JP2011243188A - 画像処理装置、細胞分類装置、インキュベータ、画像処理方法、細胞分類方法、画像処理プログラムおよび細胞分類プログラム - Google Patents

画像処理装置、細胞分類装置、インキュベータ、画像処理方法、細胞分類方法、画像処理プログラムおよび細胞分類プログラム Download PDF

Info

Publication number
JP2011243188A
JP2011243188A JP2011042210A JP2011042210A JP2011243188A JP 2011243188 A JP2011243188 A JP 2011243188A JP 2011042210 A JP2011042210 A JP 2011042210A JP 2011042210 A JP2011042210 A JP 2011042210A JP 2011243188 A JP2011243188 A JP 2011243188A
Authority
JP
Japan
Prior art keywords
cell
unit
classification
value
feature amount
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
JP2011042210A
Other languages
English (en)
Other versions
JP5745290B2 (ja
Inventor
Ryuji Kato
竜司 加藤
Yasuki Tsuboi
泰樹 坪井
Asuka Miwa
明日香 三輪
Hiroyuki Honda
裕之 本多
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nagoya University NUC
Nikon Corp
Original Assignee
Nagoya University NUC
Nikon Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nagoya University NUC, Nikon Corp filed Critical Nagoya University NUC
Priority to JP2011042210A priority Critical patent/JP5745290B2/ja
Publication of JP2011243188A publication Critical patent/JP2011243188A/ja
Application granted granted Critical
Publication of JP5745290B2 publication Critical patent/JP5745290B2/ja
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Apparatus Associated With Microorganisms And Enzymes (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

【課題】画像から所望の細胞の画像領域を精度よく抽出する。
【解決手段】細胞が撮像された画像データから細胞オブジェクトの候補となる細胞候補オブジェクトを抽出し、前記細胞候補オブジェクトの形態的特徴量を抽出し、形態的特徴量に基づく値が所定の間隔毎に区分された際の区分毎の該形態的特徴量に基づく値の出現頻度または該区分毎の該形態的特徴量に基づく値のいずれか一方を順次加え合わせることで得られる累積分布を算出し、累積分布に基づいて、細胞候補オブジェクトのうちから細胞オブジェクトまたは細胞オブジェクト以外のオブジェクトであるノイズに係るオブジェクトを抽出する細胞オブジェクト認識部を備える。
【選択図】図１

