JP2015001859A - 情報処理装置、情報処理システム及びプログラム - Google Patents

Abstract

【課題】培地を撮影した画像から対象となる細胞の面積を高精度に算出することが可能な情報処理装置、情報処理システム及びプログラムを提供する。【解決手段】１枚の入力画像から得られる時系列での変化に基づかない非時系列特徴量と、複数の入力画像から得られる時系列でのターゲット細胞の状態変化に基づく動き特徴量とに基づき、培地を撮影した画像から、培養中の細胞のターゲット領域を高精度に認識し、その領域の面積を算出する。【選択図】図５

Description

本発明は、培養中の細胞の面積を算出する技術に関する。

従来から、細胞が撮像された画像データから目的の細胞の領域を抽出し、その面積などを算出する技術が知られている。例えば、特許文献１には、画像から認識した各細胞領域から面積や形状などの特徴量を算出し、当該特徴量に基づき細胞の種類を認識する技術が開示されている。

特開２０１１−４２２１０号公報

特許文献１のように、細胞の形状に関する特徴量のみに基づいて細胞の種類を分類した場合、分類精度が十分でない場合がある。また、個々の細胞を個別に検出する場合、対象となる細胞が密集している場合には、検出精度が低下することが考えられる。そこで、本発明は、培地を撮影した画像から対象となる細胞の面積を高精度に算出することが可能な情報処理装置、情報処理システム及びプログラムを提供することを主な目的とする。

本発明の１つの観点では、培地を撮影した画像から培養中の細胞の面積を算出する情報処理装置であって、前記培地を撮影した１枚の画像から時系列での変化に基づかない非時系列情報を算出する非時系列情報算出手段と、前記培地を撮影した複数の画像から動きに関する情報を算出する動き情報算出手段と、前記非時系列情報と、前記動きに関する情報とに基づき、前記画像中での前記細胞の領域を認識する領域分類手段と、前記領域分類手段が認識した領域の面積を算出する面積算出手段と、を有する。ここで、「細胞の面積」は、画像中における培養中の細胞群により形成される連結した領域の各々の面積であってもよく、当該領域の総面積であってもよい。また、上記の「培養中の細胞」とは、培養される対象となる生物体の構造上・機能上の基本単位であり、好適には、表皮細胞、ｉＰＳ（Ｉｎｄｕｃｅｄ Ｐｌｕｒｉｐｏｔｅｎｔ Ｓｔｅｍ）細胞、又はＥＳ（Ｅｍｂｒｙｏｎｉｃ Ｓｔｅｍ）細胞である。

本発明の他の観点では、情報処理システムは、培養中の細胞が存在する培地を撮影する撮影手段と、前記培地を撮影した１枚の画像から時系列での変化に基づかない非時系列情報を算出する非時系列情報算出手段と、前記培地を撮影した複数の画像から動きに関する情報を算出する動き情報算出手段と、前記非時系列情報と、前記動きに関する情報とに基づき、前記画像中での前記細胞の領域を認識する領域分類手段と、前記領域分類手段が認識した領域の面積を算出する面積算出手段と、を有する。

本発明のさらに他の観点では、培地を撮影した画像から培養中の細胞の面積を算出する情報処理装置が実行するプログラムであって、前記培地を撮影した１枚の画像から時系列での変化に基づかない非時系列情報を算出する非時系列情報算出手段と、前記培地を撮影した複数の画像から動きに関する情報を算出する動き情報算出手段と、前記非時系列情報と、前記動きに関する情報とに基づき、前記画像中での前記細胞の領域を認識する領域分類手段と、前記領域分類手段が認識した領域の面積を算出する面積算出手段として前記情報処理装置を機能させる。

本発明によれば、情報処理装置は、１枚の画像から得られる非時系列情報に加えて、複数の画像から得られる動きに関する情報に基づき、培養中の細胞の領域を認識する。これにより、情報処理装置は、培養中の細胞の領域を高精度に認識し、当該領域の面積を好適に算出することができる。

