には、抽出条件記憶部１７４に記憶されている抽出条件に従って、検索オブジェクト一時記憶部１７０に記憶されている検索オブジェクトのなかから特徴的検索オブジェクトを抽出する。なお、特徴的オブジェクト抽出・代表的特徴量計算部１５２は、何れの抽出条件に従って特徴的検索オブジェクトを抽出するかを示す情報を、入出力部１１０を介して外部から取得してもよい。特徴的オブジェクト抽出・代表的特徴量計算部１５２は、検索オブジェクト一時記憶部１７０に記憶されている検索オブジェクトから特徴的検索オブジェクトを抽出した場合、夫々の特徴的検索オブジェクトの属性情報及び形態的特徴量を細胞分類部１６０に出力する。

一方、特徴的オブジェクト抽出・代表的特徴量計算部１５２は、検索オブジェクト一時記憶部１７０に、検索オブジェクトの抽出元が未知同一属性撮像画像である旨を示す画像種別情報が記憶されている場合には、検索オブジェクト一時記憶部１７０に記憶されている検索オブジェクトから、当該検索オブジェクトの形態的特徴量を代表する代表的特徴量を計算する。特徴的オブジェクト抽出・代表的特徴量計算部１５２は、検索オブジェクト一時記憶部１７０に記憶されている検索オブジェクトから代表的特徴量を計算した場合、未知同一属性撮像画像から計算した代表的特徴量、及び、未知同一属性撮像画像の属性情報を細胞分類部１６０に出力する。換言すれば、特徴的オブジェクト抽出・代表的特徴量計算部１５２は、代表的特徴量を自身の形態的特徴量とする仮想的オブジェクト（以下、「仮想的検索オブジェクト」という）を生成し、仮想的検索オブジェクトの属性情報及び形態的特徴量（即ち、代表的特徴量）を細胞分類部１６０に出力する。

分類モデル記憶部１８０は、未知属性撮像画像、又は、未知属性撮像画像内の細胞を、細胞の形態的な特徴に基づいて属性毎に分類する分類モデルを記憶する。例えば、分類モデル記憶部１８０は、図７に示すように、所定の分類基準に従って、段階的に細胞オブジェクトの属性を分類する分類モデルを記憶してもよい。

細胞カタログ記憶部１９０は、図１６に示すような細胞カタログを記憶する。図１６に示す細胞カタログでは、例えば、分類先ＩＤ「Ｎ０００１」と属性情報（名称「Ａ」、培養条件「○○」等）と形態的特徴量（面積「２７」、長さ「１０．５」等）とを対応付けて記憶している。なお、細胞カタログは、細胞オブジェクトの画像（例えば、細胞オブジェクトを表現する２値化データ）を更に記憶してもよい。

細胞分類部１６０は、細胞オブジェクト認識部１２０によって未知属性撮像画像から認識された細胞オブジェクトの形態的特徴量又は当該形態的特徴量から算出される特徴量を、分類モデルに投入することによって、未知属性撮像画像又は未知属性撮像画像内の細胞を分類する。

例えば、細胞分類部１６０は、細胞分類装置３に未知異種属性撮像画像が投入された場合には、当該未知異種属性撮像画像から認識された細胞オブジェクト（即ち検索オブジェクト）のなかから抽出された特徴的オブジェクト（即ち、特徴的検索オブジェクト）の形態的特徴量に基づいて、未知異種属性撮像画像内の細胞を分類する。具体的には、細胞分類部１６０は、特徴的オブジェクト抽出・代表的特徴量計算部１５２から複数の特徴的検索オブジェクトの属性情報及び形態的特徴量を取得した場合、当該複数の特徴的検索オブジェクトの属性情報及び形態的特徴量を分類モデルに投入し、個々の特徴的検索オブジェクトを分類する。

また例えば、細胞分類部１６０は、細胞分類装置３に未知同一属性撮像画像が投入された場合には、当該未知同一属性撮像画像から認識された細胞オブジェクト（即ち検索オブジェクト）の形態的特徴量から算出される特徴量（即ち、代表的特徴量）に基づいて、当該未知同一属性撮像画像を分類する。具体的には、細胞分類部１６０は、特徴的オブジェクト抽出・代表的特徴量計算部１５２から仮想的検索オブジェクトの属性情報及び形態的特徴量（即ち、代表的特徴量）を取得した場合、当該仮想的検索オブジェクトの属性情報及び形態的特徴量を分類モデルに投入し、未知同一属性撮像画像を分類する。即ち、細胞分類部１６０は、仮想的検索オブジェクトの分類先を未知同一属性撮像画像の分類先とする。

細胞分類部１６０は、未知属性撮像画像、又は、未知属性撮像画像内の細胞を分類した場合、分類結果を入出力部１１０に出力する。具体的には、細胞分類部１６０は、未知異種属性撮像画像から得られた個々の特徴的検索オブジェクトを分類したときは、少なくとも、個々の特徴的検索オブジェクトの分類先の枝に設定されている分類先ＩＤを入出力部１１０に出力する。例えば、細胞分類部１６０は、個々の特徴的検索オブジェクトの分類先ＩＤに加えて、各分類先ＩＤに対応付けられている属性情報、又は、個々の特徴的検索オブジェクトの形態的特徴量の何れか一方又は両方を入出力部１１０に出力してもよい。

なお、細胞分類部１６０は、個々の特徴的検索オブジェクトを分類したときは、個々の特徴的検索オブジェクトの分類先を示す分類先ＩＤに対応付けて、個々の特徴的検索オブジェクトの形態的特徴量を細胞カタログに追加してもよい。また、細胞分類部１６０は、特徴的検索オブジェクトを分類したときは、分類結果として分類モデルから得られる情報（例えば、分類先ＩＤ、分類先ＩＤ毎の属性情報）に加えて、分類結果である各分類先ＩＤに対応する属性情報、形態的特徴量を細胞カタログ記憶部１９０から取得し、入出力部１１０に出力してもよい。

細胞分類部１６０は、未知同一属性撮像画像から得られた仮想的検索オブジェクトに基づいて当該未知同一属性撮像画像を分類したときは、少なくとも、当該未知同一属性撮像画像の分類先の枝に設定されている分類先ＩＤを入出力部１１０に出力する。例えば、細胞分類部１６０は、未知同一属性撮像画の分類先ＩＤに加えて、分類先ＩＤに対応付けられている属性情報、又は、仮想的検索オブジェクトの形態的特徴量（即ち、代表的特徴量）の何れか一方又は両方を入出力部１１０に出力してもよい。

なお、細胞分類部１６０は、未知同一属性撮像画像を分類したときは、当該未知属性撮像画像の分類先を示す分類先ＩＤに対応付けて、当該分類に用いた仮想的検索オブジェクトの形態的特徴量を細胞カタログに追加してもよい。また、細胞分類部１６０は、未知同一属性撮像画像を分類したときは、分類結果として分類モデルから得られる情報に加えて、分類結果である分類先ＩＤに対応する属性情報、形態的特徴量を細胞カタログ記憶部１９０から取得し、入出力部１１０に出力してもよい。

なお、特徴的オブジェクト抽出・代表的特徴量計算部１５２による特徴的検索オブジェクトの抽出、細胞分類部１６０による分類の各動作間の関係については、例えば、以下のように実現すればよい。

細胞オブジェクト特徴量算出部１２６は、検索オブジェクトの形態的特徴量を検索オブジェクト一時記憶部１７０に記憶した後に、形態的特徴量を記憶した旨を細胞分類部１６０に通知する。細胞分類部１６０は、細胞オブジェクト特徴量算出部１２６から形態的特徴量を記憶した旨の通知を取得した場合、特徴的オブジェクト抽出・代表的特徴量計算部１５２に抽出又は計算を要求する。

特徴的オブジェクト抽出・代表的特徴量計算部１５２は、細胞分類部１６０から抽出又は計算を要求された場合、検索オブジェクト一時記憶部１７０に記憶されている画像種別情報を参照し、検索オブジェクトの抽出元が未知異種属性撮像画像であるか未知同一属性撮像画像であるかを判断する。具体的には、特徴的オブジェクト抽出・代表的特徴量計算部１５２は、検索オブジェクト一時記憶部１７０に記憶されている画像種別情報が、検索オブジェクトの抽出元が未知異種属性撮像画像である旨を示す画像種別情報である場合には、検索オブジェクトの抽出元が未知異種属性撮像画像であると判断し、検索オブジェクトの抽出元が未知同一属性撮像画像である旨を示す画像種別情報である場合には、検索オブジェクトの抽出元が未知同一属性撮像画像であると判断する。