Description

本発明は、画像処理装置、細胞分類装置、インキュベータ、画像処理方法、細胞分類方法、画像処理プログラムおよび細胞分類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、２値化処理後の画像には、多くのノイズが含まれるため、所望の細胞の画像領域を精度よく抽出することができないという問題があった。本発明の目的は、画像から所望の細胞の画像領域を精度よく抽出することを可能とする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画像処理装置は、細胞が撮像された画像データから細胞オブジェクトの候補となる細胞候補オブジェクトを抽出する細胞候補オブジェクト抽出部と、前記細胞候補オブジェクトの形態的特徴量を抽出する特徴量抽出部と、前記形態的特徴量に基づく値が所定の間隔毎に区分された際の区分毎の該形態的特徴量に基づく値の出現頻度または該区分毎の該形態的特徴量に基づく値のいずれか一方を順次加え合わせることで得られる累積分布を算出する累積分布算出部と、前記累積分布に基づいて、前記細胞候補オブジェクトのうちから前記細胞オブジェクトまたは前記細胞オブジェクト以外のオブジェクトであるノイズに係るオブジェクトを抽出する抽出部と、
を備えることを特徴とする。
また、本発明の一態様である細胞分類装置は、前記画像処理装置と、前記画像処理装置から抽出された前記細胞オブジェクトまたは前記ノイズに係るオブジェクトに基づいて、前記画像データに撮影された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。
また、本発明の一態様であるインキュベータは、細胞又は細胞群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又は細胞群の画像を撮像する撮像装置と、前記画像処理装置と、を備えることを特徴とする。
また、本発明の一態様である画像処理方法は、画像処理装置が実行する画像処理方法であって、細胞が撮像された画像データから細胞オブジェクトの候補となる細胞候補オブジェクトを抽出する細胞候補オブジェクト抽出手順と、前記細胞候補オブジェクトの形態的特徴量を抽出する特徴量抽出手順と、前記形態的特徴量に基づく値が所定の間隔毎に区分された際の区分毎の該形態的特徴量に基づく値の出現頻度または該区分毎の該形態的特徴量に基づく値のいずれか一方を順次加え合わせることで得られる累積分布を算出する累積分布算出手順と、前記累積分布に基づいて、前記細胞候補オブジェクトのうちから前記細胞オブジェクトまたは前記細胞オブジェクト以外のオブジェクトであるノイズに係るオブジェクトを抽出する抽出手順と、を有することを特徴とする。
また、本発明の一態様である細胞分類方法は、前記画像処理方法と、前記画像処理方法により抽出された前記細胞オブジェクトまたは前記ノイズに係るオブジェクトに基づいて、画像データに撮影された細胞を分類する細胞分類手順と、を有することを特徴とする。
また、本発明は、本発明の一態様である画像処理プログラムは、画像処理装置としてのコンピュータに、細胞が撮像された画像データから細胞オブジェクトの候補となる細胞候補オブジェクトを抽出する細胞候補オブジェクト抽出ステップと、前記細胞候補オブジェクトの形態的特徴量を抽出する特徴量抽出ステップと、前記形態的特徴量に基づく値が所定の間隔毎に区分された際の区分毎の該形態的特徴量に基づく値の出現頻度または該区分毎の該形態的特徴量に基づく値のいずれか一方を順次加え合わせることで得られる累積分布を算出する累積分布算出ステップと、前記累積分布に基づいて、前記細胞候補オブジェクトのうちから前記細胞オブジェクトまたは前記細胞オブジェクト以外のオブジェクトであるノイズに係るオブジェクトを抽出する抽出ステップと、を実行させるための画像処理プログラムである。
また、本発明は、本発明の一態様である細胞分類プログラムは、細胞分類装置としてのコンピュータに、前記画像処理プログラムと、前記画像処理プログラムから抽出された前記細胞オブジェクトまたは前記ノイズに係るオブジェクトに基づいて、画像データに撮影された細胞を分類するステップと、を実行させるための細胞分類プログラムである。
本発明によれば、細胞が撮像された画像データからノイズに係るオブジェクトを除去することができるので、画像から所望の細胞の画像領域を精度よく抽出することができる。
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。 本発明における第５の実施形態以降の各実施形態の処理の概要を説明するための図である。 図２３（ａ）は、細胞候補オブジェクトの面積に対する累積度数分布の１例を示した図である。図２３（ｂ）は、細胞候補オブジェクトの累積度数の面積に対する微分値の分布の１例を示した図である。 累積度数微分関数を用いて固有閾値（カスタムｅ値）の算出方法を説明するための図である。 ある３つの細胞において８時間培養したときに得られる固有閾値（ｅ＋β）に対する誤差の割合ＥＲの関係を示した概念図である。 Ａ細胞が撮像された画像データにおける誤差の割合ＥＲが、閾値と培養時間とをパラメータとして表示された図である。 固有閾値を算出する方法を説明するための図である。 共通閾値（仮閾値）を算出する方法を説明するための図である。 本発明の第５の実施形態における画像処理装置のブロック構成図である。 固有補正情報が細胞種と培養時間とに関連付けられて記憶されているテーブルの１例を示した図である。 本発明の第５の実施形態における細胞オブジェクト抽出部の機能ブロック構成図である。 第５の実施形態における画像処理装置において、ある細胞種がある培養時間において撮像された画像データから細胞オブジェクトを抽出する処理の流れを示したフローチャートである。 単に極小値を取る面積を閾値（図２４のｅ）として細胞オブジェクトを抽出した場合と、固有閾値（カスタムｅ値）を閾値（図２４のｅ＋α）として細胞オブジェクトを抽出した場合における誤差の割合ＥＲを比較したテーブルである。 所定の細胞種の誤差の割合ＥＲが閾値のずらし量α´と培養時間ｔとに関連付けられて格納されたテーブルＴ２の１例を示した図である。 画像処理装置において、所定の培養時間におけるある細胞種の固有補正情報αを算出する処理の流れを示したフローチャートである。 本発明の第６の実施形態における画像処理装置のブロック構成図である。 共通補正情報記憶部に記憶されている培養時間と共通補正情報γとが関連付けられたテーブルＴ３の１例である。 本発明の第６の実施形態における細胞オブジェクト抽出部のブロック構成図である。 本発明の第６の実施形態における細胞種推定部のブロック構成図である。 分類モデル記憶部４６２に記憶されている情報の一例である。 第６の実施形態における画像処理装置において、ある細胞種がある培養時間において撮像された画像データから細胞オブジェクトを抽出する処理の流れを示したフローチャートである。 認識数記憶部に記憶されている誤差の割合ＥＲのテーブルの１例を示した図である。 第６の実施形態における画像処理装置において、所定の培養時間におけるある細胞種の固有補正情報βと共通補正情報γとを算出する処理の流れを示したフローチャートである。 本発明の第７の実施形態における細胞分類装置のブロック構成図である。 第７の実施形態で示された細胞分類装置の機能を兼ね備えるインキュベータの概要を示すブロック構成図である。 第７の実施形態で示された細胞分類装置の機能を兼ね備えるインキュベータ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（２値化データ取得部）２４及び細胞オブジェクト特徴量算出部（ノイズ除去部）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、細胞候補オブジェクト抽出部と特徴量抽出部と累積分布算出部の機能を備える。細胞候補オブジェクト抽出部としてのノイズ推定部２４は、２値化データからから細胞オブジェクトの候補となる全オブジェクト（細胞候補オブジェクト）を抽出する。特徴量抽出部としてのノイズ推定部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、累積分布算出部として、オブジェクトサイズ（面積）の大きさの順に各面積を有するオブジェクト（細胞候補オブジェクト）の数を順次加え合わせることで得られる累積度分布（累積度数分布）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（累積度数分布）を生成する。図２（ａ）に示す累積度分布（累積度数分布）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（累積度数）である。
累積度分布（累積度数分布）を算出したノイズ推定部２４は、算出した累積度分布（累積度数分布）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（累積度数分布）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。
なお、ノイズ推定部２４は、オブジェクトサイズ（面積）の大きさの順に各面積を有するオブジェクト（細胞候補オブジェクト）の値自体を順次加え合わせることで得られる累積分布を算出してもよい。その場合、ノイズ推定部２４は、累積分布の傾きが所定の値を超えたときの面積またはその面積の近傍を閾値として決定する。
また、本実施形態において、ノイズ推定部２４は、細胞候補オブジェクトの面積について、面積の大きさの順に各面積を有する細胞候補オブジェクトの数を順次加え合わせて累積度分布を算出したが、これに限らず、細胞候補オブジェクトの他の形態的特徴量（例えば、細胞候補オブジェクトの細胞の全長（長径）、細胞の横幅（短径）、外周の長さ等、少なくとも図３に示された形態的特徴量を含む）について、その形態的特徴量の値の順に、その形態的特徴量の値を有する細胞候補オブジェクトの数またはその形態的特徴量の値自体を順次加え合わせて累積分布を算出してもよい。その場合、特徴量抽出部としてのノイズ推定部２４は、細胞候補オブジェクトの形態的特徴量を抽出する。
また、ノイズ推定部２４は、細胞候補オブジェクトの形態的特徴のうちから抽出された２つ以上の形態的特徴量から算出された値（例えば、長径×楕円形度、短径×楕円形度、長径×短径）について、その算出された値の順に、その算出された値を有する細胞候補オブジェクトの数またはその算出された値自体を順次加え合わせてもよい。
また、例えば、細胞候補オブジェクトの形態的特徴のうち２つの形態的特徴量（例えば、面積と楕円形度）を抽出し、抽出した２つの形態的特徴量のそれぞれを軸とする２次元平面上に各細胞候補オブジェクトがプロットされていることを想定する。その場合において、ノイズ推定部２４は、一番目に多く周密しているクラスターと、二番目に多く周密しているクラスターとを抽出し、それぞれのクラスターの重心の座標を算出する。そして、ノイズ推定部２４は、上記２つの重心と原点とを通る直線が一方の軸（例えば、面積をパラメータとする軸を一方の軸とする）と成す角度θを算出する。そして、ノイズ推定部２４は、座標を角度θの回転変換し、回転後の一方の軸の値（例えば、ｃｏｓθ×面積＋ｓｉｎθ×楕円形度）について、その値の順に、その値を有する細胞候補オブジェクトの数またはその値自体を順次加え合わせて累積分布を算出してもよい。
すなわち、ノイズ推定部２４は、細胞候補オブジェクトの形態的特徴のうちから２つ以上の形態的特徴を抽出し、抽出された形態的特徴量のそれぞれを軸とする座標において角度θの回転変換により算出された値（例えば、ｃｏｓθ×面積＋ｓｉｎθ×楕円形度、但し、θは角度）について、その算出された値の順に、その算出された値を有する細胞候補オブジェクトの数またはその算出された値自体を順次加え合わせてもよい。
また、本実施形態において、累積度分布の算出の際にノイズ推定部２４は、細胞候補オブジェクトの面積について、面積の大きさの順に各面積を有する細胞候補オブジェクトの数を順次加え合わせたが、これに限らず、ノイズ推定部２４は、面積を所定の間隔毎に区分された際の区分毎の面積の数を順次加え合わせてもよい。具体的には、例えば、ノイズ推定部２４は、所定の値を５［ピクセル］として、面積が１ピクセルから５ピクセルの細胞候補オブジェクトの数が５個、面積が６ピクセルから１０ピクセルの細胞候補オブジェクトの数が１０個あった場合、ノイズ推定部２４は、面積が６から１０ピクセルの累積度を１５個と算出する。そして、これを繰り返すことにより、累積度分布を算出する。
以上、まとめると、ノイズ推定部２４は、細胞候補オブジェクトの形態的特徴量に基づく値（例えば、面積、長径、長径×楕円形度、ｃｏｓθ×面積＋ｓｉｎθ×楕円形度）が所定の間隔毎に区分された際の区分毎の当該形態的特徴量に基づく値の出現頻度または当該形態的特徴量に基づく値のいずれか一方を順次加え合わせることで得られる累積分布を算出すればよい。
また、本実施形態におけるノイズ推定部２４は、累積度分布の微分値に基づいて細胞オブジェクトまたはノイズに係るオブジェクトを抽出したがこれに限らず、累積分布の傾き、累積分布の累積値そのもの、累積分布のカーブの形状、累積分布の累積値の変化パターンまたは累積分布の近似式に基づいて細胞オブジェクトまたはノイズに係るオブジェクトを抽出してもよい。
具体的には、例えば、ノイズ推定部２４は、面積の累積度分布において、累積分布のカーブの傾きが、０にもっとも近づいたときの面積を閾値として、細胞オブジェクトまたはノイズに係るオブジェクトを抽出してもよい。また、例えば、ノイズ推定部２４は、面積の累積度分布において、累積度分布の累積度の値が所定の値（例えば、１００）を超えたときの面積を閾値として、細胞オブジェクトまたはノイズに係るオブジェクトを抽出してもよい。
また、例えば、ノイズ推定部２４は、面積の累積度分布において、累積度分布のカーブの形状から、カーブがｘ軸と最も平行になった面積を閾値として、細胞オブジェクトまたはノイズに係るオブジェクトを抽出してもよい。また、例えば、ノイズ推定部２４は、面積の累積度分布において、累積度分布の所定の面積毎の累積度の値の増加が所定の閾値以下になったときの面積を閾値として、細胞オブジェクトまたはノイズに係るオブジェクトを抽出してもよい。また、例えば、ノイズ推定部２４は、面積の累積度分布において、累積度分布の３次の近似式を算出し、その３次の近似式の係数から変曲点のｘ座標を算出し、その変曲点のｘ座標の値を閾値として、細胞オブジェクトまたはノイズに係るオブジェクトを抽出してもよい。
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。
上記の処理についてまとめると、ノイズ推定部２４は、細胞が撮像された画像データから細胞オブジェクトの候補となる全オブジェクト（細胞候補オブジェクト）を抽出し、細胞候補オブジェクトの面積を算出し、その面積の大きさの順に各面積を有する細胞候補オブジェクトの数を順次加え合わせることで得られる累積度数分布を算出し、その累積度数分布の傾きに基づいて、細胞候補オブジェクトのうちから細胞オブジェクト以外のオブジェクトであるノイズに係るオブジェクトを抽出する。そして、細胞オブジェクト特徴量算出部２６は、細胞候補オブジェクトのうちからノイズに係るオブジェクトを除去することにより、細胞オブジェクトを抽出する。
換言すれば、ノイズ推定部２４と細胞オブジェクト特徴量算出部２６とは、抽出部として機能し、当該抽出部は、累積分布に基づいて、細胞候補オブジェクトのうちから細胞オブジェクトまたは細胞オブジェクト以外のオブジェクトであるノイズに係るオブジェクトを抽出する。
なお、細胞オブジェクト認識部２０は、最初に細胞候補オブジェクトの面積の累積分布に基づいてノイズに係るオブジェクトを除去した後に、面積以外の形態的特徴量の累積分布に基づいて、ノイズに係るオブジェクトを除去してもよい。また、細胞オブジェクト認識部２０は、上記とは逆の順番でノイズに係るオブジェクトを除去してもよく、すなわち最初に面積以外の形態的特徴量の累積分布に基づいてノイズに係るオブジェクトを除去した後に、細胞候補オブジェクトの面積の累積分布に基づいてノイズに係るオブジェクトを除去してもよい。
これにより、細胞オブジェクト認識部２０は、面積の累積分布と面積以外の形態的特徴量の累積分布を用いて、２回ノイズに係るオブジェクトを除去するので、ノイズ除去精度を高めることができる。
また、細胞オブジェクト認識部２０は、最初に所定の面積以上の細胞候補オブジェクトを抽出し、抽出した細胞候補オブジェクトについての一の形態的特徴量の累積分布に基づいて、ノイズに係るオブジェクトを除去してもよい。
これにより、細胞オブジェクト認識部２０は、最初に粗く細胞オブジェクトを抽出し、その後に一の形態的特徴量の累積分布に基づいて、ノイズに係るオブジェクトを除去するので、ノイズ除去精度を高めることができる。また、細胞オブジェクト認識部２０は、累積分布の算出回数を１回にすることができるので、２回累積分布を算出するのに比べて計算時間を短縮することができる。
また、細胞オブジェクト認識部２０は、ノイズ除去の試行毎に、形態的特徴量から異なる一の形態的特徴量を選択し、選択した形態的特徴量の累積度分布を用いてノイズに係るオブジェクトを複数回除去してもよい。これにより、細胞オブジェクト認識部２０は、異なる形態的特徴量の累積分布を用いて、複数回ノイズを除去するので、ノイズ除去精度を高めることができる。