予測システムの概略構成を示す。 表皮細胞をターゲット細胞とした場合の入力画像の一例である。 情報処理装置の機能ブロック図である。 識別ルール生成処理の手順を示すフローチャートである。 面積算出処理の手順を示すフローチャートである。 （Ａ）は識別ルール決定処理で用いられる入力画像の一例を示し、（Ｂ）はラベル画像の一例を示す。 （Ａ）は、ターゲット領域を求める対象となる入力画像を示し、（Ｂ）は、ターゲット領域を枠で囲んだ入力画像を示す。 あるテクスチャ画像に所定のフィルタ（ガウスフィルタ）を適用した例を示す。 （Ａ）はフィルタ応答ベクトルの抽出処理の概要を示す。（Ｂ）はフィルタ応答ベクトルを４つのクラスに分類し、各クラスに対して代表ベクトルを算出する様子を示す。 （Ａ）は各画素についてクラスを割り当てた画像と、当該画像から選択した小領域とを示す。（Ｂ）は、小領域に対応するヒストグラムを示す。

以下、図面を参照しながら、本発明に好適な実施形態について説明する。

［システム構成］
図１は、本実施形態に係る予測システム１０の概略構成を示す図である。予測システム１０は、人体の皮膚（表皮細胞）などの細胞を培養する際に、培養の完了日時を予測するためのシステムである。図１に示すように、予測システム１０は、培地１と、カメラ２と、情報処理装置３とを有する。

培地１は、細胞を培養するための培地であり、例えば寒天培地やフィルム培地（図１では寒天培地）である。培地１で培養する対象となる細胞を「ターゲット細胞」とも呼ぶ。培地１には、培養溶液が入れられており、ターゲット細胞の他、培養環境を整えるためのフィーダー細胞などが存在する。

カメラ２は、培地１で培養されている細胞を撮影した画像（「入力画像Ｉｍ」とも呼ぶ。）を生成し、入力画像Ｉｍを情報処理装置３に供給する。カメラ２は、例えば顕微鏡に取り付けられてもよく、顕微鏡と一体型であってもよい。カメラ２は、本発明における「撮影手段」の一例である。

情報処理装置３は、カメラ２から供給された入力画像Ｉｍに基づき、ターゲット細胞により形成された入力画像Ｉｍ中の領域（「ターゲット領域Ｔｔａｇ」とも呼ぶ。）の面積を算出する。そして、情報処理装置３は、算出した面積に基づき、ターゲット細胞の培養完了の日時を予測する。

ここで、入力画像Ｉｍにおけるターゲット領域Ｔｔａｇとその他の領域との違いについて、図２を参照して説明する。図２は、表皮細胞をターゲット細胞とした場合の入力画像Ｉｍの一例である。図２の枠７０内にはターゲット細胞とは異なるフィーダー細胞が表示され、枠７１内にはターゲット細胞である表皮細胞が表示されている。

図２に示すように、フィーダー細胞は、ターゲット細胞よりも大きな細胞であり、かつ、密集度が比較的低い。一方、ターゲット細胞は、フィーダー細胞よりも小さい細胞であり、かつ、密集度が比較的高いという特徴がある。このように、フィーダー細胞とターゲット細胞とは、時系列の変化に基づかない非時系列での差異が存在する。

さらに、フィーダー細胞は、ターゲット細胞と比べて動きが緩慢であり、ターゲット細胞は、フィーダー細胞と比べて動きが活発であるという特徴がある。このように、フィーダー細胞とターゲット細胞とは、動きに関する特徴に差異がある。なお、表皮細胞をターゲット細胞とした場合に限らず、ｉＰＳ細胞やＥＳ細胞などの細胞をターゲット細胞とした場合についても、フィーダー細胞とターゲット細胞とは、図２で説明した非時系列及び時系列での差異が同様に存在する。

以上を勘案し、情報処理装置３は、１枚の入力画像Ｉｍから得られる時系列での変化に基づかない非時系列の情報と、複数の入力画像Ｉｍから得られる動きの情報とに基づき、ターゲット領域Ｔｔａｇを認識し、その面積を算出する。

［情報処理装置の構成］
次に、情報処理装置３について説明する。情報処理装置３は、ハードウェアとして、電子ペン１とのデータ通信が可能なアンテナ装置、ＣＰＵ等のプロセッサ、ＲＯＭやＲＡＭといったメモリ、ディスプレイ、マウスやキーボード等で構成される。