特徴的オブジェクト抽出・代表的特徴量計算部１５２は、検索オブジェクトの抽出元が未知異種属性撮像画像であると判断した場合、検索オブジェクト一時記憶部１７０に記憶されている検索オブジェクトから特徴的検索オブジェクトを抽出し、分類を要求するとともに、夫々の特徴的検索オブジェクトの属性情報及び形態的特徴量を細胞分類部１６０に出力する。

細胞分類部１６０は、特徴的オブジェクト抽出・代表的特徴量計算部１５２から、分類の要求とともに、夫々の特徴的検索オブジェクトの属性情報及び形態的特徴量を取得した場合、夫々の特徴的検索オブジェクトを分類モデルに投入し、個々の特徴的検索オブジェクトを分類する。

一方、特徴的オブジェクト抽出・代表的特徴量計算部１５２は、検索オブジェクトの抽出元が未知同一属性撮像画像であると判断した場合、検索オブジェクト一時記憶部１７０に記憶されている検索オブジェクトから仮想的検索オブジェクトを生成し、分類を要求するとともに、仮想的検索オブジェクトの属性情報及び形態的特徴量を細胞分類部１６０に出力する。

細胞分類部１６０は、特徴的オブジェクト抽出・代表的特徴量計算部１５２から、分類の要求とともに、仮想的検索オブジェクトの属性情報及び形態的特徴量を取得した細胞分類部１６０は、仮想的検索オブジェクトを分類モデルに投入し、未知同一属性撮像画像を分類する。

以下、フローチャートを用いて、細胞分類装置３の動作を説明する。図１７は、細胞分類装置３の動作の一例を示すフローチャートである。また、図１７に示すフローチャートの開始時において、検索オブジェクト一時記憶部１７０内には何も記憶されていないものとする。

図１７において、入出力部１１０は、外部から未知属性撮像画像とともに画像種別情報を取得する（ステップＳ２１２）。入出力部１１０は、外部から取得した未知属性撮像画像及び画像種別情報を細胞オブジェクト認識部１２０の２値化処理部１２２に出力する。

２値化処理部１２２は、入出力部１１０から取得した未知属性撮像画像を所定の閾値によって２値化処理する（ステップＳ２１４）。２値化処理部１２２は、２値化データ及び画像種別情報をノイズ推定部１２４に出力する。ノイズ推定部１２４は、２値化処理部１２２から２値化データを取得し、取得した２値化データから得られる全オブジェクトのなかからノイズオブジェクトを推定する（ステップＳ２２０）。ノイズオブジェクトを推定したノイズ推定部１２４は、２値化データ及び画像種別情報とともに、推定結果情報を細胞オブジェクト特徴量算出部１２６に出力する。なお、ノイズ推定部１２４によるステップＳ２２０の処理の詳細は、上記の第１の実施形態による分類モデル生成装置１のノイズ推定部２４によるステップＳ１２０の処理の詳細（図１２）と同様である。

ノイズ推定部１２４から２値化データ及び画像種別情報とともに推定結果情報を取得した細胞オブジェクト特徴量算出部１２６は、ノイズ推定部１２４から取得した２値化データ及び推定結果情報に基づいて、当該２値化データから得られる全オブジェクトのなかからノイズオブジェクトを除去する（ステップＳ２３０）。換言すれば、細胞オブジェクト特徴量算出部１２６は、ノイズ推定部１２４から取得した２値化データから、ノイズオブジェクト以外の個々の細胞オブジェクトを認識する（ステップＳ２３０）。

次いで、細胞オブジェクト特徴量算出部１２６は、認識した個々の検索オブジェクトの形態的特徴量を算出する（ステップＳ２３２）。個々の検索オブジェクトの形態的特徴量を算出した細胞オブジェクト特徴量算出部１２６は、画像種別情報、及び、個々の検索オブジェクトの形態的特徴量を検索オブジェクト一時記憶部１７０に記憶する（ステップＳ２３４）。また、細胞オブジェクト特徴量算出部１２６は、形態的特徴量を記憶した旨を細胞分類部１６０に通知する。形態的特徴量を記憶した旨の通知を取得した細胞分類部１６０は、特徴的オブジェクト抽出・代表的特徴量計算部１５２に抽出又は計算を要求する。

細胞分類部１６０から抽出又は計算を要求された特徴的オブジェクト抽出・代表的特徴量計算部１５２は、ステップＳ２１２において取得した未知属性撮像画像が未知異種属性撮像画像であるか否かを判断する（ステップＳ２８０）。

特徴的オブジェクト抽出・代表的特徴量計算部１５２は、ステップＳ２１２において取得した未知属性撮像画像が未知異種属性撮像画像であると判断した場合（ステップＳ２８０：Ｙｅｓ）、抽出条件記憶部１７４に記憶されている抽出条件に従って、検索オブジェクト一時記憶部１７０に記憶されている検索オブジェクトから特徴的検索オブジェクトを抽出する（ステップ２８２）。特徴的検索オブジェクトを抽出した特徴的オブジェクト抽出・代表的特徴量計算部１５２は、分類を要求とともに、夫々の特徴的検索オブジェクトの属性情報及び形態的特徴量を細胞分類部１６０に出力する。分類を要求とともに、夫々の特徴的検索オブジェクトの属性情報及び形態的特徴量を特徴的オブジェクト抽出・代表的特徴量計算部１５２から取得した細胞分類部１６０は、夫々の特徴的検索オブジェクトを分類モデルに投入し、未知異種属性撮像画像内の個々の特徴的検索オブジェクトを分類する（ステップＳ２８４）。

一方、特徴的オブジェクト抽出・代表的特徴量計算部１５２は、ステップＳ２１２において取得した未知属性撮像画像が未知異種属性撮像画像でないと判断した場合（ステップＳ２８０：Ｎｏ）、即ち、ステップＳ２１２において取得した未知属性撮像画像が未知同一属性撮像画像であると判断した場合、検索オブジェクト一時記憶部１７０に記憶されている検索オブジェクトから仮想的検索オブジェクトを生成する（ステップ２８６）。仮想的検索オブジェクトを生成した特徴的オブジェクト抽出・代表的特徴量計算部１５２は、分類を要求とともに、仮想的検索オブジェクトの属性情報及び形態的特徴量を細胞分類部１６０に出力する。分類を要求とともに、仮想的検索オブジェクトの属性情報及び形態的特徴量を特徴的オブジェクト抽出・代表的特徴量計算部１５２から取得した細胞分類部１６０は、仮想的検索オブジェクトを分類モデルに投入し、未知同一属性撮像画像を分類する（ステップＳ２８８）。

ステップＳ２８４またはステップＳ２８８に続いて、細胞分類部１６０は、分類結果を入出力部１１０に出力する（ステップＳ２９０）。具体的には、細胞分類部１６０は、ステップＳ２８４において個々の特徴的検索オブジェクトを分類した場合には、例えば、個々の特徴的検索オブジェクトの分類先を示す分類先ＩＤ、各分類先ＩＤに対応付けられている属性情報、個々の特徴的検索オブジェクトの形態的特徴量を入出力部１１０に出力する。また、細胞分類部１６０は、ステップＳ２８８において未知同一属性撮像画像を分類した場合には、例えば、未知同一属性撮像画像の分類先を示す分類先ＩＤ、分類先ＩＤに対応付けられている属性情報、仮想的検索オブジェクトの形態的特徴量を入出力部１１０に出力する。

次いで、細胞分類部１６０は、検索オブジェクト一時記憶部１７０に記憶されている検索オブジェクトを消去し（ステップＳ２９２）、図１７に示すフローチャートは終了する。なお、細胞分類部１６０は、例えば、細胞オブジェクト特徴量算出部１２６に、検索オブジェクト一時記憶部に記憶されている検索オブジェクトを消去すべき旨を要求することによって、検索オブジェクト一時記憶部１７０に記憶されている検索オブジェクトを消去する。

（第４の実施形態）
以下、図面を参照しながら本発明の第４の実施形態について説明する。図１８は、本発明の第４の実施形態による細胞分類装置４の機能ブロック図の一例である。図１９は、検索オブジェクト一時記憶部２７０に記憶される情報の一例である。

細胞分類装置４は、図１７に示すように、入出力部２１０、細胞オブジェクト認識部２２０、特徴的オブジェクト抽出・代表的特徴量計算部２５２、候補分類モデル形成部２５４、分類モデル決定・形成部２５６、細胞分類部２６０、検索オブジェクト一時記憶部２７０、細胞オブジェクト記憶部２７２、抽出条件記憶部２７４、候補分類モデル記憶部２７６、分類モデル記憶部２８０及び細胞カタログ記憶部２９０を備える。細胞オブジェクト認識部２２０は、２値化処理部２２２、ノイズ推定部２２４及び細胞オブジェクト特徴量算出部２２６を備える。