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、Ｎ１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Ｎ１個の細胞オブジェクト、Ｎ２個の細胞オブジェクト、Ｎ３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、（Ｎ１＋Ｎ２＋Ｎ３）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、（Ｎ１＋Ｎ２＋Ｎ３）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、（Ｎ１＋Ｎ２＋Ｎ３）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、（Ｎ１＋Ｎ２＋Ｎ３）個の細胞オブジェクトの面積の平均値を算出し、（Ｎ１＋Ｎ２＋Ｎ３）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、Ｎ１個、Ｎ２個、Ｎ３個の細胞オブジェクトの面積の平均値を算出し、Ｎ１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、Ｎ２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、Ｎ３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、（Ｎ１＋Ｎ２＋Ｎ３）個の細胞オブジェクトの面積の平均値を算出し、（Ｎ１＋Ｎ２＋Ｎ３）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（（Ｎ１＋Ｎ２＋Ｎ３）／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。
なお、本実施形態では、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、複数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したが、抽出条件に従うことは必須ではない。例えば、特徴的オブジェクト抽出部３２は、目的に応じて全て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
処理を機能させてもよい。
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。
なお、ノイズ推定部２４によるノイズオブジェクトの推定および細胞オブジェクト特徴量算出部２６によるノイズオブジェクトの削除は、本実施形態で説明した細胞オブジェクトを分類する分類モデルを決定する際の処理に限ったものではない。ノイズ推定部２４によるノイズオブジェクトの推定および細胞オブジェクト特徴量算出部２６によるノイズオブジェクトの削除は、画像処理の目的に依らず、細胞が撮像された画像データに対して、画像処理を行うときにはどんな画像処理を行う際にも使用してもよい。
（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、Ｎ４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、Ｎ５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（２値化データ取得部）及び細胞オブジェクト特徴量算出部２２６（ノイズ除去部）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、（Ｎ１＋Ｎ２＋Ｎ３）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細胞品質が、ステップＳ５００において設定された目的品質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細胞品質が設定された目的品質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細胞品質と設定された目的品質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細胞品質が所定の目的品質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細胞品質と設定された目的品質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細胞品質と設定された目的品質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細胞の品質を示す値と設定された目的とする品質を示す値との差が所定の第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細胞品質と設定された目的品質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細胞の品質を示す値と設定された目的とする品質を示す値との差が所定の第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、両品質（分類結果によって示される細胞品質、及び、設定された目的品質）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、両細胞品質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。
本発明の第５の実施形態以降の各実施形態における画像処理装置は、上記第１の実施形態から第４の実施形態までと同様に、外部から入力された細胞が撮像された画像データから細胞の画像領域である細胞オブジェクトを抽出する。その抽出の際に、画像処理装置（４０１、４０１ｂ）は、所定の閾値以上の面積を有する画像領域を細胞オブジェクトと判定し、当該細胞オブジェクトを抽出する。本発明の第５の実施形態以降の各実施形態では、その閾値の決め方に技術的な特徴があり、その閾値として、細胞種に共通の共通閾値（仮閾値）と細胞種に固有の固有閾値とを用いる。
図２２は、本発明における各実施形態の処理の概要を説明するための図である。図２２の処理１に示すように、本発明の第５の実施形態では、細胞種が既知の場合において、画像処理装置４０１が入力された画像データを図２２の処理１で示した細胞種に固有の閾値である固有閾値を用いて、細胞の画像領域である細胞オブジェクトを抽出する。
本発明の第６の実施形態では、細胞種が未知でも既知でも、画像処理装置４０１ｂは画像データから細胞オブジェクトを抽出する。具体的には、画像処理装置４０１ｂは、細胞種が未知であるか既知であるかを判定する。細胞種が既知の場合には、画像処理装置４０１ｂは、処理１により固有閾値を用いて、細胞オブジェクトを抽出する。
一方、細胞種が未知の場合には、画像処理装置４０１ｂは、図２２の処理２により全ての細胞種に共通な共通閾値（仮閾値）を用いて、細胞オブジェクトを抽出する。次に、画像処理装置４０１ｂは、図２２の処理３により抽出した細胞オブジェクトに基づき、細胞種を推定する。次に、画像処理装置４０１ｂは、図２２の処理１により、推定した細胞種に固有の閾値である固有閾値を用いて細胞オブジェクトを抽出する。
本発明の第７の実施形態では、細胞種が未知であっても既知であっても、細胞分類装置４０４は、細胞分類装置４０４内の画像処理装置４０１ｂにより抽出された細胞オブジェクトに基づき、画像に撮像された細胞を分類し、画像に撮像された細胞の活性または品質を推定する。
本発明の第８の実施形態では、細胞種が未知でも既知でも、インキュベータ５１１内の細胞分類装置４０４により出力された培養条件に基づいて、その培養条件に合致するように培養条件を変更する。
以下、上述した固有閾値および共通閾値（仮閾値）について説明する。まず、固有閾値について説明する。ここでは、画像データから、所定の閾値に基づき２値化処理することにより、細胞候補オブジェクトが抽出されていることを前提として、以下の説明をする。
図２３（ａ）は、細胞候補オブジェクトの面積に対する累積度数分布の１例を示した図である。同図において、縦軸は累積度数であり、横軸は細胞候補オブジェクトの面積である。ここで、累積度数について説明する。まず、累積度数分布は、面積の大きさの順に各面積を有する細胞候補オブジェクトの数を順次加え合わせることで得られるものである。
例えば、１ｐｉｘｅｌの面積を持つ細胞候補オブジェクトがａ個存在する場合、横軸の面積が１ｐｉｘｅｌのところで、縦軸の累積度数がａとなる。更に、面積が２ｐｉｘｅｌの細胞候補オブジェクトがｂ個存在する場合、横軸の面積が２ｐｉｘｅｌのところでは、縦軸の累積度数は、ａ＋ｂとなる。
細胞候補オブジェクトの面積が所定の閾値より小さい場合には、その細胞候補オブジェクトは、細胞ではないノイズのオブジェクトであると考えられる。一方、細胞候補オブジェクトの面積が所定の閾値以上の場合には、その細胞候補オブジェクトは細胞オブジェクトであると考えられる。
図２３（ｂ）は、細胞候補オブジェクトの累積度数分布を面積で微分した微分値の分布の１例を示した図である。同図において、縦軸は累積度数を面積で微分した微分値（累積度数の傾き）であり、横軸は細胞候補オブジェクトの面積である。同図に示された累積度数の面積に対する微分値は、図２３（ａ）の累積度数分布を面積で微分した微分値である。ここで、累積度数を面積に対して微分することで得られる関数（以下、累積度数微分関数と称する）において極小値をとる面積をｅとする。
ここで、画像処理装置（４０１、４０１ｂ）が認識する細胞オブジェクトの数である認識数ｎと、画像データから実測された細胞オブジェクトの数である視認数ｎ０の差の割合を表す誤差の割合ＥＲ［％］を、以下の式（４）で表すこととする。
ＥＲ＝（ｎ０−ｎ）／ｎ０×１００ …（４）
なお、細胞の視認数ｎ０は、撮像対象である細胞を染色し、その染色画像から人もしくは別の装置が細胞の数を計数した数でもよい。
式（４）は、誤差の割合ＥＲが正の値から０［％］に近づくほど、画像処理装置（４０１、４０１ｂ）による細胞オブジェクトの認識精度が向上することを示している。一方、誤差の割合ＥＲ０［％］から負の方向に小さくなるほど、画像処理装置（４０１、４０１ｂ）は、本来細胞ではないオブジェクトを細胞オブジェクトであると誤認識していることを意味する。
図２４は、累積度数微分関数を用いて固有閾値（カスタムｅ値）の算出方法を説明するための図である。同図において、縦軸は累積度数の面積に対する微分値（累積度数の傾き）であり、横軸は細胞候補オブジェクトの面積である。累積度数微分関数の極小値をとる面積ｅに対して、固有補正情報βを加算した値ｅ＋βが固有閾値（カスタムｅ値）である。
図２５は、ある３つの細胞において８時間培養したときに得られる固有閾値（ｅ＋β）に対する誤差の割合ＥＲの関係を示した概念図である。同図において、縦軸は誤差の割合ＥＲ［％］であり、横軸は固有閾値（ｅ＋β）である。Ａ細胞では、固有閾値（ｅ＋β）が累積度数微分関数の極小値をとる面積ｅの場合、誤差の割合ＥＲが４０［％］になっている。また、固有閾値（ｅ＋β）が累積度数微分関数の極小値をとる面積ｅから５０［ｐｉｘｅｌ］引いた値のときに、誤差の割合ＥＲが０［％］になることが示されている。
図２５に示すように、画像処理装置（４０１、４０１ｂ）が２値化画像データから、累積度数微分関数の極小値をとる面積ｅを閾値とし、その閾値以上の面積を有する細胞候補オブジェクトを細胞オブジェクトして抽出した場合、誤差の割合ＥＲが０［％］から離れた値をとる。すなわち、抽出した細胞オブジェクトの数である認識数ｎが、画像データから実測された細胞オブジェクトの数である視認数ｎ０と大きく異なってしまい、画像処理装置（４０１、４０１ｂ）が画像データ中の細胞オブジェクトを精度良く認識できていないという問題がある。
そこで、画像処理装置（４０１、４０１ｂ）が画像データから多くかつ正確に細胞オブジェクトを抽出するために、細胞オブジェクトを抽出する際の面積の閾値を累積度数微分関数において極小値をとる面積ｅからずらす必要がある。
また、図２５において、細胞種毎に細胞オブジェクトを抽出する際の面積の閾値に対する誤差の割合ＥＲの関係は異なっていることが示されている。このことから、画像処理装置（４０１、４０１ｂ）は、細胞種毎に、累積度数微分関数において極小値をとる面積ｅからずらす量である固有補正情報βを算出する必要がある。
図２６は、Ａ細胞が撮像された画像データにおける誤差の割合ＥＲが、細胞オブジェクトを抽出する際の面積の閾値と培養時間とをパラメータとして表示された図である。同じＡ細胞であっても、誤差の割合ＥＲは培養時間毎に変化していることが示されている。従って、画像処理装置（４０１、４０１ｂ）は、同じ細胞種であっても培養時間毎に、固有補正情報βを算出する必要がある。
図２７は、固有閾値を算出する方法を説明するための図である。同図において、Ａ細胞が撮像された画像データにおける誤差の割合ＥＲが、閾値と培養時間とをパラメータとして表示された図において、誤差の割合ＥＲが０〜２０［％］の範囲が示されている。画像処理装置（４０１、４０１ｂ）は、培養時間毎に、極小値をとる面積ｅからずらす量である閾値のずらし量であって、誤差の割合ＥＲが０〜２０［％］の範囲となる閾値のずらし量を全て抽出し、抽出した閾値のずらし量のうちの中央値を固有補正情報βとする。
続いて、共通閾値（仮閾値）について説明する。図２８は、共通閾値（仮閾値）を算出する方法を説明するための図である。図２８（ａ）には、Ａ細胞、Ｂ細胞またはＣ細胞が撮像された画像データにおける誤差の割合ＥＲが、閾値と培養時間とをパラメータとして表示されている。図２８（ｂ）には、Ａ細胞における誤差の割合ＥＲが１０〜３０［％］の範囲、Ｂ細胞における誤差の割合ＥＲが１０〜３０［％］の範囲、Ｃ細胞における誤差の割合ＥＲが１０〜３０［％］の範囲のうち全てに共通の範囲が示されている。
画像処理装置４０１ｂは、培養時間毎に、図２８（ｂ）に示されるように、全ての細胞で誤差の割合ＥＲが一例として１０〜３０［％］の範囲にある閾値のずらし量を抽出し、抽出した閾値のずらし量のうちの中央値を共通補正情報γとする。累積度数微分関数の極小値をとる面積ｅに対して、補正情報γを加算した値ｅ＋γが共通閾値（仮閾値）である。
以上で、共通閾値（仮閾値）の説明を終了する。
＜第５の実施形態：画像処理装置＞
まず、本発明の第５の実施形態における画像処理装置４０１について説明する。本発明の第５の実施形態の画像処理装置４０１は、細胞種が既知の場合に、画像データから細胞の画像領域である細胞オブジェクトを抽出する。図２９は、本発明の第５の実施形態における画像処理装置４０１のブロック構成図である。画像処理装置４０１は、細胞オブジェクト抽出部４２０と、固有補正情報生成部４４０と、固有補正情報記憶部４５０とを備える。
＜細胞オブジェクト抽出方法＞
まず、画像処理装置４０１の細胞オブジェクト抽出方法について説明する。はじめに、細胞オブジェクト抽出部４２０の処理の概要を説明する。細胞オブジェクト抽出部４２０は、外部から入力された細胞が撮像された画像データと、細胞種を示す情報と、細胞が播種された時からの経過時間である培養時間を示す情報とに応じた固有補正情報β（ｉ，ｔ）を、固有補正情報記憶部４５０に記憶されているテーブルＴ１から読み出す。ここで、ｉは細胞種を示す識別情報であり、ｔは培養時間である。
固有補正情報記憶部４５０には、固有補正情報βが培養時間ｔを示す情報と、細胞種を示す識別情報ｉとに関連付けられたテーブルＴ１が記憶されている。図３０は、固有補正情報βが細胞種を示す識別情報ｉと培養時間ｔとに関連付けられて記憶されているテーブルＴ１の１例を示した図である。テーブルＴ１では、固有補正情報βが培養時間ｔと細胞種を示す識別情報ｉとに応じて１つに決まることが示されている。培養時間ｔは、０時間を基準として、８時間後から４時間刻みである。細胞種を示す識別情報ｉは、正常ヒト線維芽細胞（ＮＨＤＦ）、ヒト子宮頸ガン由来ガン細胞（Ｈｅｌａ）、正常ヒト臍帯静脈内皮細胞（ＨＵＶＥＣ）、神経前駆細胞（ＰＣ１２）、または間葉系幹細胞（ＭＳＣ）等である。
図２９に戻って、細胞オブジェクト抽出部４２０は、読み出した固有補正情報β（ｉ，ｔ）に基づいて、画像データから後述する２値化データを生成し、細胞オブジェクトを選択し、選択した細胞オブジェクトｏを示す情報と２値化画像データとを外部へ出力する。
続いて、細胞オブジェクト抽出部４２０の処理の詳細を説明する。図３１は、本発明の第５の実施形態における細胞オブジェクト抽出部４２０の機能ブロック構成図である。細胞オブジェクト抽出部４２０は、細胞候補オブジェクト抽出部４２１と、面積算出部４２２と、累積度数分布算出部（累積分布算出部）４２３と、固有閾値算出部４２５と、細胞オブジェクト選択部４２６とを備える。
細胞候補オブジェクト抽出部４２１は、２値化画像取得部４１０と、抽出部４１１とを備える。２値化画像取得部４１０は、細胞の種類が既知である細胞が複数個培養されている状態が撮像された撮像画像のデータである画像データを外部から取得する。２値化画像取得部４１０は、取得した画像データ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値化画像取得部４１０は、他の領域に比べて細胞の領域が黒めに撮像された画像データにおいて、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つの閾値を用いて画像データを２値化し、２値化画像データを生成する。ここで、画像データの各画素は、それぞれ０〜２５５のいずれかの値の画素値を取るものとする。例えば、画像データにおいて、０が黒を表し、２５５が白を表す。