図３は、情報処理装置３の機能ブロック図である。情報処理装置３は、機能的には、マウスやキーボードといった入力手段３１、有線又は無線により通信を行う通信手段３２、記憶手段３３、処理手段３４、及びディスプレイなどの表示手段３６を備える。

記憶手段３３は、ＲＯＭやＲＡＭといったメモリによって構成され、処理手段３４が所定の処理を実行するのに必要なプログラムを記憶する。記憶手段３３は、後述するように、入力画像Ｉｍの各画素又は所定個数の画素ごとに区切られた各領域がターゲット領域Ｔｔａｇであるか否かを処理手段３４が判定するために用いる識別ルールの情報を記憶する。

処理手段３４は、ＣＰＵ等のプロセッサによって構成され、情報処理装置３の全体の制御を行う。処理手段３４は、非時系列情報算出手段３４１と、動き情報算出手段３４２と、領域分類手段３４３と、面積算出手段３４４と、培養完了日時予測手段３４５とを有する。

非時系列情報算出手段３４１は、通信手段３２が取得した１枚の入力画像Ｉｍから、画素ごと又は所定個数の画素ごとに区切った領域（これらを総称して「単位領域」とも呼ぶ。）ごとに、時系列での変化に基づかない特徴量（「非時系列特徴量Ｆｖｓ」とも呼ぶ。）を抽出する。非時系列情報算出手段３４１は、後述するように、Ｔｅｘｔｏｎによる非時系列特徴量Ｆｖｓの抽出を行う。

動き情報算出手段３４２は、複数の入力画像Ｉｍから、動きに関する特徴量（「動き特徴量Ｆｖｄ」とも呼ぶ。）を抽出する。具体的には、動き情報算出手段３４２は、動き特徴量Ｆｖｄを求める入力画像Ｉｍ及びその前後（本実施形態では直前）に取得された入力画像Ｉｍに基づき、これらの入力画像Ｉｍ中の動きの成分をベクトル化したオプティカルフローを、単位領域ごとに算出する。そして、動き情報算出手段３４２は、オプティカルフローの大きさを、各単位領域の動き特徴量Ｆｖｄとする。

領域分類手段３４３は、非時系列情報算出手段３４１と動き情報算出手段３４２とが算出した単位領域ごとの特徴量に基づき、記憶手段３３が記憶した識別ルールを参照することで、入力画像Ｉｍ内の各単位領域がターゲット領域Ｔｔａｇであるか否かを判定する。また、領域分類手段３４３は、ターゲット領域Ｔｔａｇの判定処理の前処理として、学習用の入力画像Ｉｍを用いて、識別ルールを機械学習により生成し、記憶手段３３に記憶させる。ここで、識別ルールは、非時系列情報算出手段３４１と動き情報算出手段３４２とが算出する特徴量の特徴量空間を、ターゲット領域Ｔｔａｇに対応する空間と、ターゲット領域Ｔｔａｇ以外の領域に対応する空間とに分ける情報である。識別ルールの生成方法の詳細については後述する。

面積算出手段３４４は、領域分類手段３４３が認識したターゲット領域Ｔｔａｇの面積を算出する。培養完了日時予測手段３４５は、面積算出手段３４４が算出した面積に基づき、培養が完了する日時を予測する。例えば、培養完了日時予測手段３４５は、面積算出手段３４４が算出したターゲット領域Ｔｔａｇの面積の時系列での変化に基づき、ターゲット領域Ｔｔａｇが入力画像Ｉｍ内に占める割合が所定割合に達する日時を、回帰分析などにより予測する。そして、培養完了日時予測手段３４５は、予測した日を培養完了日時として認識する。

［処理フロー］
次に、情報処理装置３が実行する処理フローについて説明する。以下では、識別ルールの生成処理（「識別ルール生成処理」とも呼ぶ。）と、入力画像Ｉｍに基づきターゲット領域Ｔｔａｇの面積を算出する処理（「面積算出処理」とも呼ぶ。）とについて、それぞれ図４及び図５を参照して説明する。