入出力部２１０は、撮像画像及び画像種別情報を外部から取得する。具体的には、入出力部２１０は、上記の第１の実施形態による分類モデル生成装置１、２の入出力部１０と同様、属性情報（若しくは属性情報及び撮像条件情報）とともに、既知同一属性撮像画像、及び、既知同一属性撮像画像である旨を示す画像種別情報を外部から取得する。また、入出力部２１０は、上記の第３の実施形態による細胞分類装置３の入出力部１１０と同様、未知異種属性撮像画像及び未知異種属性撮像画像である旨を示す画像種別情報、又は、未知同一属性撮像画像及び未知同一属性撮像画像である旨を示す画像種別情報を外部から取得する。入出力部２１０は、外部から取得した情報を２値化処理部２２２に出力する。

また、入出力部２１０は、未知属性撮像画像（未知異種属性撮像画像又は未知同一属性撮像画像）とともに、分類先範囲指定情報を外部から取得し、２値化処理部２２２に出力してもよい。分類先範囲指定情報とは、未知属性撮像画像の分類先の範囲、または、未知属性撮像画像内の細胞の分類先の範囲を指定した情報である。

細胞オブジェクト認識部２２０は、上記の第１、２の実施形態による分類モデル生成装置１の細胞オブジェクト認識部２０と同様、既知同一属性撮像画像内の個々の細胞の撮像領域を細胞オブジェクトとして認識する。また、細胞オブジェクト認識部２２０は、上記の第３の実施形態による細胞分類装置３の細胞オブジェクト認識部１２０と同様、未知属性撮像画像内の個々の細胞オブジェクトを検索オブジェクトとして認識する。

即ち、２値化処理部２２２は、上記の第１、２の実施形態による分類モデル生成装置１、２の２値化処理部２２と同様、既知同一属性撮像画像を所定の閾値によって２値化処理する。また、２値化処理部２２２は、上記の第３の実施形態による細胞分類装置３の２値化処理部１２２と同様、未知属性撮像画像を所定の閾値によって２値化処理する。２値化処理部２２２は、入出力部２１０から取得した情報とともに、２値化データをノイズ推定部１２４に出力する。

ノイズ推定部２２４は、上記の第１、２の実施形態による分類モデル生成装置１、２のノイズ推定部２４と同様、既知同一属性撮像画像内の全オブジェクトのなかからノイズオブジェクトを推定する。また、ノイズ推定部２２４は、上記の第３の実施形態による細胞分類装置３のノイズ推定部１２４と同様、未知属性撮像画像内の全オブジェクトのなかからノイズオブジェクトを推定する。ノイズ推定部２２４は、２値化処理部２２２から取得した情報とともに、推定結果情報をノイズ推定部１２４に出力する。

細胞オブジェクト特徴量算出部２２６は、上記の第１、２の実施形態による分類モデル生成装置１、２の細胞オブジェクト特徴量算出部２６と同様、既知同一属性撮像画像内の個々の細胞オブジェクトの形態的特徴量を算出する。個々の細胞オブジェクトの形態的特徴量を算出した細胞オブジェクト特徴量算出部２２６は、属性情報（若しくは属性情報及び撮像条件情報）に対応付けて、個々の細胞オブジェクトの形態的特徴量を細胞オブジェクト記憶部２７２に記憶する。

また、細胞オブジェクト特徴量算出部２２６は、上記の第３の実施形態による細胞分類装置３の細胞オブジェクト特徴量算出部１２６と同様、未知属性撮像画像内の個々の細胞オブジェクト（即ち、検索オブジェクト）の形態的特徴量を算出する。個々の検索オブジェクトの形態的特徴量の算出した細胞オブジェクト特徴量算出部２２６は、画像種別情報に対応付けて、個々の検索オブジェクトの形態的特徴量を検索オブジェクト一時記憶部２７０に記憶する。また、細胞オブジェクト特徴量算出部２２６は、ノイズ推定部２２４から分類先範囲指定情報を取得している場合には、分類先範囲指定情報を検索オブジェクト一時記憶部２７０に記憶する。

検索オブジェクト一時記憶部２７０は、検索オブジェクトに関する情報を記憶する。具体的には、検索オブジェクト一時記憶部２７０は、図１８（ａ）（ｂ）に示すように、画像種別情報及び分類先範囲指定情報に対応付けて、個々の検索オブジェクトの形態的特徴量を記憶する。なお、検索オブジェクト一時記憶部２７０の項目「画像種別情報」の初期値は、上記の第３の実施形態による細胞分類装置３の検索オブジェクト一時記憶部１７０と同様である。また、検索オブジェクト一時記憶部２７０の項目「分類先範囲指定情報」の初期値は、分類範囲を何も指定しない旨を示す分類先範囲指定情報である。従って、細胞オブジェクト特徴量算出部２２６がノイズ推定部２２４から分類先範囲指定情報を取得しなかった場合、項目「分類先範囲指定情報」には、分類範囲を何も指定しない旨を示す分類先範囲指定情報が記憶される。

細胞オブジェクト記憶部２７２は、上記の第１、２の実施形態による分類モデル生成装置１、２の細胞オブジェクト記憶部７２と同様である。また、抽出条件記憶部２７４は、上記の第１の実施形態による分類モデル生成装置１の抽出条件記憶部７４と同様である。なお、抽出条件記憶部２７４は、細胞オブジェクト記憶部２７２から特徴的オブジェクトを抽出するための抽出条件（即ち、分類モデル生成時に用いる特徴的オブジェクトを抽出するための抽出条件）と、検索オブジェクト一時記憶部２７０にから特徴的検索オブジェクトを抽出するための抽出条件（即ち、分類対象である特徴的検索オブジェクトを抽出するための抽出条件）とを別々に記憶してもよい。

候補分類モデル記憶部２７６は、上記の第１の実施形態による分類モデル生成装置１の候補分類モデル記憶部７６と同様である。また、分類モデル記憶部２８０は、上記の第１、２の実施形態による分類モデル生成装置１、２の分類モデル記憶部８０と同様である。また、細胞カタログ記憶部２９０は、上記の第３の実施形態による細胞分類装置３の細胞カタログ記憶部１９０と同様である。

特徴的オブジェクト抽出・代表的特徴量計算部２５２は、上記の第１の実施形態による分類モデル生成装置１の特徴的オブジェクト抽出部３２、及び、上記の第２の実施形態による分類モデル生成装置２の代表的特徴量計算部４２の機能を備える。

具体的には、特徴的オブジェクト抽出・代表的特徴量計算部２５２は、特徴的オブジェクトを抽出すべき場合には、抽出条件記憶部２７４に記憶されている抽出条件に従って、細胞オブジェクト記憶部２７２に記憶されている細胞オブジェクトのなかから特徴的オブジェクトを抽出する。但し、検索オブジェクト一時記憶部２７０に分類範囲を指定する旨を示す分類先範囲指定情報が記憶されている場合には、特徴的オブジェクト抽出・代表的特徴量計算部２５２は、細胞オブジェクト記憶部２７２に記憶されている細胞オブジェクトのうち指定された分類範囲の細胞オブジェクトのなかから特徴的オブジェクトを抽出する。特徴的オブジェクト抽出・代表的特徴量計算部２５２は、細胞オブジェクト記憶部２７２に記憶されている細胞オブジェクトのなかから特徴的オブジェクトを抽出した場合、夫々の特徴的オブジェクトの属性情報及び形態的特徴量を候補分類モデル形成部２５４に出力する。

また、特徴的オブジェクト抽出・代表的特徴量計算部２５２は、代表的特徴量を計算すべき場合には、細胞オブジェクト記憶部２７２に記憶されている細胞オブジェクトから代表的特徴量を計算する。換言すれば、特徴的オブジェクト抽出・代表的特徴量計算部２５２は、各既知同一属性撮像画像の仮想的オブジェクトを生成する。但し、検索オブジェクト一時記憶部２７０に分類範囲を指定する旨を示す分類先範囲指定情報が記憶されている場合には、特徴的オブジェクト抽出・代表的特徴量計算部２５２は、細胞オブジェクト記憶部２７２に記憶されている細胞オブジェクトのうち指定された分類範囲の細胞オブジェクトを用いて代表的特徴量を計算する。特徴的オブジェクト抽出・代表的特徴量計算部２５２は、各既知同一属性撮像画像の仮想的オブジェクトを生成した場合、夫々の仮想的オブジェクトの属性情報及び形態的特徴量を分類モデル決定・形成部２５６に出力する。