例えば、２値化処理部４２２は、１つの閾値として画素値８４を用いて、画素値８４未満の領域を細胞候補の領域（例えば２値化画像データで見ると黒とする）、画素値８４以上の領域を細胞候補以外の領域（例えば２値化画像データで見ると白とする）とする。
また、例えば、２値化画像取得部４１０は、他の領域に比べて細胞候補の領域が黒めに撮像される画像データにおいて、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つの閾値を用いて画像データを２値化し、２値化画像データを生成する。
例えば、２値化画像取得部４１０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未満の領域を細胞候補の領域、画素値８０未満又は１４９以上の領域を細胞候補以外の領域とする。なお、２値化画像取得部４１０は、画像データ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、インキュベータ５１１から取得し、上記閾値を決定してもよい。
画像データを２値化した２値化画像取得部４１０は、生成した２値化画像データを細胞オブジェクト抽出部４２０に出力する。
抽出部４１１は、２値化画像取得部４１０から入力された２値化画像データから、細胞候補の領域であって１ｐｉｘｅｌ以上の面積を有する領域を、細胞オブジェクトの候補となる細胞候補オブジェクトとして抽出する。抽出部４１１は、抽出した細胞候補オブジェクトを示す情報を面積算出部４２２へ出力する。
面積算出部４２２は、入力された細胞候補オブジェクトを示す情報から、各細胞候補オブジェクトの面積を算出し、算出した面積を示す情報を累積度数分布算出部４２３へ出力する。
累積度数分布算出部４２３は、入力された面積を示す情報から、その面積の大きさの順に、各細胞候補オブジェクトの面積を順次積算することで得られる累積度数分布を算出し、算出した累積度数分布の情報を微分関数算出部４２４に出力する。
なお、累積度数分布算出部４２３は、最後に算出された累積面積を全体の面積値とし、面積の一番小さいオブジェクトから順次、各累積面積を全体の面積値で割って１００を乗じることで得られる累積度数分布を算出してもよい。その場合、累積度数分布算出部４２３は、算出した累積度数分布の情報を微分関数算出部４２４へ出力する。
図３１に戻って、微分関数算出部４２４は、入力された累積度数分布の情報を用いて、累積度数分布を面積に対して微分することによって、累積度数分布の微分関数を算出する。すなわち微分関数算出部４２４は、累積度数分布から、面積の大きさを変数とした面積の大きさの変化に対する累積面積の増減率を示す累積度数分布の微分関数を算出する。微分関数算出部４２４は、算出した累積度数分布の微分関数の情報を固有閾値算出部４２５へ出力する。
なお、微分関数算出部４２４は、細胞候補オブジェクトの面積の大きさの変化に対する累積度数の増減率を示す累積度数増減分布を算出してもよい。具体的には、例えば、微分関数算出部４２４は、図２３（ａ）に示された累積度数を面積に対して微分することにより、累積度数の面積に対する微分値を算出する。これにより、微分関数算出部４２４は、図２３（ｂ）に示されるような累積度数微分関数を得ることができる。
固有閾値算出部４２５は、微分関数算出部４２４により算出された累積度数微分関数における極小値をとる面積ｅを算出する。
具体的には、例えば、固有閾値算出部４２５は、図２３（ｂ）に示された累積度数の微分関数から細胞に応じた所定の範囲内で、極小値を取る面積ｅを算出する。
培養時間と細胞種に応じた固有閾値を算出するために、固有閾値算出部４２５は、外部から入力された培養時間を示す情報と、細胞種の情報とに対応する固有補正情報βを固有補正情報記憶部４５０のテーブルＴ１から読み出す。固有閾値算出部４２５は、極小値をとる面積ｅと固有補正情報βとを加算した値である固有閾値（ｅ＋β）を算出し、算出した固有閾値（ｅ＋β）を示す情報を細胞オブジェクト選択部４２６へ出力する。
ここで、固有閾値算出部４２５による固有閾値（カスタムｅ値）の算出方法について、具体例を用いて説明する。細胞オブジェクト選択部４２６は、入力された固有閾値（ｅ＋β）を示す情報を用いて、２値化画像データから固有閾値（ｅ＋β）以上の面積を有する細胞候補オブジェクトを細胞オブジェクトとして選択し、選択した細胞オブジェクトを示す情報と２値化画像取得部４１０から取得した２値化画像データとを外部へ出力する。
また、細胞オブジェクト選択部４２６は、固有補正情報βと培養時間を示す情報とともに、細胞オブジェクトを示す情報を固有補正情報生成部４４０の後述する細胞計数部４４２へ出力する。
図３２は、第５の実施形態における画像処理装置において、ある細胞種がある培養時間において撮像された画像データから細胞オブジェクトを抽出する処理の流れを示したフローチャートである。まず、２値化画像取得部４１０は、入力された画像データから２値化画像データを生成する（ステップＳ６０１）。次に、抽出部４１１は、２値化画像データから細胞候補オブジェクトを抽出する（ステップＳ６０２）。次に、面積算出部４２２は、各細胞候補オブジェクトの面積を算出する（ステップＳ６０３）。次に、累積度数分布算出部４２３は、細胞候補オブジェクトの面積に係る累積度数分布を算出する（ステップＳ６０４）。
次に、微分関数算出部４２４は、累積度数微分関数を算出する（ステップＳ６０５）。次に、固有閾値算出部４２５は、累積度数微分関数において極小値をとる面積ｅを算出する（ステップＳ６０６）。次に、固有閾値算出部４２５は、外部から入力された細胞種を示す情報に応じた固有補正情報βを読み出す（ステップＳ６０７）。
次に、固有閾値算出部４２５は、極小値をとる面積ｅと固有補正情報βとを加算した固有閾値（ｅ＋β）を算出する（ステップＳ６０８）。次に、細胞オブジェクト選択部４２６は、固有閾値（ｅ＋β）以上の面積を有する細胞候補オブジェクトを細胞オブジェクトとして選択する（ステップＳ６０９）。以上で、本フローチャートの処理を終了する。
これにより、画像処理装置４０１は、細胞種および培養時間に応じた適切な固有閾値（ｅ＋β）を用いることができるので、細胞オブジェクトを精度良く抽出することができる。また、画像処理装置４０１は、細胞種間で細胞の面積が異なっていても、細胞種に応じた固有閾値（ｅ＋β）を用いることができるので、細胞オブジェクトを精度良く抽出することができる。
また、画像処理装置４０１は、培養時間に応じて細胞の面積が変化しても、培養時間に応じた固有閾値（ｅ＋β）を用いることができるので、細胞オブジェクトを精度良く抽出することができる。
図３３は、単に極小値を取る面積を閾値（図２４のｅ）として細胞オブジェクトを抽出した場合と、固有閾値を閾値（図２４のｅ＋β）として細胞オブジェクトを抽出した場合における誤差の割合ＥＲを比較したテーブルである。同図には、ある細胞の３つの培養時間（８時間、１２時間、１６時間）における画像データを用いた際の、実測した視認数ｎ０と、閾値がｅの場合の細胞の認識数ｎおよびその場合の誤差の割合ＥＲと、閾値がｅ＋βの場合の細胞の認識数ｎおよびその場合の誤差の割合ＥＲと、が比較されて示されている。
培養時間が８時間の時の画像データを用いた場合、極小値を取る面積ｅを閾値とした場合には、認識数ｎが５４［個］で誤差の割合ＥＲが６０．３［％］であるのに対し、第５の実施形態における固有閾値（ｅ＋β）を閾値とした場合、認識数ｎが１３６［個］で誤差の割合ＥＲが０．０［％］であるので、細胞オブジェクトの抽出精度が著しく向上している。同様に、培養時間が１２時間および１６時間の時の画像データを用いた場合においても、第５の実施形態における固有閾値（ｅ＋β）を閾値とした場合の方が、細胞オブジェクトの抽出精度が向上している。
以上により、第５の実施形態における画像処理装置４０１は、累積度数分布関数の微分関数において極小値を取る面積を閾値として細胞オブジェクトを抽出するよりも、精度良く細胞のオブジェクトを抽出することができる。
なお、上記累積度数分布算出部４２３が算出した累積度数分布関数は一例であり、以下の例のように累積度数分布関数を算出してもよい。累積度数分布算出部４２３は、各々の細胞候補オブジェクトの面積の大きさ毎に、分類された細胞候補オブジェクトの該当数を算出する。累積度数分布算出部４２３は、算出した各々の面積の大きさ毎の該当数と当該面積値に基づき、該当数と面積値の積の値を算出し、算出した積の値を面積の大きさの順から順次積算することで得られる累積度数分布関数を算出してもよい。
＜固有補正情報記憶部のデータ構築方法＞
続いて、図２９に戻って、固有補正情報記憶部４５０に記憶されている固有補正情報βの算出方法について説明する。なお、固有補正情報βを算出する場合には、画像データから実測された細胞数である視認数ｎ０を示す情報が画像データ処理部１に入力されるものとして説明する。細胞オブジェクト抽出部４２０は、閾値ｅ＋βにおける固有補正情報βの代わりに、閾値のずらし量β´を所定の範囲で、ある間隔でずらしながら、閾値ｅ＋β´で細胞オブジェクトを抽出する。具体的には、細胞オブジェクト抽出部４２０は、閾値のずらし量β´を−１００から１００の範囲で、閾値のずらし量β´を所定のずらし間隔でずらしながら、閾値ｅ＋β´で細胞オブジェクトを抽出する。
一例としては、細胞オブジェクト抽出部４２０は、閾値のずらし量β´を−１００から１００の範囲で、−１００から閾値のずらし量β´を順に２ずつ増加させる毎に、閾値ｅ＋β´で細胞オブジェクトを抽出する。
細胞オブジェクト抽出部４２０は、閾値のずらし量β´を示す情報と培養時間ｔを示す情報と細胞種ｉを示す情報と細胞オブジェクトを示す情報ｏとを固有補正情報生成部４４０の後述する細胞計数部４４２へ出力する。
固有補正情報生成部４４０は、固有補正情報記憶部４５０に記憶されているテーブルＴ１内のデータを生成する。固有補正情報生成部４４０は、細胞計数部４４２と、誤差算出部４４４と、誤差記憶部４４６と、補正情報設定部４４８とを備える。
細胞計数部４４２は、細胞オブジェクト抽出部４２０が抽出した細胞オブジェクトを計数する。細胞計数部４４２は、計数した細胞オブジェクトの数である認識数ｎを示す情報を、閾値のずらし量β´を示す情報と培養時間ｔを示す情報と細胞種ｉを示す情報とともに、誤差算出部４４４に出力する。
誤差算出部４４４は、画像データから実測された細胞数である視認数ｎ０を示す情報を外部から受け取る。誤差算出部４４４は、細胞計数部４４２が認識数ｎをβ´に応じて計数する毎に、細胞計数部４４２から入力された認識数ｎを示す情報と、視認数ｎ０を示す情報とに基づいて、認識数ｎと視認数ｎ０の差の割合を表す誤差の割合ＥＲを上述した式（１）により算出する。
続いて、誤差算出部４４４の処理について、まずは１つの細胞種について説明する。誤差算出部４４４は、閾値のずらし量β´を示す情報と培養時間を示す情報とに関連付けて、算出した誤差の割合ＥＲを示す情報を誤差記憶部４４６の細胞種毎のテーブルＴ２に記憶させる。
誤差算出部４４４は、全ての閾値のずらし量β´で誤差の割合ＥＲを算出したか否か判定する。誤差算出部４４４は、全ての閾値のずらし量β´で誤差の割合ＥＲを算出していないと判定した場合、細胞オブジェクト抽出部４２０の固有閾値算出部４２５に閾値のずらし量β´を増加させるよう制御する。
誤差算出部４４４は、全ての閾値のずらし量β´に基づき抽出された細胞オブジェクトの数（認識数）に対して、上記の一連の処理を行う。これにより、誤差算出部４４４は、当該培養時間において、すべての閾値のずらし量β´で誤差の割合ＥＲを算出し、誤差記憶部４４６に記憶させることができる。
さらに、誤差算出部４４４は、上記と同様の処理を、異なる培養時間において行う。これにより、誤差算出部４４４は、培養時間毎に誤差の割合ＥＲを算出し、算出した誤差の割合ＥＲを誤差記憶部４４６に記憶させることができる。
上記に説明した処理により、誤差記憶部４４６には、誤差の割合ＥＲが閾値のずらし量β´を示す情報と培養時間を示す情報とに関連付けられたテーブルが記憶されている。
図３４は、所定の細胞種の誤差の割合ＥＲが閾値のずらし量β´と培養時間ｔとに関連付けられて格納されたテーブルＴ２の１例を示した図である。同図において、閾値のずらし量と培養時間ｔとに応じて、誤差の割合ＥＲ［％］が定められている。閾値のずらし量β´は、−１００から２刻みで１００まである。培養時間は、細胞を播種したときを０時間として、８時間後から４時間刻みである。
図２９に戻って、当該細胞種について、誤差算出部４４４により閾値のずらし量β´を示す情報に基づき算出された全ての誤差の割合ＥＲが誤差記憶部４４６のテーブルＴ２に記憶された後に、補正情報設定部４４８は、誤差記憶部４４６の細胞種毎のテーブルＴ２から、培養時間毎に、誤差の割合ＥＲが所定の範囲にある閾値のずらし量β´を抽出する。具体的には、例えば、補正情報設定部４４８は、誤差の割合ＥＲが０［％］から２０［％］の範囲にある閾値のずらし量β´を抽出する。
補正情報設定部４４８は、１例として、培養時間毎に抽出した閾値のずらし量β´の中央値を、その培養時間におけるその細胞種の固有補正情報βとして選択する。補正情報設定部４４８は、選択した固有補正情報βを、その細胞種の情報と培養時間を示す情報とに関連付けて、固有補正情報記憶部４５０のテーブルＴ１に記憶させる。
例えば、図３４において、培養時間が８時間の場合、誤差の割合ＥＲが０［％］から２０［％］の範囲にある閾値のずらし量β´は、−６、−４および−２であるので、その中央値である−２が固有補正情報βとなる。
なお、補正情報設定部４４８は、閾値のずらし量の中央値を固有補正情報として選択したが、これに限らず、抽出した閾値のずらし量であればどの値を固有補正情報βとして選択してもよい。
細胞オブジェクト抽出部４２０と、細胞計数部４４２と、誤差算出部４４４と、補正情報設定部４４８は、上記と同様の処理を、異なる細胞種の画像データに対して行う。これにより、細胞種毎に、固有補正情報βを生成することができる。
図３５は、画像処理装置において、所定の培養時間におけるある細胞種の固有補正情報βを算出する処理の流れを示したフローチャートである。ステップＳ７０１からステップＳ７０６までの処理は、図３２のステップＳ６０１からステップＳ６０６までの処理と同一であるので、説明を省略する。
次に、固有閾値算出部４２５は、閾値のずらし量β´を初期化し、１例として閾値のずらし量β´を−１００にする（ステップＳ７０７）。次に、固有閾値算出部４２５は、閾値のずらし量β´と極小値を取る面積ｅとの和である固有閾値（カスタムｅ値）を算出する（ステップＳ７０８）。次に、細胞オブジェクト選択部４２６は、その固有閾値（カスタムｅ値）以上の面積を有する細胞候補オブジェクトを細胞オブジェクトとして選択する（ステップＳ７０９）。
次に、細胞計数部４４２は、選択された細胞オブジェクトの数である認識数ｎを算出する（ステップＳ７１０）。次に、誤差算出部４４４は、認識数ｎを示す情報と外部から入力された視認数ｎ０を示す情報とに基づき、誤差の割合ＥＲを算出し、算出した誤差の割合ＥＲを示す情報を誤差記憶部４４６に記憶させる（ステップＳ７１１）。次に、誤差算出部４４４は、全ての閾値のずらし量β´で誤差の割合ＥＲを算出したか否か判定する（ステップＳ７１２）。誤差算出部４４４が全ての閾値のずらし量β´で誤差の割合ＥＲを算出していないと判定した場合（ステップＳ７１２ ＮＯ）、固有閾値算出部４２５は、閾値のずらし量β´を２だけ加算し（ステップＳ７１３）、ステップＳ７０８の処理に戻す。
一方、誤差算出部４４４が全ての閾値のずらし量β´で誤差の割合ＥＲを算出したと判定した場合（ステップＳ７１２ ＹＥＳ）、補正情報設定部４４８は、入力された画像データが取得された培養時間におけるその細胞種の固有補正情報βを算出する（ステップＳ７１４）。次に、補正情報設定部４４８は、算出した固有補正情報βを、細胞種を示す情報および培養時間を示す情報と関連付けて、固有補正情報記憶部４５０のテーブルＴ１に記憶させる（ステップＳ７１５）。以上で、本フローチャートの処理を終了する。
これにより、画像処理装置４０１の固有補正情報記憶部４５０には、細胞の種類および培養時間に応じた適切な固有補正情報βが記憶されるので、画像処理装置４０１は、その閾値を用いることができ、細胞オブジェクトを精度良く抽出することができる。
以上で、固有補正情報記憶部４５０に記憶されている固有補正情報βの算出方法についての説明を終了する。
＜第６の実施形態：画像処理装置＞
次に、本発明の第６の実施形態について説明する。第５の実施形態における画像処理装置４０１は、細胞種が既知の場合に、画像データから細胞オブジェクトを抽出する。第６の実施形態における画像処理装置４０１ｂは、細胞種が未知の場合でも既知の場合でも、画像データから細胞オブジェクトを抽出する。そのため、発明の第６の実施形態における画像処理装置４０１ｂは、細胞種を示す情報が入力される場合と入力されない場合に分けて、その処理を行う。
図３６は、本発明の第６の実施形態における画像処理装置４０１ｂのブロック構成図である。なお、図１と共通する要素には同一の符号を付し、その説明を省略する。
図３６の画像処理装置４０１ｂの構成は、図２９の画像処理装置４０１の構成に対して、細胞オブジェクト抽出部４２０が細胞オブジェクト抽出部４２０ｂに、固有補正情報生成部４４０が固有補正情報生成部４４０ｂに変更され、共通補正情報記憶部４５２が追加されたものになっている。