（１）識別ルール生成処理
図４は、情報処理装置３が実行する識別ルール生成処理の手順を示すフローチャートの一例である。情報処理装置３は、図４に示すフローチャートの処理を、後述する図５に示す面積算出処理の前処理として実行する。

まず、非時系列情報算出手段３４１は、学習用の入力画像Ｉｍから、単位領域ごとに、所定個数の非時系列特徴量Ｆｖｓを抽出する。また、動き情報算出手段３４２は、非時系列特徴量Ｆｖｓを算出した入力画像Ｉｍ及びその直前にカメラ２が撮影した入力画像Ｉｍに基づき、動き特徴量Ｆｖｄを算出する（ステップＳ１０１）。これにより、情報処理装置３は、入力画像Ｉｍの各単位領域に対して、所定個数の特徴量からなる特徴ベクトルを算出する。なお、非時系列情報算出手段３４１及び動き情報算出手段３４２は、単位領域を、複数の画素からなる所定の領域ごとに定めた場合、単位領域の各特徴量を、当該単位領域を構成する各画素に対して求めた特徴量の平均値などの統計量に定める。

次に、領域分類手段３４３は、ステップＳ１０１で非時系列特徴量Ｆｖｓを算出した入力画像Ｉｍに対し、ターゲット領域Ｔｔａｇか否かに基づき二値化した画像（「ラベル画像ＩＬ」とも呼ぶ。）を入力手段３１への入力に基づき生成する（ステップＳ１０２）。ラベル画像ＩＬの具体例については後述する。

そして、領域分類手段３４３は、ステップＳ１０１で生成した非時系列特徴量Ｆｖｓ及び動き特徴量Ｆｖｄと、ステップＳ１０２で生成したラベル画像とに基づき、機械学習により識別ルールを生成する（ステップＳ１０３）。ここで、領域分類手段３４３は、ステップＳ１０３で用いる機械学習として、ＡｄａＢｏｏｓｔ、ニューラルネットワーク、ブースティング、サポートベクターマシンなどの種々の機械学習を用いてもよい。

ここで、ステップＳ１０２で生成するラベル画像ＩＬの具体例について、図６を参照して説明する。図６（Ａ）は、識別ルール決定処理で用いられる入力画像Ｉｍの一例を示し、図６（Ｂ）は、図６（Ａ）の入力画像Ｉｍに対応するラベル画像ＩＬの一例を示す。まず、情報処理装置３は、ラベル画像ＩＬを生成する対象となる学習用の入力画像Ｉｍを表示手段３６に表示させると共に、入力手段３１によるターゲット領域Ｔｔａｇの指定を受け付ける。そして、情報処理装置３は、マウス操作などによりターゲット領域Ｔｔａｇが指定された場合、当該ターゲット領域Ｔｔａｇと他の領域とを区別するように二値化したラベル画像ＩＬを生成する。図６（Ｂ）の例では、情報処理装置３は、入力により指定された３つの領域９１Ａ〜９１Ｃをターゲット領域Ｔｔａｇとして白色に表示し、他の領域を黒色に表示している。

（２）面積算出処理
図５は、情報処理装置３が入力画像Ｉｍを受信してから、ターゲット領域Ｔｔａｇの面積を算出するまでの処理である面積算出処理の手順を示すフローチャートである。なお、情報処理装置３は、図４に示す識別ルール生成処理の実行後に、図５に示す面積算出処理を実行する。

まず、非時系列情報算出手段３４１及び動き情報算出手段３４２は、ステップＳ１０１と同様に、入力画像Ｉｍから、非時系列特徴量Ｆｖｓ及び動き特徴量Ｆｖｄを抽出する（ステップＳ２０１）。そして、領域分類手段３４３は、ステップＳ２０１で算出した非時系列特徴量Ｆｖｓ及び動き特徴量Ｆｖｄと、図４に示す識別ルール生成処理で生成した識別ルールとに基づき、入力画像Ｉｍ中のターゲット領域Ｔｔａｇを認識する（ステップＳ２０２）。この場合、領域分類手段３４３は、非時系列特徴量Ｆｖｓ及び動き特徴量Ｆｖｄを算出した単位領域ごとに、当該単位領域に対して求めた特徴量を識別ルールに当てはめることで、ターゲット領域Ｔｔａｇか否かを判断する。