更に、特徴的オブジェクト抽出・代表的特徴量計算部２５２は、検索オブジェクト一時記憶部２７０に、検索オブジェクトの抽出元が未知異種属性撮像画像である旨を示す画像種別情報が記憶されている場合には、抽出条件記憶部２７４に記憶されている抽出条件に従って、検索オブジェクト一時記憶部２７０に記憶されている検索オブジェクトのなかから特徴的検索オブジェクトを抽出する。特徴的オブジェクト抽出・代表的特徴量計算部２５２は、検索オブジェクト一時記憶部１７０に記憶されている検索オブジェクトから特徴的検索オブジェクトを抽出した場合、夫々の特徴的検索オブジェクトの属性情報及び形態的特徴量を細胞分類部２６０に出力する。

また、特徴的オブジェクト抽出・代表的特徴量計算部２５２は、検索オブジェクト一時記憶部２７０に、検索オブジェクトの抽出元が未知同一属性撮像画像である旨を示す画像種別情報が記憶されている場合には、検索オブジェクト一時記憶部２７０に記憶されている検索オブジェクトから代表的特徴量を計算する。換言すれば、特徴的オブジェクト抽出・代表的特徴量計算部２５２は、未知同一属性撮像画像の仮想的検索オブジェクトを生成する。特徴的オブジェクト抽出・代表的特徴量計算部２５２は、未知同一属性撮像画像の仮想的検索オブジェクトを生成した場合、仮想的検索オブジェクトの属性情報及び形態的特徴量を細胞分類部２６０に出力する。

候補分類モデル形成部２５４は、上記の第１の実施形態による分類モデル生成装置１の候補分類モデル形成部３４と同様、特徴的オブジェクト抽出・代表的特徴量計算部２５２から取得した特徴的オブジェクトの属性情報及び形態的特徴量を用いて候補分類モデルを形成（生成）する。

分類モデル決定・形成部２５６は、上記の第１の実施形態による分類モデル生成装置１の分類モデル決定部３６、及び、上記の第２の実施形態による分類モデル生成装置２の分類モデル形成部４６の機能を備える。

具体的には、分類モデル決定・形成部２５６は、候補分類モデル形成部２５４によって複数の候補分類モデルが形成された場合には、候補分類モデル記憶部２７６に記憶されている複数の候補分類モデルのなかから分類モデルを決定し、分類モデル記憶部２８０に記憶する。

また、分類モデル決定・形成部２５６は、特徴的オブジェクト抽出・代表的特徴量計算部２５２から既知同一属性撮像画像毎の複数の仮想的オブジェクトの属性情報及び形態的特徴量を取得した場合には、当該複数の仮想的オブジェクトの属性情報及び形態的特徴量を用いて分類モデルを生成（形成）する。

細胞分類部２６０は、上記の第３の実施形態による細胞分類装置３の細胞分類部１６０と同様、未知属性撮像画像、または、未知属性撮像画像内の細胞（具体的には、個々の特徴的検索オブジェクト）を分類し、分類結果を入出力部２１０に出力する。

具体的には、細胞分類部２６０は、特徴的オブジェクト抽出・代表的特徴量計算部２５２から複数の特徴的検索オブジェクトの属性情報及び形態的特徴量を取得した場合には、当該複数の特徴的検索オブジェクトの属性情報及び形態的特徴量を分類モデルに投入し、個々の特徴的検索オブジェクトを分類する。

また、細胞分類部２６０は、特徴的オブジェクト抽出・代表的特徴量計算部２５２から仮想的検索オブジェクトの属性情報及び形態的特徴量を取得した場合には、当該仮想的検索オブジェクトの属性情報及び形態的特徴量を分類モデルに投入し、未知同一属性撮像画像を分類する。

以下、フローチャートを用いて、細胞分類装置４の動作を説明する。図２０は、細胞分類装置４の動作の一例を示すフローチャートである。なお、図２０に示すフローチャートの開始時において、細胞オブジェクト記憶部２７２内には、複数の既知同一属性撮像画像からそれぞれ認識された複数の細胞オブジェクトが記憶されているものとする。また、図２０に示すフローチャートの開始時において、検索オブジェクト一時記憶部２７０内には何も記憶されていないものとする。

図２０において、入出力部２１０は、外部から画像種別情報及び分類先範囲指定情報とともに、未知属性撮像画像を取得し（ステップＳ３１２）、２値化処理部２２２に出力する。２値化処理部２２２は、未知属性撮像画像を所定の閾値によって２値化処理する（ステップＳ３１４）。２値化処理部２２２は、２値化データ、画像種別情報及び分類先範囲指定情報をノイズ推定部２２４に出力する。

ノイズ推定部２２４は、２値化処理部２２２から取得した２値化データから得られる全オブジェクトのなかからノイズオブジェクトを推定する（ステップＳ３２０）。ノイズオブジェクトを推定したノイズ推定部２２４は、２値化データ、画像種別情報及び分類先範囲指定情報とともに、推定結果情報を細胞オブジェクト特徴量算出部２２６に出力する。なお、ノイズ推定部２２４によるステップＳ３２０の処理の詳細は、上記の第１の実施形態による分類モデル生成装置１のノイズ推定部２４によるステップＳ１２０の処理の詳細（図１２）と同様である。

ノイズ推定部２２４から、２値化データ、画像種別情報及び分類先範囲指定情報とともに、推定結果情報を取得した細胞オブジェクト特徴量算出部２２６は、ノイズ推定部２２４から取得した２値化データ及び推定結果情報に基づいて、当該２値化データから得られる全オブジェクトのなかからノイズオブジェクトを除去する（ステップＳ３３０）。換言すれば、細胞オブジェクト特徴量算出部２２６は、ノイズ推定部２２４から取得した２値化データから、ノイズオブジェクト以外の個々の細胞オブジェクトを認識する（ステップＳ３３０）。

次いで、細胞オブジェクト特徴量算出部２２６は、認識した個々の検索オブジェクトの形態的特徴量を算出する（ステップＳ３３２）。個々の検索オブジェクトの形態的特徴量を算出した細胞オブジェクト特徴量算出部２２６は、画像種別情報、分類先範囲指定情報、及び、個々の検索オブジェクトの形態的特徴量を検索オブジェクト一時記憶部２７０に記憶する（ステップＳ３３４）。また、細胞オブジェクト特徴量算出部２２６は、検索オブジェクトの形態的特徴量を記憶した旨を細胞分類部２６０に通知する。検索オブジェクトの形態的特徴量を記憶した旨の通知を取得した細胞分類部２６０は、特徴的オブジェクト抽出・代表的特徴量計算部２５２に抽出又は計算を要求する。

細胞分類部２６０から抽出又は計算を要求された特徴的オブジェクト抽出・代表的特徴量計算部２５２は、ステップＳ３１２において取得した未知属性撮像画像が未知異種属性撮像画像であるか否かを判断する（ステップＳ３４０）。特徴的オブジェクト抽出・代表的特徴量計算部２５２は、検索オブジェクト一時記憶部２７０に検索オブジェクトの抽出元が未知異種属性撮像画像である旨を示す画像種別情報が記憶されている場合には、未知異種属性撮像画像であると判断する。

特徴的オブジェクト抽出・代表的特徴量計算部２５２は、ステップＳ３１２において取得した未知属性撮像画像が未知異種属性撮像画像であると判断した場合（ステップＳ３４０：Ｙｅｓ）、抽出条件記憶部２７４に記憶されている抽出条件に従って、細胞オブジェクト記憶部２７２に記憶されている細胞オブジェクトのなかから特徴的オブジェクトを抽出する（ステップＳ３４２）。特徴的オブジェクトを抽出した特徴的オブジェクト抽出・代表的特徴量計算部２５２は、夫々の特徴的オブジェクトの属性情報及び形態的特徴量を候補分類モデル形成部２５４に出力する。

夫々の特徴的オブジェクトの属性情報及び形態的特徴量を取得した候補分類モデル形成部２５４は、夫々の特徴的オブジェクトの属性情報及び形態的特徴量に基づいて、候補分類モデルを形成し、候補分類モデルを候補分類モデル記憶部２７６に記憶する（ステップＳ３４４）。次いで、候補分類モデル形成部２５４は、全ての候補分類モデルを形成したか否かを判断する（ステップＳ３４６）。候補分類モデル形成部２５４は、例えば、特徴的オブジェクト抽出・代表的特徴量計算部２５２に抽出を要求し、特徴的オブジェクト抽出・代表的特徴量計算部２５２から抽出が完了した旨の通知を取得した場合に、全ての候補分類モデルを形成したと判断する。候補分類モデル形成部２５４は、全ての候補分類モデルを形成していないと判断した場合（ステップＳ３４６：Ｎｏ）、ステップＳ３４２に戻る。候補分類モデル形成部２５４は、全ての候補分類モデルを形成したと判断した場合（ステップＳ３４６：Ｙｅｓ）、分類モデル決定・形成部２５６に分類モデルの決定を要求する。