共通補正情報記憶部４５２には、培養時間に関連付けられた細胞種間で共通の補正情報である共通補正情報γがテーブルＴ３として記憶されている。
図３７は、共通補正情報記憶部に記憶されている培養時間と共通補正情報γとが関連付けられたテーブルＴ３の１例である。同図において、テーブルＴ３では、培養時間と共通補正情報γとが１対１に関連付けられている。
＜細胞オブジェクト抽出方法＞
図３８は、本発明の第６の実施形態における細胞オブジェクト抽出部４２０ｂのブロック構成図である。以下、細胞オブジェクト抽出部４２０ｂの変更の詳細について説明する。この細胞オブジェクト抽出部４２０ｂの構成は、図３１の細胞オブジェクト抽出部４２０の構成に対して、微分関数算出部４２４が微分関数算出部４２４ｂに変更され、固有閾値算出部４２５が固有閾値算出部４２５ｂに変更され、判定部４２７と細胞種抽出部４３０とが追加されたものになっている。
微分関数算出部４２４ｂは、累積度数微分関数を算出し、算出した累積度数微分関数の情報を判定部４２７に出力する。
判定部４２７は、外部から細胞種を示す情報が入力された場合、細胞種が既知であると判定する。一方、外部から細胞種を示す情報が入力されない場合、判定部４２７は、細胞種が未知であると判定し、判定部４２７から入力された累積度数微分関数の情報を細胞種抽出部４３０の後述する仮閾値設定部４３１に出力する。
細胞種抽出部４３０は、累積度数微分関数において極小値をとる面積ｅと共通補正情報γとを加算した値を仮閾値として、その仮閾値以上の面積を有する細胞候補オブジェクトをサンプルオブジェクトとして抽出し、抽出したサンプルオブジェクトから細胞種を示す情報を推定する。以下、細胞種抽出部４３０の詳細について説明する。細胞種抽出部４３０は、仮閾値設定部４３１と、サンプルオブジェクト選択部４３２と、細胞種推定部４３３とを備える。
仮閾値設定部４３１は、外部から入力された培養時間を示す情報に応じた共通補正情報γを共通補正情報記憶部４５２から読み出す。仮閾値設定部４３１は、入力された累積度数微分関数の情報を用いて、累積度数微分関数が極小値を取る面積ｅを算出する。仮閾値設定部４３１は、算出した極小値を取る面積ｅに共通補正情報γを加算した仮閾値を算出し、算出した仮閾値をサンプルオブジェクト選択部４３２に出力する。
サンプルオブジェクト選択部４３２は、仮閾値以上の面積を有する細胞候補オブジェクトをサンプルオブジェクトとして選択し、サンプルオブジェクトを示す情報を細胞種推定部４３３へ出力する。
細胞種推定部４３３は、サンプルオブジェクトを示す情報を用いて、後述する方法により細胞種を推定し、細胞種を示す情報を固有閾値算出部４２５ｂに出力する。
固有閾値算出部４２５ｂは、判定部４２７により細胞種が既知であると判定された場合または細胞種推定部４３３から細胞種を示す情報を受け取った場合、細胞種を示す情報と外部から入力された培養時間を示す情報とに応じた固有補正情報βを固有補正情報記憶部４５０のテーブルＴ２から読み出す。固有閾値算出部４２５ｂは、累積度数微分関数が極小値を取る面積ｅを算出する。固有閾値算出部４２５ｂは、算出した累積度数微分関数が極小値を取る面積ｅに固有補正情報βを加算した固有閾値（ｅ＋β）を算出し、算出した固有閾値（ｅ＋β）を細胞オブジェクト選択部４２６に出力する。
＜細胞種推定部による細胞種の推定方法＞
図３９は、本発明の第６の実施形態における細胞種推定部のブロック構成図である。細胞種推定部４３３は、細胞オブジェクト特徴量算出部４６０と、分類モデル記憶部４６２と、細胞分類部４６４とを備える。
細胞オブジェクト特徴量算出部４６０は、２値化画像取得部から取得した２値化画像データと、サンプルオブジェクト選択部４３２から取得した細胞オブジェクトを示す情報とを用いて個々の細胞オブジェクトを認識し、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４６０は、各細胞オブジェクトに対して、図３に示された１５種類の形態的特徴量をそれぞれ算出する。
例えば、細胞オブジェクト特徴量算出部４６０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。
なお、細胞オブジェクト特徴量算出部４６０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。
また、細胞オブジェクト特徴量算出部４６０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。
また、細胞オブジェクト特徴量算出部４６０は、式（１）により「Ｆｉｂｅｒ Ｌｅｎｇｔｈ」の値を算出する。
また、細胞オブジェクト特徴量算出部４６０は、式（２）により「Ｆｉｂｅｒ Ｂｒｅａｄｔｈ」の値を算出する。
また、細胞オブジェクト特徴量算出部４６０は、式（３）により「Ｓｈａｐｅ Ｆａｃｔｏｒ」の値を算出する。
ここで、細胞オブジェクト特徴量算出部４６０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４６０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４６０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。
図３９に戻って、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４６０は、細胞分類部４６４に個々の細胞オブジェクトの形態的特徴量を示す情報を出力する。
分類モデル記憶部４６２には、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がその分類モデルの評価を示す評価値と関連付けられて記憶されている。また、分類されたクラスの固有識別情報（ＩＤ）である分類先ＩＤを示す情報と細胞種を示す情報とが関連付けられて記憶されている。
図４０は、分類モデル記憶部４６２に記憶されている情報の一例である。同図において、テーブルＴ４では、決定木を用いた分類モデルとその分類モデルの評価を示す評価値とが１対１に関連づけられている。
図３９に戻って、細胞分類部４６４は、分類モデル記憶部４６２から評価値が最も高い分類モデルを読み出し、その分類モデルを用いて、入力された個々の形態的特徴量を示す情報をクラスに分類する。
具体的には、例えば、細胞分類部４６４は、細胞オブジェクトの各形態的特徴量の平均を算出し、分類木で分岐毎に定められた条件と算出した各形態的特徴量の平均とを比較することによって、その分岐でどちらに分岐するか決定する。細胞分類部４６４は、最終的に分類された枝に対応付けられた分類先ＩＤを示す情報を抽出する。細胞分類部４６４は、抽出された分類先ＩＤを示す情報に対応する細胞種を示す情報を分類モデル記憶部４６２から読み出し、読み出した細胞種を示す情報を固有閾値算出部４２５ｂへ出力する。
図４１は、第６の実施形態における画像処理装置４０１ｂにおいて、ある細胞種がある培養時間において撮像された画像データから細胞オブジェクトを抽出する処理の流れを示したフローチャートである。ステップＳ８０１からステップＳ８０５までの処理は図３２のステップＳ６０１からステップＳ６０５までの処理と同一であるので、その説明を省略する。
次に、判定部４２７は、細胞種を示す情報が入力されているか否かを判定する（ステップＳ８０６）。細胞種を示す情報が入力されている場合（ステップＳ８０６ ＮＯ）、判定部４２７は細胞種が既知であると判定し、ステップＳ８１０の処理に進む。一方、細胞種を示す情報が入力されている場合（ステップＳ８０６ ＹＥＳ）、判定部４２７は細胞種が未知であると判定し、累積度数微分関数の情報を仮閾値設定部４３１に出力する。
次に、仮閾値設定部４３１は、仮閾値を算出する（ステップＳ８０７）。次に、サンプルオブジェクト選択部４３２は、細胞候補オブジェクトのうちから仮閾値以上の面積を有する細胞候補オブジェクトをサンプルオブジェクトとして選択する（ステップＳ８０８）。次に、細胞種推定部４３３は、サンプルオブジェクトを示す情報からサンプルオブジェクトの細胞種を推定する（ステップＳ８０９）。
次に、固有閾値算出部４２５ｂは、細胞種を示す情報に基づいて、固有閾値（ｅ＋β）を算出する（ステップＳ８１０）。次に、細胞オブジェクト選択部４２６は、細胞候補オブジェクトのうちから固有閾値（ｅ＋β）以上の面積を有する細胞候補オブジェクトを細胞オブジェクトとして選択する（ステップＳ８１１）。以上で、本フローチャートの処理を終了する。
以上により、画像処理装置４０１ｂは、細胞種が未知の画像データが入力されても、細胞種を推定し、細胞種を推定した後に、細胞種に固有の固有閾値（ｅ＋β）を用いて、細胞オブジェクトを抽出するので、細胞種が未知の場合でも精度良く細胞オブジェクトを抽出することができる。
画像処理装置４０１ｂは、細胞種が未知でも既知でも、画像データから画像データ内の細胞オブジェクトを多くかつ正確に抽出することができる。また、画像処理装置４０１ｂは、細胞種が未知でも既知でも、画像データ中に含まれるノイズを細胞オブジェクトとして誤認識することを防ぐことができる。
＜固有補正情報記憶部及び共通補正情報記憶部のデータ構築方法＞
図３６に戻って、固有補正情報生成部４４０ｂの変更の詳細について説明すると、この固有補正情報生成部４４０ｂの構成は、図２９の固有補正情報生成部４４０の構成に対して、誤差算出部４４４が誤差算出部４４４ｂに、認識数記憶部４６が認識数記憶部４４６ｂに、補正情報設定部４４８が補正情報設定部４４８ｂに、変更されたものになっている。
細胞オブジェクト抽出部４２０ｂは、細胞種毎に、閾値のずらし量β’を初期値（例えば、−１００）から所定の刻み幅（例えば、２）で最終値（例えば、１００）までずらすたびに、極小値ｅに閾値のずらし量β’を加算した値ｅ＋β’を閾値として、細胞オブジェクトを抽出する。細胞オブジェクト抽出部４２０ｂは、細胞種ｉを示す情報と培養時間ｔを示す情報と閾値のずらし量β’を示す情報とともに、抽出した細胞オブジェクトｏを示す情報を細胞計数部４４２に出力する。
細胞計数部４４２では、細胞オブジェクトを示す情報に基づいて、その細胞オブジェクトの数である認識数ｎを計数し、細胞種ｉを示す情報と培養時間ｔを示す情報と閾値のずらし量β’を示す情報とともに、認識数ｎを示す情報を誤差算出部４４４ｂに出力する。
続いて、誤差算出部４４４ｂの処理について、まずは１つの細胞種について説明する。誤差算出部４４４ｂは、細胞計数部４４２から入力された認識数ｎを示す情報を式（１）に適用して、誤差の割合ＥＲを算出する。
誤差算出部４４４ｂは、誤差の割合ＥＲを示す情報を閾値のずらし量β’を示す情報と培養時間を示す情報とに関係付けて、認識数記憶部４４６ｂの細胞種毎のテーブル（例えば、テーブルＴ２ａ）に記憶させる。誤差算出部４４４ｂは、上記の処理を全ての細胞種に対して行う。
図４２は、認識数記憶部に記憶されている誤差の割合ＥＲのテーブルの１例を示した図である。図４２（ａ）のテーブルＴ２ａ、図４２（ｂ）のテーブルＴ２ｂ、図４２（ｃ）のテーブルＴ２ｃには、それぞれ異なる細胞種における誤差の割合ＥＲ［％］が培養時間と閾値のずらし量とに関連付けられている。培養時間［ｈ］は、細胞が播種された時間を０時間として、８時間後から４時間刻みで示されている。閾値のずらし量β’は、−１００から２刻みで１００までの数である。
図３６に戻って、認識数記憶部４４６ｂは、細胞種毎に、誤差の割合ＥＲを示す情報が閾値のずらし量β’を示す情報と培養時間を示す情報とに関係付けられて記憶されている。具体的には、例えば、図４２に示されるように、認識数記憶部４４６ｂは、３つの細胞種それぞれに、閾値のずらし量β’を示す情報と培養時間を示す情報とに関係付けられた誤差の割合ＥＲを示す情報のテーブルが記憶されている。
補正情報設定部４４８ｂは、認識数記憶部４４６ｂに記憶されたある細胞種のテーブルのデータが全て格納された場合、そのテーブルにおいて、培養時間毎に誤差の割合ＥＲが例えば、０［％］から２０［％］にあたる閾値のずらし量β’を抽出し、抽出した閾値のずらし量β’の中央値を算出する。補正情報設定部４４８ｂは、算出した中央値を固有補正情報βとして、細胞種および培養時間と関連付けて固有補正情報記憶部４５０に記憶させる。
なお、補正情報設定部４４８ｂは、抽出した閾値のずらし量β’の中央値を固有補正情報βとしたが、これに限らず、抽出した閾値のずらし量β’のうちのいずれかの値を固有補正情報βに設定してもよい。また、補正情報設定部４４８ｂは、抽出した閾値のずらし量β’の平均値を固有補正情報βとしてもよい。
補正情報設定部４４８ｂは、認識数記憶部４４６ｂに記憶されたｎ個（ｎは正の整数）すべての細胞種のテーブルにおいて、ある培養時間の誤差の割合ＥＲが格納されたか否かを判定する。
認識数記憶部４４６ｂに記憶されたＭ個（Ｍは正の整数）すべての細胞種のテーブルにおいて、ある培養時間の誤差の割合ＥＲが格納された場合、補正情報設定部４４８ｂは、認識数記憶部４４６ｂから複数の閾値のずらし量（以下、閾値のずらし量群と称する）を抽出する。具体的には、補正情報設定部４４８ｂは、認識数記憶部４４６ｂに記憶されている第ｊ番目（ｊは１からＭまでの整数）の細胞種に対応する第ｊ番目のテーブルにおいて、培養時間毎に誤差の割合ＥＲが例えば、１０［％］から３０［％］にあたる閾値のずらし量群を抽出する。
補正情報設定部４４８ｂは、培養時間毎に、第１から第ｎ番目までのテーブルから抽出されたｎ個の閾値のずらし量群のうち全てのずらし量群に共通する閾値のずらし量群を抽出する。補正情報設定部４４８ｂは、抽出した共通する閾値のずらし量群の中央値を算出し、算出した中央値を共通補正情報γとして、培養時間と関連付けて共通補正情報記憶部４５２に記憶させる。
補正情報設定部４４８ｂは、全ての培養時間の誤差の割合ＥＲに対して、上記の処理を行うことにより、全ての培養時間における共通補正情報γを算出することができる。
なお、補正情報設定部４４８ｂは、共通する閾値のずらし量群β’の中央値を共通補正情報γとしたが、これに限らず、共通する閾値のずらし量β’のうちのいずれかの値を共通補正情報γに設定してもよい。また、補正情報設定部４４８ｂは、共通する閾値のずらし量群β’の平均値を共通補正情報γとしてもよい。
図４３は、第６の実施形態における画像処理装置４０１ｂにおいて、所定の培養時間におけるある細胞種の固有補正情報βと共通補正情報γとを算出する処理の流れを示したフローチャートである。まず、画像処理装置４０１ｂは、固有補正情報βを算出し、算出した固有補正情報βを細胞種および培養時間と関連付けて固有補正情報記憶部４５０に記憶させる（ステップＳ９０１）。ステップＳ９０１の処理の詳細は、図３５のステップＳ７０１からステップＳ７１５と同一であるので、その処理の詳細な説明を省略する。
次に、補正情報設定部４４８ｂは、認識数記憶部４４６ｂに記憶されたＭ個（Ｍは正の整数）すべての細胞種のテーブルにおいて、所定の培養時間の誤差の割合ＥＲが格納されたか否か判定する（ステップＳ９０２）。認識数記憶部４４６ｂに所定の培養時間の誤差の割合ＥＲがすべて格納されていない場合（ステップＳ９０２ ＮＯ）、画像処理装置４０１ｂは、格納されていない細胞種に対して、ステップＳ９０１の処理を行う。
一方、認識数記憶部４４６ｂにある培養時間の誤差の割合ＥＲがすべて格納されている場合（ステップＳ９０２ ＹＥＳ）、補正情報設定部４４８ｂは、共通補正情報γを算出する（ステップＳ９０３）。次に、補正情報設定部４４８ｂは、算出した共通補正情報γを培養時間と関連付けて共通補正情報記憶部４５２に記憶させる。以上で、本フローチャートの処理を終了する。
以上により、画像処理装置４０１ｂは、固有補正情報βを固有補正情報記憶部４５０に記憶させ、共通補正情報γを共通補正情報記憶部４５２に記憶させることができる。これにより、画像処理装置４０１ｂは、細胞種に共通の共通補正情報γを用いて、画像データと培養時間を示す情報とから細胞種を推定することができる。
また画像処理装置４０１ｂは、推定された細胞種に固有の固有補正情報βを用いて、画像データと培養時間を示す情報と細胞種を示す情報とから細胞オブジェクトを精度良く抽出することができる。
＜第７の実施形態：細胞分類装置＞
続いて、本発明の第７の実施形態における細胞分類装置について説明する。図４４は、本発明の第７の実施形態における細胞分類装置のブロック構成図である。細胞分類装置４０４は、外部から入力された画像データと、細胞の種類を示す情報と、培養時間を示す情報と、視認数ｎ０を示す情報とに基づいて、細胞の情報を推定し、推定した細胞の情報を外部へ出力する。
細胞分類装置４０４は、画像処理装置４０１ｂと、細胞情報推定部４３３ｂとを備える。画像処理装置４０１ｂは、外部から入力された画像データと、細胞の種類を示す情報と、培養時間を示す情報と、視認数ｎ０を示す情報とに基づいて、細胞オブジェクトを抽出し、細胞オブジェクトの抽出の際に算出した２値化画像データとともに、抽出した細胞オブジェクトを示す情報を細胞種推定部４３３ｂに出力する。画像処理装置４０１ｂは、図３６と同一であるので、その処理内容の詳細な説明を省略する。
細胞情報推定部４３３ｂは、画像処理装置４０１ｂから入力された２値化画像データと画像オブジェクトを示す情報とに基づいて、細胞オブジェクトを分類し、分類先ＩＤに対応する細胞の情報を読み出し、読み出した細胞の情報を外部へ出力する。細胞種推定部４３３ｂは、図３９の細胞種推定部４３３と同様に、細胞オブジェクト特徴量算出部４６０ｂと、分類モデル記憶部４６２ｂと、細胞分類部４６４ｂとを備える。