分類モデルの決定を要求された分類モデル決定・形成部２５６は、複数の候補分類モデルのなかから分類モデルを決定し、分類モデル記憶部２８０に記憶する（ステップＳ３５０）。なお、分類モデル決定・形成部２５６は、分類モデル記憶部２８０に前回の分類モデルが記憶されていた場合には、今回決定した分類モデルによって上書きする。分類モデル記憶部２８０に分類モデルを記憶した分類モデル決定・形成部２５６は、特徴的オブジェクト抽出・代表的特徴量計算部２５２に抽出を要求する。

分類モデル決定・形成部２５６から抽出を要求された特徴的オブジェクト抽出・代表的特徴量計算部２５２は、抽出条件記憶部２７４に記憶されている抽出条件に従って、検索オブジェクト一時記憶部２７０から特徴的検索オブジェクトを抽出する（ステップ３８２）。特徴的検索オブジェクトを抽出した特徴的オブジェクト抽出・代表的特徴量計算部２５２は、細胞分類部２６０に、分類を要求するとともに、特徴的検索オブジェクトの属性情報及び形態的特徴量を出力する。特徴的オブジェクト抽出・代表的特徴量計算部２５２から、分類の要求とともに、特徴的検索オブジェクトの属性情報及び形態的特徴量を取得した細胞分類部２６０は、夫々の特徴的検索オブジェクトを分類モデルに投入し、未知異種属性撮像画像内の個々の特徴的検索オブジェクトを分類する（ステップＳ３８４）。

一方、特徴的オブジェクト抽出・代表的特徴量計算部２５２は、ステップＳ３１２において取得した未知属性撮像画像が未知異種属性撮像画像でないと判断した場合（ステップＳ３４０：ＮＯ）、細胞オブジェクト記憶部２７２に記憶されている細胞オブジェクトから代表的特徴量を計算する（ステップＳ３５２）。即ち、特徴的オブジェクト抽出・代表的特徴量計算部２５２は、細胞オブジェクト記憶部２７２に記憶されている細胞オブジェクトから仮想的オブジェクトを生成する（ステップＳ３５２）。各既知同一属性撮像画像から代表的特徴量を計算した特徴的オブジェクト抽出・代表的特徴量計算部２５２は、夫々の仮想的オブジェクトの属性情報及び形態的特徴量を分類モデル決定・形成部２５６に出力する。

夫々の仮想的オブジェクトの属性情報及び形態的特徴量を取得した分類モデル決定・形成部２５６は、夫々の仮想的オブジェクトの属性情報及び形態的特徴量に基づいて、分類モデルを形成し、分類モデルを分類モデル記憶部２８０に記憶する（ステップＳ３６０）。なお、分類モデル決定・形成部２５６は、分類モデル記憶部２８０に前回の分類モデルが記憶されていた場合には、今回決定した分類モデルによって上書きする。分類モデル記憶部２８０に分類モデルを記憶した分類モデル決定・形成部２５６は、特徴的オブジェクト抽出・代表的特徴量計算部２５２に計算を要求する。

分類モデル決定・形成部２５６から計算を要求された特徴的オブジェクト抽出・代表的特徴量計算部２５２は、検索オブジェクト一時記憶部２７０に記憶されている検索オブジェクトから代表的特徴量を計算する（ステップＳ３８６）。即ち、特徴的オブジェクト抽出・代表的特徴量計算部２５２は、検索オブジェクト一時記憶部２７０に記憶されている検索オブジェクトから仮想的検索オブジェクトを生成する（ステップＳ３８６）。代表的特徴量を計算した特徴的オブジェクト抽出・代表的特徴量計算部２５２は、細胞分類部２６０に、分類を要求するとともに、仮想的検索オブジェクトの属性情報及び形態的特徴量を出力する。特徴的オブジェクト抽出・代表的特徴量計算部２５２から、分類の要求とともに、仮想的検索オブジェクトの属性情報及び形態的特徴量を取得した細胞分類部２６０は、仮想的検索オブジェクトを分類モデルに投入し、未知同一属性撮像画像を分類する（ステップＳ３８８）。

ステップＳ３８４またはステップＳ３８８に続いて、細胞分類部２６０は、分類結果を入出力部２１０に出力する（ステップＳ３９０）。次いで、細胞分類部２６０は、検索オブジェクト一時記憶部２７０に記憶されている検索オブジェクトを消去し（ステップＳ３９２）、図２０に示すフローチャートは終了する。

なお、ステップＳ３４２において、特徴的オブジェクト抽出・代表的特徴量計算部２５２は、検索オブジェクト一時記憶部２７０に分類範囲を指定する旨を示す分類先範囲指定情報が記憶されている場合には、細胞オブジェクト記憶部２７２に記憶されている細胞オブジェクトのうち指定された分類範囲の細胞オブジェクトのなかから特徴的オブジェクトを抽出する。同様に、ステップＳ３５２において、特徴的オブジェクト抽出・代表的特徴量計算部２５２は、検索オブジェクト一時記憶部２７０に分類範囲を指定する旨を示す分類先範囲指定情報が記憶されている場合には、細胞オブジェクト記憶部２７２に記憶されている細胞オブジェクトのうち指定された分類範囲の細胞オブジェクトを用いて代表的特徴量を計算する。

なお、ステップＳ３８２において、特徴的オブジェクト抽出・代表的特徴量計算部２５２は、細胞オブジェクト記憶部２７２に記憶されている細胞オブジェクトのなかから特徴的オブジェクトを抽出したときの抽出パターンのうち分類モデルとして決定された候補分類モデルを抽出したときの抽出パターンに従って、検索オブジェクト一時記憶部２７０から特徴的検索オブジェクトを抽出することが好ましい。例えば、図４、図５に示す例において、特徴的オブジェクト抽出・代表的特徴量計算部２５２は、（Ｎ_１＋Ｎ_２＋Ｎ_３）個の細胞オブジェクトのなかから、面積が平均値〜平均値より２５％大きい値の範囲内（抽出条件１）であって、かつ、長さが平均値〜平均値より２５％大きい値の範囲内（抽出条件３）であって、かつ、幅が平均値〜平均値より２５％大きい値の範囲内（抽出条件５）である細胞オブジェクトを特徴的オブジェクトとして抽出し、最終的に、当該特徴的オブジェクトから形成された候補分類モデルが分類モデルとして決定された場合には、検索オブジェクト一時記憶部２７０から、抽出条件１であって、かつ、抽出条件３であって、かつ、抽出条件５である検索オブジェクトを特徴的検索オブジェクトとして抽出する。即ち、端的に言えば、特徴的オブジェクト抽出・代表的特徴量計算部２５２は、分類モデルに反映された抽出パターンと同一の抽出パターンにより、特徴的検索オブジェクトを抽出する。

分類モデルに反映された抽出パターンと同一の抽出パターンにより、特徴的検索オブジェクトを抽出する手法には種々の手法があるが、例えば、特徴的オブジェクト抽出・代表的特徴量計算部２５２が、抽出パターンを示す情報を候補分類モデル形成部２５４に出力し、候補分類モデル形成部２５４が、抽出パターンを示す情報を候補分類モデル記憶部２７６に記憶し、分類モデル決定・形成部２５６が、抽出パターンを示す情報を分類モデル記憶部２８０に記憶する。その後、特徴的オブジェクト抽出・代表的特徴量計算部２５２は、特徴的検索オブジェクトを抽出する際に、分類モデル記憶部２８０を参照し、分類モデルとして決定された候補分類モデルを抽出したときの抽出パターンを特定する。

同様に、ステップＳ３８６において、特徴的オブジェクト抽出・代表的特徴量計算部２５２は、細胞オブジェクト記憶部２７２に記憶されている細胞オブジェクトから仮想的オブジェクトを生成したときの計算方法に従って、検索オブジェクト一時記憶部２７０に記憶されている検索オブジェクトから仮想的検索オブジェクトを生成することが好ましい。例えば、特徴的オブジェクト抽出・代表的特徴量計算部２５２は、既知同一属性撮像画像から抽出された複数の細胞オブジェクトの各形態的特徴量の中央値を代表的特徴量として計算し、各形態的特徴量の中央値を自身の形態的特徴量とする仮想的オブジェクトを生成した場合には、検索オブジェクト一時記憶部２７０に記憶されている検索オブジェクトの各形態的特徴量の中央値を代表的特徴量として計算し、各形態的特徴量の中央値を自身の形態的特徴量とする仮想的検索オブジェクトを生成する。即ち、端的に言えば、特徴的オブジェクト抽出・代表的特徴量計算部２５２は、分類モデルに反映された代表的特徴量の計算方法と同一の計算方法により、仮想的検索オブジェクトを生成する。