細胞オブジェクト特徴量算出部４６０ｂは、図３９の細胞オブジェクト特徴量算出部４６０と同様に、入力された２値化画像データと画像オブジェクトを示す情報と用いて個々の細胞オブジェクトを認識し、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４６０ｂは、各細胞オブジェクトについて上述した１５種類の形態的特徴量をそれぞれ算出する。細胞オブジェクト特徴量算出部４６０ｂは、算出した個々の細胞オブジェクトの形態的特徴量を示す情報を細胞分類部４６４ｂに出力する。
分類モデル記憶部４６２ｂには、図３９の分類モデル記憶部４６２と同様に、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示す情報がその分類モデルの評価を示す評価値を示す情報と関連付けられて記憶されている。また、分類されたクラスのＩＤである分類先ＩＤを示す情報と細胞の情報（例えば、細胞の活性を示す情報又は細胞の品質を示す情報）とが関連付けられて記憶されている。
細胞分類部４６４ｂは、分類モデル記憶部４６２ｂから評価値が最も高い分類モデルを読み出し、その分類モデルを用いて、入力された個々の細胞オブジェクトの形態的特徴量を示す情報を分類する。
具体的には、例えば、細胞分類部４６４ｂは、細胞オブジェクトの各形態的特徴量の平均を算出し、分類木で分岐毎に定められた条件と算出した各形態的特徴量の平均を比較することによって、その分岐でどちらに分岐するか決定する。細胞分類部４６４ｂは、最終的に分類された枝に設定されている分類先ＩＤを示す情報を読み出す。
細胞分類部４６４ｂは、読み出した分類先ＩＤを示す情報に対応付けられた細胞の情報を分類モデル記憶部４６２ｂから読み出し、読み出した細胞の情報を外部へ出力する。例えば、細胞分類部４６４ｂは、分類先ＩＤを示す情報に対応付けられた細胞の活性を示す情報又は細胞の品質を示す情報を分類モデル記憶部４６２ｂから読み出し、読み出した細胞の活性を示す情報又は細胞の品質を示す情報を外部へ出力する。
以上により、細胞分類装置４０４は、細胞種が未知でも既知でも画像データから画像データ内の細胞オブジェクトを多くかつ正確に抽出することができるので、細胞分類装置４０４は、１つの画像データ中に存在する多くの細胞オブジェクトについて分類することができる。また、細胞分類装置４０４は、細胞種が未知でも既知でも、画像データ中に含まれるノイズを細胞オブジェクトとして誤認識することを防ぐことができる。上記のことから、細胞分類装置４０４は、画像データに撮像された細胞を精度良く分類することができるので、細胞の活性または細胞の品質を精度良く推定することができる。
なお、細胞分類部４６４ｂは、属性情報が未知である画像データを分類した場合、培養条件を含む属性情報を分類結果として外部に出力してもよい。具体的には、細胞分類部４６４ｂは、属性情報が未知である画像データ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を外部に出力する。例えば、細胞分類部４６４ｂ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外部に出力してもよい。
また、本発明の第７の実施形態における細胞分類装置４０４内の画像処理装置４０１ｂを第５の実施形態における画像処理装置４０１に置き換えてもよい。その場合、細胞分類装置４０４は、細胞種が既知の画像データから画像データに撮像された細胞を分類することができる。
＜第８の実施形態：インキュベータ＞
続いて、本発明の第８の実施形態におけるインキュベータについて説明する。図４５は、第７の実施形態で示された細胞分類装置４０４の機能を兼ね備えるインキュベータの概要を示すブロック構成図である。
インキュベータ５１１は、上部ケーシング５１２と下部ケーシング５１３と、細胞分類装置４０４とを有する。インキュベータ５１１の組立状態において、上部ケーシング５１２は下部ケーシング５１３の上に載置される。なお、上部ケーシング５１２と下部ケーシング５１３との内部空間は、ベースプレート５１４によって上下に仕切られている。
まず、上部ケーシング５１２の構成の概要を説明する。図４５において、上部ケーシング５１２の内部には、細胞の培養を行う恒温室５１５が形成されている。この恒温室５１５は温度調整装置５１５ａ及び湿度調整装置５１５ｂを有しており、恒温室５１５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。
培地交換装置５２３は、恒温室５１５に配置され、この培地交換装置５２３は、後述する制御装置（培養条件制御部）５４１から入力された制御信号に基づいて、細胞が培養されている培養容器の培地を交換する。
観察ユニット５２２は、恒温室５１５に配置され、この観察ユニット５２２は、培養容器５１９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５２２は、上部ケーシング５１２のベースプレート５１４の開口部に嵌め込まれて配置される。
観察ユニット５２２にはＬＥＤ光源３３５が内蔵されている。そして、撮像装置５３４は、試料台の上側から透過照明された培養容器の細胞を、顕微鏡の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。撮像装置５３４は、取得した顕微鏡画像を画像データに変換し、変換した画像データを細胞分類装置４０４に出力する。
細胞分類装置４０４は、撮像装置５３４から入力された画像データに基づいて、その画像データに撮像された細胞を分類し、分類先に設定された分類先ＩＤを取得し、取得した分類先ＩＤに対応する細胞の情報を読み出す。細胞分類装置４０４は、読み出した細胞の情報を制御装置（培養条件制御部）５４１に出力する。
制御装置（培養条件制御部）５４１は、温度調整装置５１５ａ、湿度調整装置５１５ｂ、観察ユニット５２２及び培地交換装置５２３とそれぞれ接続されている。この制御装置５４１は、所定のプログラムに従ってインキュベータ５１１の各部を統括的に制御する。
制御装置（培養条件制御部）５４１は、ＣＰＵ５４２及び記憶部５４３を有し、細胞分類装置４０４から入力された細胞の情報を基に、恒温室の環境条件を変更する。具体的には、例えば、制御装置（培養条件制御部）５４１は、細胞分類装置４０４から入力された細胞の情報を基に、温度調整装置５１５ａを制御して恒温室の温度を調整するか、または湿度調整装置５１５ｂを制御して恒温室の湿度を調整する。これにより、制御装置（培養条件制御部）５４１は、恒温室５１５内を所定の環境条件に維持することができる。
また、制御装置（培養条件制御部）５４１は、細胞分類装置４０４で推定された細胞の情報を基に、細胞を培養する培地を変更する。具体的には、例えば、制御装置（培養条件制御部）５４１は、細胞分類装置４０４から入力された細胞の情報を基に、培地交換装置５２３を制御して培養容器中の培地を交換する。これにより、制御装置（培養条件制御部）５４１は、培養容器中の培地を所定の状態に維持することができる。
記憶部５４３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５４３には、ストッカー５２１に収納されている各培養容器５１９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５４３には、ＣＰＵ５４２によって実行されるプログラムが記憶されている。
図４６は、第７の実施形態で示された細胞分類装置４０４の機能を兼ね備えるインキュベータ５１１の動作の一例を示すフローチャートである。図４６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５１１には所望の増殖すべき細胞を培養する培養容器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５１１が備える細胞分類装置４０４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４６において、インキュベータ５１１は、細胞の培養を開始する（ステップＳ１０００）。即ち、ＣＰＵ５４２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５１５ａと湿度調整装置５１５ｂとを制御する。所定期間経過後に、インキュベータ５１１は、培養中の細胞を分類する（ステップＳ１０１０）。即ち、ＣＰＵ５４２は、撮像装置５３４を制御して、培養中の細胞を撮像し、次いで、記憶部５４３から細胞分類装置４０４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、培養中の細胞を分類する。
次いで、インキュベータ５１１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、ＣＰＵ５４２は、分類結果によって示される細胞の品質が、ステップＳ１０００において設定された目的とする品質に合致するか否かを判断する（ステップＳ１０２０）。ＣＰＵ５４２は、分類結果によって示される細胞の品質が設定された目的とする品質に合致すると判断した場合（ステップＳ１０２０ ＹＥＳ）、分類結果によって示される細胞の品質と設定された目的とする品質とが合致した旨をモニタ等（非図示）に表示させる（ステップＳ１０２２）。そして後述するステップＳ１０６０に進む。
一方、ＣＰＵ５４２は、分類結果に含まれる細胞の品質が所定の目的とする品質と合致しないと判断した場合（ステップＳ１０２０ ＮＯ）、分類結果によって示される細胞の品質と設定された目的とする品質とが合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Ｓ１０２４）、培養を中止するか否かを判断する（ステップＳ１０３０）。具体的には、例えば、ＣＰＵ５４２は、分類結果によって示される細胞の品質と設定された目的とする品質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細胞の品質を示す値と設定された目的とする品質を示す値との差が所定の第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、ＣＰＵ５４２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。
ＣＰＵ５４２は、培養を中止すると判断した場合（ステップＳ１０３０ 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Ｓ１０３２）、培養の処理を終了する。そして、ＣＰＵ５４２は、本フローチャートの処理を終了する。一方、ＣＰＵ５４２は、培養を中止しないと判断した場合（ステップＳ１０３０ ＮＯ）、培養条件を変更するか否かを判断する（ステップＳ１０４０）。具体的には、例えば、ＣＰＵ５４２は、分類結果によって示される細胞の品質を示す値と設定された目的とする品質を示す値と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細胞の品質を示す値と設定された目的とする品質を示す値との差が所定の第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。
ＣＰＵ５４２は、培養条件を変更すると判断した場合（ステップＳ１０４０ 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Ｓ１０４２）、培養条件を変更する（ステップＳ１０５０）。即ち、ＣＰＵ５４２は、新たな培養条件で細胞を培養するよう温度調整装置５１５ａと湿度調整装置５１５ｂとを制御する。そしてステップＳ１０１０に戻る。なお、予め、両品質（分類結果によって示される細胞品質、及び、設定された目的品質）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５４３に記憶し、ＣＰＵ５４２は、両細胞品質から新たな培養条件を取得するようにしてもよい。なお、ＣＰＵ５４２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。
ＣＰＵ５４２は、ステップＳ１０２２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Ｓ１０４０ ＮＯ）、所定期間経過後に、撮像装置５３４を制御して、培養中の細胞を撮像し、培養中の細胞数（即ち、細胞オブジェクトの数）を計数する（ステップＳ１０６０）。なお、ＣＰＵ５４２は、個々の細胞オブジェクトを認識可能な細胞分類装置４０４の細胞オブジェクト特徴量算出部４６０ｂの処理を実行するためのプログラムを記憶部５４３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、ＣＰＵ５４２は、ステップＳ１０６０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定する（ステップＳ１０７０）。ＣＰＵ５４２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定した場合（ステップＳ１０７０ ＮＯ）、所定の時間経過後に、ステップＳ１０１０に戻る。一方、ＣＰＵ５４２は、計数した細胞数が所定の細胞数に到達したと判定した場合（ステップＳ１０７０ 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Ｓ１０７２）。そして、ＣＰＵ５４２は、本フローチャートの処理を終了する。
以上により、細胞種が未知でも既知でも、細胞分類装置４０４内の画像処理装置４０１ｂが画像データから細胞オブジェクトを精度良く抽出できるので、細胞分類装置４０４による分類の精度が向上する。これにより、インキュベータ５１１は、細胞分類装置４０４による精度の高い分類により出力される細胞の品質に基づいて、培養容器内の細胞の培養条件を動的に変更できるため、所望の細胞を品質の良い状態で維持することができる。また、インキュベータ５１１は、細胞の状態に応じた適正な培養条件で、細胞を培養させることができる。
なお、本フローチャートでは、ＣＰＵ５４２は、分類結果によって示される細胞の品質が目的とする品質に合致するか否かに基づき、培養を中止するかまたは培養条件を変更するか否か判断したが、これに限ったものではない。ＣＰＵ５４２は、分類結果によって示される細胞の種類が設定された細胞の種類に合致するか否かに基づき、培養を継続するか培養を中止するか判断をしてもよい。
また、ＣＰＵ５４２は、分類結果によって示される細胞操作が設定された細胞操作に合致するか否かに基づき、培養条件を変更して継続するか培養を中止するか判断をしてもよい。その際、分類結果によって示される細胞操作が設定された細胞操作に合致しない場合、ＣＰＵ５４２は、培養経過を示すログから培養経過に異常がないか否か判定し、判定結果に基づいて、培養条件を変更して継続するか培養を中止するか判断をしてもよい。また、ＣＰＵ５４２は、非同一性である旨を記憶部５４３に記憶させる。
また、細胞分類装置４０４内の画像処理装置４０１ｂを画像処理装置４０１に入れ替えても良い。その場合、細胞種が既知の場合にのみ、インキュベータ５１１は、細胞分類装置４０４の分類結果に基づき、培養条件を変更できる。
また、本発明の第５の実施形態による画像処理装置４０１、本発明の第６の実施形態による画像処理装置４０１ｂ、本発明の第７の実施形態による細胞分類装置４０４、本発明の第８の実施形態によるインキュベータ５１１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、画像処理装置４０１、画像処理装置４０１ｂ、細胞分類装置４０４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。
また、本発明の全ての実施形態において、分類モデル生成装置（１、２）、画像処理装置（４０１、４０１ｂ）、または細胞分類装置（３、４、４０４）は、面積を形態的特徴量の代表例として用いてノイズに係るオブジェクトを抽出したが、これに限らず、他の形態的特徴量を用いて、ノイズに係るオブジェクトを抽出してもよい。
以上、本発明の実施形態について図面を参照して詳述したが、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（２値化データ取得部）
２６…細胞オブジェクト特徴量算出部（ノイズ除去部）
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（２値化データ取得部）
２２６…細胞オブジェクト特徴量算出部（ノイズ除去部）
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
４０１、４０１ｂ…画像処理装置
４０４…細胞分類装置
４１０…２値化画像取得部
４１１…抽出部
４２０、４２０ｂ…細胞オブジェクト抽出部
４２１…細胞候補オブジェクト抽出部
４２２…面積算出部
４２３…累積度数分布算出部（累積分布算出部）
４２４…微分関数算出部
４２５…固有閾値算出部
４２６…細胞オブジェクト選択部
４３１…仮閾値設定部
４３２…サンプルオブジェクト選択部
４３３…細胞種推定部
４４２…細胞計数部
４４６…補正情報設定部
４６０…細胞オブジェクト特徴量算出部
４６４ｂ…細胞分類部
５１１…インキュベータ
５１５…恒温室
５４１…制御装置（培養条件制御部）
５３４…撮像装置