分類モデルに反映された代表的特徴量の計算方法と同一の計算方法により、仮想的検索オブジェクトを生成する手法には種々の手法があるが、例えば、特徴的オブジェクト抽出・代表的特徴量計算部２５２が、仮想的オブジェクトを生成したときの計算方法を示す情報を分類モデル決定・形成部２５６に出力し、分類モデル決定・形成部２５６が、上記計算方法を示す情報を分類モデル記憶部２８０に記憶する。その後、特徴的オブジェクト抽出・代表的特徴量計算部２５２は、仮想的検索オブジェクトを生成する際に、分類モデル記憶部２８０を参照し、仮想的オブジェクトを生成したときの計算方法を特定する。

以上、第１の実施形態による分類モデル生成装置１、第２の実施形態による分類モデル生成装置２、第３の実施形態による細胞分類装置３、及び、第４の実施形態による細胞分類装置４について説明したが、細胞分類装置３によれば、所定の分類基準に従って、細胞オブジェクトの属性を分類する分類モデルを用いることによって、細胞を破壊することなく、また、安価かつ簡便に、細胞の種類、状態等を確認することができる。また、分類モデル生成装置１、２によれば、細胞分類装置３にて用いる分類モデルを簡便に生成することができる。更に、細胞分類装置４によれば、細胞の確認する都度、最新の分類モデルが生成されるため、より高精度に、細胞の種類、状態等を確認することができる。

また、分類モデル生成装置１、２、細胞分類装置３、４がそれぞれに備えるノイズ推定部によって、ノイズオブジェクトが精度よく除去されるため、細胞オブジェクトを精度よく抽出することができる。

なお、分類モデル生成装置１が生成する分類モデルとして、段階的に分類する分類モデルの例を説明したが、１段階で一気に分類する分類モデルを生成してもよい。分類モデル生成装置２が生成する分類モデル、細胞分類装置３が利用する分類モデル、細胞分類装置４が生成及び利用する分類モデルも同様である。また、各実施形態に係る分類モデルには、高々、ある属性であるか否かを判別するものも含まれる。

また、第３の実施形態の細胞分類装置３において、特徴的オブジェクト抽出・代表的特徴量計算部１５２は、検索オブジェクト一時記憶部１７０に記憶されている検索オブジェクトから特徴的検索オブジェクトを抽出し、夫々の特徴的検索オブジェクトの属性情報及び形態的特徴量を細胞分類部１６０に出力するが、特徴的オブジェクト抽出・代表的特徴量計算部１５２は、特徴的検索オブジェクトと特徴的検索オブジェクトではない検索オブジェクト（非特徴的検索オブジェクトという）とを区別できる態様で（例えばラベルを付し）、特徴的検索オブジェクトに加え非特徴的検索オブジェクトも細胞分類部１６０に出力してもよい。

特徴的検索オブジェクトに加え非特徴的検索オブジェクトを取得した細胞分類部１６０は、特徴的検索オブジェクトと同様、非特徴的検索オブジェクトも分類モデルに投入し、分類の確度が高い旨の情報とともに個々の特徴的検索オブジェクトの分類結果を出力し、分類の確度が高くない旨の情報とともに個々の非特徴的検索オブジェクトの分類結果を出力してもよい。また、特徴的検索オブジェクトに加え非特徴的検索オブジェクトを取得した細胞分類部１６０は、個々の非特徴的検索オブジェクトについて、“分類不能”と出力してもよい。第４の実施形態の細胞分類装置４の特徴的オブジェクト抽出・代表的特徴量計算部２５２及び細胞分類部２６０についても同様である。

また、第４の実施形態において、細胞分類装置４の特徴的オブジェクト抽出・代表的特徴量計算部２５２は、分類モデルの生成時において、細胞オブジェクト記憶部２７２に記憶されている細胞オブジェクトから分類モデルの基礎となるオブジェクトとして仮想的オブジェクトを生成し、また、分類時において、検索オブジェクト一時記憶部２７０に記憶されている検索オブジェクトから分類対象となる仮想的検索オブジェクトを生成するが、これに代えて、特徴的オブジェクト抽出・代表的特徴量計算部２５２は、分類モデルの生成時において、仮想的オブジェクトを生成することなく、細胞オブジェクト記憶部２７２に記憶されている全ての細胞オブジェクトを分類モデルの基礎とし、また、分類時において、仮想的検索オブジェクトを生成することなく、検索オブジェクト一時記憶部２７０に記憶されている全ての検索オブジェクト（即ち、未知同一属性画像から得られる全ての検索オブジェクト）を分類対象としてもよい。上記場合、細胞分類部２６０は、例えば、検索オブジェクト一時記憶部２７０に記憶されている全ての検索オブジェクトを分類モデルに投入し、検索オブジェクトが最も多く分類された枝を当該未知同一属性画像の分類先としてもよい。

また、第１の実施形態において、分類モデル生成装置１の細胞オブジェクト記憶部７２は、経時的要素を有しない形態的特徴量を記憶する例を説明したが、入出力部１０が異なる時間に撮像した複数の既知同一属性撮像画像を入力することによって、細胞オブジェクト記憶部７２に経時的要素を有する形態的特徴量を記憶してもよい。例えば、入出力部１０は、ある属性を有する細胞について第１の時刻（例えば、培養８時間目）に撮像した既知同一属性撮像画像ａ、及び、当該細胞について第２の時刻（例えば、培養１６時間目）に撮像した既知同一属性撮像画像ｂを入力する。細胞オブジェクト特徴量算出部２６は、既知同一属性撮像画像ａの細胞オブジェクトの形態的特徴量を算出し、細胞オブジェクト記憶部７２に、当該属性を有する細胞の第１の時刻から第２の時刻迄の形態的特徴量の時間変化量を記憶する。形態的特徴量の時間変化量の一例は、例えば、面積の時間変化量、長さの時間変化量、幅の変化量などの形態的特徴量毎の差分情報である。

なお、当然ではあるが、細胞オブジェクト記憶部７２に経時的要素を有する形態的特徴量を記憶する場合には、候補分類モデル形成部３４が生成する候補分類モデル、及び、分類モデル決定部３６が決定し分類モデル記憶部８０に記憶する分類モデルは、経時的要素を有するものとなる。例えば、分類モデルにおける各段階のルールは、“第１の時刻から第２の時刻迄における細胞の長さの変化量が値「１」以下である”というように、経時的要素を有する形態的特徴量で表されるものとなる。また、抽出条件記憶部７４に記憶する抽出条件、分類モデル決定部３６による評価なども経時的要素を有する形態的特徴量に応じたものとなる。

同様に、第２の実施形態の分類モデル生成装置２、第３の実施形態の細胞分類装置３、第４の実施形態の細胞分類装置４においても、経時的要素を有する分類モデルを用いるようにしてもよい。なお、当然ではあるが、経時的要素を有する分類モデルを用いる場合には、分類（検索）も経時的要素に基づいて行われる。従って、例えば、細胞分類装置３の入出力部１１０は、第１の時刻に撮像した未知属性撮像画像と、当該撮像画像と被写体が同一の第２の時刻に撮像した未知属性撮像画像とを外部から取得する。

なお、第１の実施形態において、分類モデル生成装置１は、インキュベータ３１１と別体である旨の説明をしたが、インキュベータ３１１に分類モデル生成装置１の機能を実装させてもよい。例えば、図８に示す記憶部３４３に、分類モデル生成装置１の各処理を実行するためのプログラムを記憶し、ＣＰＵ３４２によって実行するようにしてもよい。分類モデル生成装置２、細胞分類装置３、４についても同様である。

なお、第３の実施形態において、インキュベータ３１１に細胞分類装置３の機能を実装させた場合に、細胞分類装置３の分類結果に基づいて、培養容器３１９内の細胞又は細胞群の培養条件等を動的に変更するようにしてもよい。これにより、所望の細胞を容易に増殖させることができるようになる。なお、第４の実施形態において、インキュベータ３１１に細胞分類装置４の機能を実装させる場合についても同様である。

以下、フローチャートを用いて、細胞分類装置４の機能を兼ね備えるインキュベータ３１１の動作を説明する。図２１は、細胞分類装置４の機能を兼ね備えるインキュベータ３１１の動作の一例を示すフローチャートである。図２１に示すフローチャートの開始時において、インキュベータ３１１には所望の増殖すべき細胞を培養する培養容器３１９が置かれているものとする。また、上述の如く、インキュベータ３１１が備える細胞分類装置３は、分類先ＩＤとともに培養条件を含む属性情報を分類結果として出力するものとする。

図２１において、インキュベータ３１１は、細胞の培養を開始する（ステップＳ５００）。即ち、ＣＰＵ３４２は、設定された培養条件（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３１５ａと湿度調整装置３１５ｂとを制御する。所定期間経過後に、インキュベータ３１１は、培養中の細胞を分類する（ステップＳ５１０）。即ち、ＣＰＵ３４２は、撮像装置３３４を制御して、培養中の細胞を撮像し、次いで、記憶部３４３から細胞分類装置３の各処理を実行するためのプログラムを読み出し、読み出したプログラムを実行することによって、上記の図１７に示すように、培養中の細胞を分類する。

次いで、インキュベータ３１１は、分類結果に基づいて、細胞の培養を中止するか否か、または、細胞の培養条件を変更するか否かを制御する。具体的には、まず、ＣＰＵ３４２は、分類結果によって示される培養条件が、ステップＳ５００において設定された培養条件と一致するか否かを判断する（ステップＳ５２０）。ＣＰＵ３４２は、分類結果によって示される培養条件が設定された培養条件と一致すると判断した場合（ステップＳ５２０：Ｙｅｓ）、分類結果によって示される培養条件と設定された培養条件とが一致した旨をモニタ等（非図示）に表示させる（ステップＳ５２２）。そして後述するステップＳ５６０に進む。

一方、ＣＰＵ３４２は、分類結果に含まれる培養条件が所定の培養条件と一致しないと判断した場合（ステップＳ５２０：Ｎｏ）、分類結果によって示される培養条件と設定された培養条件とが一致しない旨をモニタ等（非図示）に表示させるとともに（ステップＳ５２４）、培養を中止するか否かを判断する（ステップＳ５３０）。具体的には、例えば、ＣＰＵ３４２は、分類結果によって示される培養条件と設定された培養条件の一致しない程度が非常に大きい場合に、培養を中止すると判断する。例えば、分類結果によって示される培養条件の温度等と設定された培養条件の温度等との差が所定の第１の閾値以上である場合に、培養を中止すると判断する。なお、ＣＰＵ３４２は、培養を中止する旨の操作者の入力があった場合にも、培養を中止すると判断する。

ＣＰＵ３４２は、培養を中止すると判断した場合（ステップＳ５３０：Ｙｅｓ）、培養を中止する旨をモニタ等（非図示）に表示させ（ステップＳ５３２）、培養の処理を終了する。そして、図２０に示すフローチャートは終了する。一方、ＣＰＵ３４２は、培養を中止しないと判断した場合（ステップＳ５３０：Ｎｏ）、培養条件を変更するか否かを判断する（ステップＳ５４０）。具体的には、例えば、ＣＰＵ３４２は、分類結果によって示される培養条件と設定された培養条件の一致しない程度が大きい場合に、培養条件を変更すると判断する。例えば、分類結果によって示される培養条件の温度等と設定された培養条件の温度等との差が所定の第２の閾値（但し、第１の閾値＞第２の閾値）以上である場合に、培養条件を変更すると判断する。

ＣＰＵ３４２は、培養条件を変更すると判断した場合（ステップＳ５４０：Ｙｅｓ）、培養条件を変更する旨をモニタ等（非図示）に表示させ（ステップＳ５４２）、培養条件を変更する（ステップＳ５５０）。即ち、ＣＰＵ３４２は、新たな培養条件で細胞を培養するよう温度調整装置３１５ａと湿度調整装置３１５ｂとを制御する。そしてステップＳ５１０に戻る。なお、予め、両培養条件（分類結果によって示される培養条件、及び、設定された培養条件）と、新たな培養条件（修正後の培養条件）とを対応付けて記憶部３４３に記憶し、ＣＰＵ３４２は、両培養条件から新たな培養条件を取得するようにしてもよい。なお、ＣＰＵ３４２は、操作者による新たな培養条件の設定値の入力があった場合に、当該設定値に培養条件を変更してもよい。

ＣＰＵ３４２は、ステップＳ５２２に続いて、または、培養条件を変更しないと判断した場合（ステップＳ５４０：Ｎｏ）、所定期間経過後に、撮像装置３３４を制御して、培養中の細胞を撮像し、培養中の細胞数（即ち、細胞オブジェクト数）を計数する（ステップＳ５６０）。なお、ＣＰＵ３４２は、個々の細胞オブジェクトを認識可能な細胞分類装置３の細胞オブジェクト特徴量算出部１２６の処理を実行するためのプログラムを憶部３４３から読み出し、読み出したプログラムを実行することによって細胞数を計数する。

次いで、ＣＰＵ３４２は、ステップＳ５６０において計数した細胞数が所定の細胞数に到達したか否かを判断する（ステップＳ５７０）。ＣＰＵ３４２は、計数した細胞数が所定の細胞数に到達していないと判断した場合（ステップＳ５７０：Ｎｏ）、所定の時間経過後に、ステップＳ５１０に戻る。一方、ＣＰＵ３４２は、計数した細胞数が所定の細胞数に到達したと判断した場合（ステップＳ５７０：Ｙｅｓ）、当該細胞の培養が完了した旨をモニタ等（非図示）に表示させる（ステップＳ５７２）。そして、図２１に示すフローチャートは終了する。

以上、図２１に示すフローチャートに示すように、細胞分類装置４の分類結果に基づいて、培養容器３１９内の細胞の培養条件等を動的に変更できるため、所望の細胞を容易に増殖させることができるようになる。

なお、本発明の第１の実施形態による分類モデル生成装置１、本発明の第２の実施形態による分類モデル生成装置２、本発明の第３の実施形態による細胞分類装置３、本発明の第３の実施形態による細胞分類装置４の各処理を実行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、当該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、分類モデル生成装置１、２、細胞分類装置３、４に係る上述した種々の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であってもよい。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、フラッシュメモリ等の書き込み可能な不揮発性メモリ、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が送信された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（例えばＤＲＡＭ（Dynamic Random Access Memory））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、このプログラムを記憶装置等に格納したコンピュータシステムから、伝送媒体を介して、あるいは、伝送媒体中の伝送波により他のコンピュータシステムに伝送されてもよい。ここで、プログラムを伝送する「伝送媒体」は、インターネット等のネットワーク（通信網）や電話回線等の通信回線（通信線）のように情報を伝送する機能を有する媒体のことをいう。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い。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、いわゆる差分ファイル（差分プログラム）であっても良い。

以上、この発明の実施形態について図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、この発明の要旨を逸脱しない範囲の設計等も含まれる。

１、２…分類モデル生成装置
３、４…細胞分類装置
１０…入出力部
２０…細胞オブジェクト認識部
２２…２値化処理部
２４…ノイズ推定部
２６…細胞オブジェクト特徴量算出部
３０…分類モデル生成部
３２…特徴的オブジェクト抽出部
３４…候補分類モデル形成部
３６…分類モデル決定部
４０…分類モデル生成部
４２…代表的特徴量計算部
４６…分類モデル形成部
７２…細胞オブジェクト記憶部
７４…抽出条件記憶部
７６…候補分類モデル記憶部
８０…分類モデル記憶部
１１０…入出力部
１２０…細胞オブジェクト認識部
１２２…２値化処理部
１２４…ノイズ推定部
１２６…細胞オブジェクト特徴量算出部
１５２…特徴的オブジェクト抽出・代表的特徴量計算部
１６０…細胞分類部
１７０…検索オブジェクト一時記憶部
１７４…抽出条件記憶部
１８０…分類モデル記憶部
１９０…細胞カタログ記憶部
２１０…入出力部
２２０…細胞オブジェクト認識部
２２２…２値化処理部
２２４…ノイズ推定部
２２６…細胞オブジェクト特徴量算出部
２５２…特徴的オブジェクト抽出・代表的特徴量計算部
２５４…候補分類モデル形成部
２５６…分類モデル決定・形成部
２６０…細胞分類部
２７０…検索オブジェクト一時記憶部
２７２…細胞オブジェクト記憶部
２７４…抽出条件記憶部
２７６…候補分類モデル記憶部
２８０…分類モデル記憶部
２９０…細胞カタログ記憶部
３１１…インキュベータ
３１９…培養容器

Claims (19)