Claims (23)

  1. 細胞が撮像された画像データから細胞オブジェクトの候補となる細胞候補オブジェクトを抽出する細胞候補オブジェクト抽出部と、
    前記細胞候補オブジェクトの形態的特徴量を抽出する特徴量抽出部と、
    前記形態的特徴量に基づく値が所定の間隔毎に区分された際の区分毎の該形態的特徴量に基づく値の出現頻度または該区分毎の該形態的特徴量に基づく値のいずれか一方を順次加え合わせることで得られる累積分布を算出する累積分布算出部と、
    前記累積分布に基づいて、前記細胞候補オブジェクトのうちから前記細胞オブジェクトまたは前記細胞オブジェクト以外のオブジェクトであるノイズに係るオブジェクトを抽出する抽出部と、
    を備えることを特徴とする画像処理装置。
  2. 前記抽出部は、前記累積分布の微分値を算出し、前記微分値に基づいて、前記細胞候補オブジェクトから前記細胞オブジェクトを抽出することを特徴とする請求項１に記載の画像処理装置。
  3. 前記抽出部は、前記微分値の極小値を探索して該極小値に基づく閾値を決定し、前記形態的特徴量が該閾値以上である前記細胞候補オブジェクトを前記細胞オブジェクトとして抽出することを特徴とする請求項２に記載の画像処理装置。
  4. 前記抽出部は、前記形態的特徴量が所定値以上の範囲において前記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し、前記形態的特徴量が該閾値以上である前記細胞候補オブジェクトを前記細胞オブジェクトとして抽出することを特徴とする請求項２または請求項３に記載の画像処理装置。
  5. 前記累積分布算出部は、細胞の種類毎に前記累積分布を算出し、
    前記抽出部は、前記細胞の種類毎に、該細胞の種類に応じた前記累積分布の傾きから該細胞の種類に固有の閾値を算出する固有閾値算出部を備え、
    前記固有の閾値に基づいて、前記細胞候補オブジェクトのうちから前記細胞オブジェクトを抽出す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項に記載の画像処理装置。
  6. 前記固有の閾値を補正する補正情報であって細胞の種類に固有の補正情報が該細胞の種類と関連付けられて記憶されている固有補正情報記憶部を備え、
    前記固有閾値算出部は、外部から入力された細胞の種類に応じた前記固有の補正情報を前記固有補正情報記憶部から読み出し、前記累積分布の微分値が極小となる前記形態的特徴量を算出し、該算出した形態的特徴量と前記読み出した固有の補正情報とに基づいて、前記固有の閾値を算出することを特徴とする請求項５に記載の画像処理装置。
  7. 前記抽出部が、所定の範囲で仮の固有の補正情報を変更する毎に、仮の固有の補正情報と前記極小となる形態的特徴量とに基づいて、仮の固有閾値を算出し、該算出した仮の固有閾値に基づいて前記細胞オブジェクトを抽出する請求項６に記載の画像処理装置であって、
    前記抽出部により抽出された前記細胞オブジェクトの数を認識数として前記変更された仮の固有の補正情報毎に計数する細胞計数部と、
    前記変更された仮の固有の補正情報毎に、前記認識数と前記画像データ中に含まれる前記細胞オブジェクトの数である細胞の視認数との差を算出する誤差算出部と、
    前記差が所定の範囲内となる仮の固有の補正情報のうちから前記固有の補正情報を前記細胞の種類毎に抽出し、前記細胞の種類と該抽出した固有の補正情報とを前記固有補正情報記憶部に関連づけて記憶させる固有補正情報設定部と、
    を更に備えることを特徴とする。
  8. 前記固有閾値算出部は、更に外部から入力された前記細胞の培養時間に応じて、前記固有の閾値を設定することを特徴とする請求項５から請求項７のいずれか１項に記載の画像処理装置。
  9. 前記累積分布算出部により算出された累積分布を基に、複数の前記細胞の種類に共通の閾値を算出する仮閾値算出部と、
    前記細胞候補オブジェクトのうちから、前記共通の閾値に基づいて、仮の細胞オブジェクトであるサンプルオブジェクトを抽出するサンプルオブジェクト抽出部と、
    前記抽出されたサンプルオブジェクトに基づいて、前記細胞の種類を推定する細胞種推定部と、
    を備え、
    前記固有閾値算出部は、前記推定された細胞の種類に応じた前記固有の補正情報を前記固有補正情報記憶部から読み出すことを特徴とする請求項６から請求項８のいずれか１項に記載の画像処理装置。
  10. 複数の前記細胞の種類に共通の補正情報が記憶されている共通補正情報記憶部を備え、
    前記仮閾値算出部は、前記共通の補正情報を前記共通補正情報記憶部から読み出し、前記累積分布の微分値が極小となる前記形態的特徴量を算出し、該算出した形態的特徴量と前記読み出した共通の補正情報とに基づいて、前記共通の閾値を算出することを特徴とする請求項９に記載の画像処理装置。
  11. 前記抽出部が、所定の範囲で仮の共通の補正情報を変更する毎に、仮の共通の補正情報と前記極小となる形態的特徴量とに基づいて、仮の共通の閾値を算出し、該算出した仮の共通の閾値に基づいて前記細胞オブジェクトを抽出する請求項１０に記載の画像処理装置であって、
    各細胞の種類で、前記抽出部により抽出された前記細胞オブジェクトの数を認識数として前記変更された仮の共通の補正情報毎に計数する共通細胞計数部と、
    前記各細胞の種類で、前記認識数と前記画像データ中に含まれる前記細胞オブジェクトの数である細胞の視認数との差を前記変更された仮の共通の補正情報毎に算出する共通誤差算出部と、
    複数の細胞の種類に共通して前記差が所定の範囲内となる仮の共通の補正情報のうちから共通の補正情報を抽出し、該抽出した共通の補正情報を前記共通補正情報記憶部に記憶させる共通補正情報設定部と、
    を更に備えることを特徴とする。
  12. 前記仮閾値設定部は、前記細胞の培養時間に応じて、前記仮閾値を設定することを特徴とする請求項９から請求項１１のいずれか１項に記載の画像処理装置。
  13. 前記抽出部は、
    前記累積分布を構成する前記形態的特徴量および前記累積分布の各点のうち、複数点を用いて前記累積分布の傾きを算出することを特徴とする請求項１から請求項１２のいずれか１項に記載の画像処理装置。
  14. 前記抽出部は、
    前記累積分布に基づいて、前記ノイズに係るオブジェクトを推定するノイズ推定部と、
    前記細胞候補オブジェクトのうちから前記推定された前記ノイズに係るオブジェクトを除去するノイズ除去部と、
    を更に備えることを特徴とする請求項１から請求項１３のいずれか１項に画像処理装置。
  15. 前記細胞候補オブジェクト抽出部は、
    細胞が撮像された画像データを２値化処理した２値化画像データを取得する２値化画像取得部と、
    前記２値化画像データから細胞オブジェクトの候補となる細胞候補オブジェクトを抽出する細胞候補オブジェクト抽出部と、
    を備えることを特徴とする請求項１から請求項１４のいずれか１項に画像処理装置。
  16. 請求項１に記載の画像処理装置と、
    前記画像処理装置から抽出された前記細胞オブジェクトまたは前記ノイズに係るオブジェクトに基づいて、前記画像データに撮影された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。
  17. 細胞又は細胞群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又は細胞群の画像を撮像する撮像装置と、
    請求項１に記載の画像処理装置と、
    を備えることを特徴とするインキュベータ。
  18. 前記画像処理装置により抽出された前記細胞オブジェクトまたは前記ノイズに係るオブジェクトに基づいて、前記画像データに撮影された細胞を分類する細胞分類部を更に備えることを特徴とする請求項１７に記載のインキュベータ。
  19. 前記細胞分類部で推定された細胞の情報を基に、前記恒温室の環境条件又は前記細胞を培養する培地を変更する培養条件制御部を備えることを特徴とする請求項１８に記載のインキュベータ。
  20. 画像処理装置が実行する画像処理方法であって、
    細胞が撮像された画像データから細胞オブジェクトの候補となる細胞候補オブジェクトを抽出する細胞候補オブジェクト抽出手順と、
    前記細胞候補オブジェクトの形態的特徴量を抽出する特徴量抽出手順と、
    前記形態的特徴量に基づく値が所定の間隔毎に区分された際の区分毎の該形態的特徴量に基づく値の出現頻度または該区分毎の該形態的特徴量に基づく値のいずれか一方を順次加え合わせることで得られる累積分布を算出する累積分布算出手順と、
    前記累積分布に基づいて、前記細胞候補オブジェクトのうちから前記細胞オブジェクトまたは前記細胞オブジェクト以外のオブジェクトであるノイズに係るオブジェクトを抽出する抽出手順と、
    を有することを特徴とする画像処理方法。
  21. 請求項２０の記載の画像処理方法と、
    前記画像処理方法により抽出された前記細胞オブジェクトまたは前記ノイズに係るオブジェクトに基づいて、画像データに撮影された細胞を分類する細胞分類手順と、
    を有することを特徴とする細胞分類方法。
  22. 画像処理装置としてのコンピュータに、
    細胞が撮像された画像データから細胞オブジェクトの候補となる細胞候補オブジェクトを抽出する細胞候補オブジェクト抽出ステップと、
    前記細胞候補オブジェクトの形態的特徴量を抽出する特徴量抽出ステップと、
    前記形態的特徴量に基づく値が所定の間隔毎に区分された際の区分毎の該形態的特徴量に基づく値の出現頻度または該区分毎の該形態的特徴量に基づく値のいずれか一方を順次加え合わせることで得られる累積分布を算出する累積分布算出ステップと、
    前記累積分布に基づいて、前記細胞候補オブジェクトのうちから前記細胞オブジェクトまたは前記細胞オブジェクト以外のオブジェクトであるノイズに係るオブジェクトを抽出する抽出ステップと、
    を実行させるための画像処理プログラム。
  23. 細胞分類装置としてのコンピュータに、
    請求項２２に記載の画像処理プログラムと、
    前記画像処理プログラムから抽出された前記細胞オブジェクトまたは前記ノイズに係るオブジェクトに基づいて、画像データに撮影された細胞を分類するステップと、
    を実行させるための細胞分類プログラム。
JP2011042210A 2010-04-23 2011-02-28 画像処理装置、細胞分類装置、インキュベータ、画像処理方法、細胞分類方法、画像処理プログラムおよび細胞分類プログラム Expired - Fee Related JP5745290B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2011042210A JP5745290B2 (ja) 2010-04-23 2011-02-28 画像処理装置、細胞分類装置、インキュベータ、画像処理方法、細胞分類方法、画像処理プログラムおよび細胞分類プログラム