1. 未知の細胞が撮像された撮像画像である未知属性撮像画像、又は、前記未知属性撮像画像内の細胞を、細胞の形態的な特徴に基づいて属性毎に分類する分類モデルを生成する分類モデル生成装置であって、
   既知の同一属性の複数の細胞が撮像された撮像画像である既知同一属性撮像画像から個々の細胞の撮像領域を個々の細胞オブジェクトとして認識する細胞オブジェクト認識部と、
   前記細胞オブジェクトの形態的特徴量及び前記細胞オブジェクトとして認識された前記細胞の属性に基づいて、前記分類モデルを生成する分類モデル生成部と
   を備えたことを特徴とする分類モデル生成装置。
2. 請求項１に記載の分類モデル生成装置において、
   前記分類モデル生成部は、
   前記細胞オブジェクトのなかから所定の形態的特徴量を有する前記細胞オブジェクトを特徴的オブジェクトとして抽出する特徴的オブジェクト抽出部と、
   前記特徴的オブジェクトの形態的特徴量及び前記特徴的オブジェクトとして認識された前記細胞の属性から前記分類モデルの候補となる候補分類モデルを形成する候補分類モデル形成部と、
   抽出された前記特徴的オブジェクトに応じて前記候補分類モデル形成部が形成した複数の前記候補分類モデルのなかから、前記分類モデルを決定する分類モデル決定部とを備えることを特徴とする分類モデル生成装置。
3. 請求項２に記載の分類モデル生成装置において、
   前記特徴的オブジェクト抽出部は、基準値から所定範囲内の値の形態的特徴量を有する前記細胞オブジェクトを前記特徴的オブジェクトとして抽出する
   ことを特徴とする分類モデル生成装置。
4. 請求項１に記載の分類モデル生成装置において、
   前記分類モデル生成部は、
   前記既知同一属性撮像画像から認識された複数の前記細胞オブジェクトの形態的特徴量を代表する代表的特徴量を計算する代表的特徴量計算部と、
   各前記既知同一属性撮像画像から計算された各前記代表的特徴量及び各前記既知同一属性撮像画像に撮像されている細胞の属性から前記分類モデルを形成する分類モデル形成部とを備えることを特徴とする分類モデル生成装置。
5. 請求項１から請求項４の何れかに記載の分類モデル生成装置において、
   前記分類モデル生成部は、前記未知属性撮像画像、又は、前記未知属性撮像画像内の細胞を段階的に分類する前記分類モデルを生成することを特徴とする分類モデル生成装置。
6. 請求項１から請求項５の何れかに記載の分類モデル生成装置において、
   前記細胞オブジェクト認識部は、
   前記撮像画像を所定の閾値で２値化する２値化処理部を備え、
   前記２値化処理部は、
   接着系細胞が撮像された前記撮像画像の場合、１つの閾値を用いて前記撮像画像を２値化し、浮遊系細胞が撮像された前記撮像画像の場合、２つの閾値を用いて前記撮像画像を２値化することを特徴とする分類モデル生成装置。
7. 細胞を培養する培養容器を収容するとともに、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する撮像装置と、
   請求項１から請求項６の何れかに記載の分類モデル生成装置と
   を備えることを特徴とするインキュベータ。
8. 未知の細胞が撮像された撮像画像である未知属性撮像画像、又は、前記未知属性撮像画像内の細胞を、細胞の形態的な特徴に基づいて属性毎に分類する分類モデルを記憶する分類モデル記憶部と、
   前記未知属性撮像画像から個々の細胞の撮像領域を個々の細胞オブジェクトとして認識する細胞オブジェクト認識部と、
   前記細胞オブジェクト認識部によって前記未知属性撮像画像から認識された前記細胞オブジェクトの形態的特徴量又は当該形態的特徴量から算出される特徴量を、前記分類モデルに投入することによって、前記未知属性撮像画像又は前記未知属性撮像画像内の細胞を分類する細胞分類部と
   を備えることを特徴とする細胞分類装置。
9. 請求項８に記載の細胞分類装置において、
   前記細胞分類部は、
   未知の異種属性の複数の細胞が撮像された前記未知属性撮像画像である未知異種属性撮像画像が投入されたときは、当該未知異種属性撮像画像から認識された前記細胞オブジェクトのなかから所定の形態的特徴量を有する前記細胞オブジェクトを特徴的オブジェクトとして抽出し、前記特徴的オブジェクトの形態的特徴量に基づいて、当該特徴的オブジェクトを分類し、
   未知の同一属性の複数の細胞が撮像された前記未知属性撮像画像である未知同一属性撮像画像が投入されたときは、当該未知同一属性撮像画像から認識された前記細胞オブジェクトの形態的特徴量から算出される特徴量に基づいて、当該未知同一属性撮像画像を分類することを特徴とする細胞分類装置。
10. 請求項８または請求項９に記載の細胞分類装置において、
    前記細胞オブジェクト認識部によって既知の同一属性の複数の細胞が撮像された撮像画像である既知同一属性撮像画像から認識された前記細胞オブジェクトを記憶する細胞オブジェクト記憶部と、
    前記細胞オブジェクト記憶部に記憶されている前記細胞オブジェクトに基づいて前記分類モデルを生成する分類モデル生成部とを更に備え、
    前記分類モデル生成部は、前記細胞分類部が、前記未知属性撮像画像又は前記未知属性撮像画像内の細胞を分類するときに、前記分類モデルを生成することを特徴とする細胞分類装置。
11. 請求項１０に記載の細胞分類装置において、
    前記分類モデル生成部は、
    前記未知異種属性撮像画像を分類するときは、前記細胞オブジェクトのなかから所定の形態的特徴量を有する前記細胞オブジェクトを特徴的オブジェクトとして抽出し、前記特徴的オブジェクトの形態的特徴量及び前記特徴的オブジェクトとして認識された前記細胞の属性から前記分類モデルの候補となる候補分類モデルを形成し、抽出された前記特徴的オブジェクトに応じて生成した複数の前記候補分類モデルのなかから前記分類モデルを決定し、
    前記未知同一属性撮像画像を分類するときは、前記既知同一属性撮像画像から認識された複数の前記細胞オブジェクトの形態的特徴量を代表する代表的特徴量を計算し、各前記既知同一属性撮像画像から計算された各前記代表的特徴量及び各前記既知同一属性撮像画像に撮像されている細胞の属性から前記分類モデルを生成することを特徴とする細胞分類装置。
12. 請求項１１に記載の細胞分類装置において、
    前記細胞分類部は、
    前記既知同一属性撮像画像から得られた前記細胞オブジェクトのなかから特徴的オブジェクトを抽出したときの条件のうち前記分類モデルとして決定された前記候補分類モデルを抽出したときの条件に従って、前記未知異種属性撮像画像から得られた前記細胞オブジェクトのなかから前記特徴的オブジェクトを抽出し、
    前記既知同一属性撮像画像から得られた前記細胞オブジェクトの前記代表的特徴量を計算したときの条件に従って、前記未知同一属性撮像画像から得られた前記細胞オブジェクトの前記代表的特徴量を計算することを特徴とする細胞分類装置。
13. 請求項１０又は請求項１２に記載の細胞分類装置において、
    前記分類モデル生成部は、前記未知属性撮像画像、又は、前記未知属性撮像画像内の細胞を段階的に分類する前記分類モデルを生成することを特徴とする細胞分類装置。
14. 請求項８から請求項１３の何れかに記載の細胞分類装置において、
    前記細胞分類部による分類先を示す分類先情報と、細胞名と培養条件とを含む属性情報とを対応付けて記憶する細胞カタログ記憶部を更に備えることを特徴とする細胞分類装置。
15. 請求項１４に記載の細胞分類装置において、
    前記細胞カタログ記憶部は、
    前記細胞オブジェクトの画像を更に記憶することを特徴とする細胞分類装置。
16. 細胞を培養する培養容器を収容するとともに、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する撮像装置と、
    請求項８から請求項１５の何れかに記載の細胞分類装置と
    を備えることを特徴とするインキュベータ。
17. 所定の環境条件に内部を維持可能な恒温室に収容された培養容器内の細胞の画像を撮像し、
    細胞が撮像された撮像画像または前記撮像画像内の細胞を分類し、
    分類の結果に基づいて、前記培養容器内の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。
18. 未知の細胞が撮像された撮像画像である未知属性撮像画像、又は、前記未知属性撮像画像内の細胞を、細胞の形態的な特徴に基づいて属性毎に分類する分類モデルを生成する分類モデル生成装置のコンピュータに、
    既知の同一属性の複数の細胞が撮像された撮像画像である既知同一属性撮像画像から個々の細胞の撮像領域を個々の細胞オブジェクトとして認識する細胞オブジェクト認識ステップと、
    前記細胞オブジェクトの形態的特徴量及び前記細胞オブジェクトとして認識された前記細胞の属性に基づいて、前記分類モデルを生成する分類モデル生成ステップと
    を実行させることを特徴とするプログラム。
19. 未知の細胞が撮像された撮像画像である未知属性撮像画像、又は、前記未知属性撮像画像内の細胞を、細胞の形態的な特徴に基づいて属性毎に分類する分類モデルを記憶する細胞分類装置のコンピュータに、
    前記未知属性撮像画像から個々の細胞の撮像領域を個々の細胞オブジェクトとして認識する細胞オブジェクト認識ステップと、
    前記細胞オブジェクト認識ステップによって前記未知属性撮像画像から認識された前記細胞オブジェクトの形態的特徴量又は当該形態的特徴量から算出される特徴量を、前記分類モデルに投入することによって、前記未知属性撮像画像又は前記未知属性撮像画像内の細胞を分類する細胞分類ステップと
    を実行させることを特徴とするプログラム。

Images