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2010100168 2010-04-23
JP2010100168 2010-04-23
JP2011042210A JP5745290B2 (ja) 2010-04-23 2011-02-28 画像処理装置、細胞分類装置、インキュベータ、画像処理方法、細胞分類方法、画像処理プログラムおよび細胞分類プログラム

Publications (2)

Publication Number Publication Date
JP2011243188A true JP2011243188A (ja) 2011-12-01
JP5745290B2 JP5745290B2 (ja) 2015-07-08

Family

ID=45409730

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2011042210A Expired - Fee Related JP5745290B2 (ja) 2010-04-23 2011-02-28 画像処理装置、細胞分類装置、インキュベータ、画像処理方法、細胞分類方法、画像処理プログラムおよび細胞分類プログラム

Country Status (1)

Country Link
JP (1) JP5745290B2 (ja)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014123143A1 (ja) * 2013-02-07 2014-08-14 大日本印刷株式会社 培地検査装置、培地情報登録システム、衛生管理システム、及びプログラム
WO2016203907A1 (ja) * 2015-06-16 2016-12-22 コニカミノルタ株式会社 画像処理装置、画像処理方法、および画像処理用のプログラム
WO2017158647A1 (ja) * 2016-03-17 2017-09-21 日本電気株式会社 乗車人数計測装置、システム、方法およびプログラムならびに車両移動量算出装置、方法およびプログラム
WO2018073859A1 (ja) * 2016-10-17 2018-04-26 ヤマハ発動機株式会社 細胞移動装置及び細胞移動方法
JP2019193587A (ja) * 2018-05-01 2019-11-07 国立大学法人 筑波大学 培養環境判定装置、培養環境判定方法、及びプログラム
JP2021041357A (ja) * 2019-09-12 2021-03-18 国立大学法人大阪大学 塗布装置
WO2021100191A1 (ja) * 2019-11-22 2021-05-27 オリンパス株式会社 細胞数情報の表示方法、システム、及び、プログラム
US11321585B2 (en) 2017-04-14 2022-05-03 Hitachi High-Tech Corporation Imaging device and morphological feature data display method

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH02162237A (ja) * 1988-12-15 1990-06-21 Toa Medical Electronics Co Ltd 粒度分布処理装置
JP2008141973A (ja) * 2006-12-07 2008-06-26 Foundation For Biomedical Research & Innovation 心筋細胞の培養増殖法
JP2009044974A (ja) * 2007-08-16 2009-03-05 Univ Nagoya 細胞の品質を予測する予測モデルの構築法、予測モデルの構築用ブログラム、該プログラムを記録した記録媒体、予測モデルの構築用装置
WO2009031283A1 (ja) * 2007-09-03 2009-03-12 Nikon Corporation 培養装置、培養情報管理方法およびプログラム
JP2009063508A (ja) * 2007-09-07 2009-03-26 Olympus Corp 細胞画像解析装置及び細胞画像解析ソフトウェア

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH02162237A (ja) * 1988-12-15 1990-06-21 Toa Medical Electronics Co Ltd 粒度分布処理装置
JP2008141973A (ja) * 2006-12-07 2008-06-26 Foundation For Biomedical Research & Innovation 心筋細胞の培養増殖法
JP2009044974A (ja) * 2007-08-16 2009-03-05 Univ Nagoya 細胞の品質を予測する予測モデルの構築法、予測モデルの構築用ブログラム、該プログラムを記録した記録媒体、予測モデルの構築用装置
WO2009031283A1 (ja) * 2007-09-03 2009-03-12 Nikon Corporation 培養装置、培養情報管理方法およびプログラム
JP2009063508A (ja) * 2007-09-07 2009-03-26 Olympus Corp 細胞画像解析装置及び細胞画像解析ソフトウェア

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5605529B1 (ja) * 2013-02-07 2014-10-15 大日本印刷株式会社 培地検査装置、培地情報登録システム、衛生管理システム、及びプログラム
WO2014123143A1 (ja) * 2013-02-07 2014-08-14 大日本印刷株式会社 培地検査装置、培地情報登録システム、衛生管理システム、及びプログラム
US10641706B2 (en) 2015-06-16 2020-05-05 Konica Minolta, Inc. Cell morphology image processing and corrections
WO2016203907A1 (ja) * 2015-06-16 2016-12-22 コニカミノルタ株式会社 画像処理装置、画像処理方法、および画像処理用のプログラム
JPWO2016203907A1 (ja) * 2015-06-16 2018-04-05 コニカミノルタ株式会社 画像処理装置、画像処理方法、および画像処理用のプログラム
WO2017158647A1 (ja) * 2016-03-17 2017-09-21 日本電気株式会社 乗車人数計測装置、システム、方法およびプログラムならびに車両移動量算出装置、方法およびプログラム
US10755124B2 (en) 2016-03-17 2020-08-25 Nec Corporation Passenger counting device, system, method and program, and vehicle movement amount calculation device, method and program
JPWO2017158647A1 (ja) * 2016-03-17 2018-11-15 日本電気株式会社 乗車人数計測装置、システム、方法およびプログラムならびに車両移動量算出装置、方法およびプログラム
US10318829B2 (en) 2016-03-17 2019-06-11 Nec Corporation Passenger counting device, system, method and program, and vehicle movement amount calculation device, method and program
JPWO2018073859A1 (ja) * 2016-10-17 2019-06-24 ヤマハ発動機株式会社 細胞移動装置及び細胞移動方法
WO2018073859A1 (ja) * 2016-10-17 2018-04-26 ヤマハ発動機株式会社 細胞移動装置及び細胞移動方法
US11318463B2 (en) 2016-10-17 2022-05-03 Yamaha Hatsudoki Kabushiki Kaisha Cell transfer apparatus and cell transfer method
US11321585B2 (en) 2017-04-14 2022-05-03 Hitachi High-Tech Corporation Imaging device and morphological feature data display method
JP2019193587A (ja) * 2018-05-01 2019-11-07 国立大学法人 筑波大学 培養環境判定装置、培養環境判定方法、及びプログラム
JP2021041357A (ja) * 2019-09-12 2021-03-18 国立大学法人大阪大学 塗布装置
JP7397435B2 (ja) 2019-09-12 2023-12-13 国立大学法人大阪大学 塗布装置
WO2021100191A1 (ja) * 2019-11-22 2021-05-27 オリンパス株式会社 細胞数情報の表示方法、システム、及び、プログラム

Also Published As

Publication number Publication date
JP5745290B2 (ja) 2015-07-08

Similar Documents

Publication Publication Date Title
JP5745290B2 (ja) 画像処理装置、細胞分類装置、インキュベータ、画像処理方法、細胞分類方法、画像処理プログラムおよび細胞分類プログラム
JP6448129B2 (ja) 細胞評価装置、インキュベータ、細胞評価方法、プログラム、及び細胞の培養方法
JP5816416B2 (ja) 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
JP5740101B2 (ja) 細胞評価装置、インキュベータ、細胞評価方法、細胞評価プログラムおよび細胞の培養方法
CN111724433B (zh) 一种基于多目视觉的作物表型参数提取方法及系统
CN106537422B (zh) 用于捕获信息内的关系的系统和方法
Versari et al. Long-term tracking of budding yeast cells in brightfield microscopy: CellStar and the Evaluation Platform
Williams et al. 3D segmentation of trees through a flexible multiclass graph cut algorithm
Ziamtsov et al. Machine learning approaches to improve three basic plant phenotyping tasks using three-dimensional point clouds
US10007834B2 (en) Detection control device, detection system, non-transitory storage medium, and detection control method
CN105868716A (zh) 一种基于面部几何特征的人脸识别方法
CN109101864A (zh) 基于关键帧和随机森林回归的人体上半身动作识别方法
JP2014525252A (ja) 組織分類のためのシステム及び方法
CN106780551B (zh) 一种三维运动目标检测方法和系统
WO2015193951A1 (ja) 観察装置、観察方法、観察システム、そのプログラム、および細胞の製造方法
JP7446616B2 (ja) 細胞の挙動の解析方法、およびその利用
CN110232331A (zh) 一种在线人脸聚类的方法及系统
Janssens-Coron et al. Ground point filtering from airborne lidar point clouds using deep learning: A preliminary study
Williams et al. Three-dimensional segmentation of trees through a flexible multi-class graph cut algorithm (MCGC)
JP6343874B2 (ja) 観察装置、観察方法、観察システム、そのプログラム、および細胞の製造方法
González-Barbosa et al. Dynamic measurement of portos tomato seedling growth using the kinect 2.0 sensor
CN117408913A (zh) 待测物体点云去噪方法、系统及装置
US12000868B2 (en) Waveform segmentation device and waveform segmentation method
JP5732201B2 (ja) 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
CN116627952A (zh) 一种遥感影像编目数据相似重复清洗方法

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20140213

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20141028

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20141118

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20150119

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20150407

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20150501

R150 Certificate of patent or registration of utility model

Ref document number: 5745290

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

S531 Written request for registration of change of domicile

Free format text: JAPANESE INTERMEDIATE CODE: R313531

R350 Written notification of registration of transfer

Free format text: JAPANESE INTERMEDIATE CODE: R350

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

S533 Written request for registration of change of name

Free format text: JAPANESE INTERMEDIATE CODE: R313533

R350 Written notification of registration of transfer

Free format text: JAPANESE INTERMEDIATE CODE: R350

LAPS Cancellation because of no payment of annual fees