次に、面積算出手段３４４は、領域分類手段３４３が認識したターゲット領域Ｔｔａｇの面積を算出する（ステップＳ２０３）。例えば、この場合、面積算出手段３４４は、ターゲット領域Ｔｔａｇに属する画素数を、ターゲット領域Ｔｔａｇの面積として算出する。また、この場合、面積算出手段３４４は、ターゲット領域Ｔｔａｇの実寸大の面積をさらに算出してもよい。例えば、面積算出手段３４４は、カメラ２の撮影に用いる顕微鏡の倍率の情報及びカメラ２の分解能の情報に基づき算出された単位画素あたりの実寸大の面積を、算出した画素数に乗じることで、ターゲット領域Ｔｔａｇの実寸大の面積を算出する。なお、面積算出手段３４４は、ターゲット領域Ｔｔａｇを連結領域ごとに認識し、連結したターゲット領域Ｔｔａｇごとに面積を算出してもよい。

ここで、ステップＳ２０２の処理の具体例について、図７を参照して説明する。図７（Ａ）は、ターゲット領域Ｔｔａｇを求める対象となる入力画像Ｉｍを示し、図７（Ｂ）は、領域分類手段３４３が認識したターゲット領域Ｔｔａｇを枠９２Ａ、９２Ｂで囲んだ入力画像Ｉｍを示す。図７（Ａ）に示す入力画像Ｉｍから非時系列特徴量Ｆｖｓを算出し、かつ、当該入力画像Ｉｍ及びその直前の入力画像Ｉｍから動き特徴量Ｆｖｄを算出した後、面積算出手段３４４は、これらの特徴量に基づき、図７（Ａ）に示す入力画像Ｉｍの単位領域ごとに、ターゲット領域Ｔｔａｇであるか否か判定する。その結果、領域分類手段３４３は、枠９２Ａ、９２Ｂ内の各連結領域を、ターゲット領域Ｔｔａｇであると認識する。その後、面積算出手段３４４は、枠９２Ａ、９２Ｂ内の画素数を、ターゲット領域Ｔｔａｇの面積として算出する。このとき、面積算出手段３４４は、枠９２Ａ内の面積と、枠９２Ｂ内の面積とをそれぞれターゲット領域Ｔｔａｇとして算出してもよい。

［非時系列特徴量抽出の例］
次に、非時系列情報算出手段３４１が実行する非時系列特徴量Ｆｖｓの抽出処理の具体例について、図８〜図１０を参照して説明する。ここでは、一例として、テクスチャを判定するために用いられるＴｅｘｔｏｎの特徴量抽出方法について説明する。

まず、Ｔｅｘｔｏｎによる非時系列特徴量Ｆｖｓを算出するための前処理について説明する。この前処理では、非時系列情報算出手段３４１は、学習用の入力画像Ｉｍに基づき、クラスを作成し、各クラスの代表ベクトルを算出する。

非時系列情報算出手段３４１は、まず、予め定めた所定種類のフィルタを学習用の入力画像Ｉｍに適用することで、適用したフィルタの数と同数の画像（「フィルタ応答画像列ＩｍＲ」とも呼ぶ。）を生成する。使用するフィルタは、例えば、ガウシアン１次微分フィルタ、ガウシアン２次微分フィルタ、ＬＯＧ（Ｌａｐｌａｃｉａｎ Ｏｆ Ｇａｕｓｓｉａｎ）フィルタ、及びガウシアンフィルタである。図８は、あるテクスチャ画像に所定のフィルタ（この例ではガウスフィルタ）を適用した例を示す。図８は、左から順に、フィルタを適用する対象となる画像、フィルタを示す画像、フィルタを適用して得られた画像を示す。このように、所定のフィルタを画像に適用した場合、当該フィルタの特性に応じた所定のパターンを抽出した又は取り除いた画像が得られる。そして、非時系列情報算出手段３４１は、複数の学習用の入力画像Ｉｍに対し、それぞれフィルタ応答画像列ＩｍＲを算出する。

次に、非時系列情報算出手段３４１は、算出したフィルタ応答画像列ＩｍＲの各画像における同一座標上の画素値を要素とするベクトル（「フィルタ応答ベクトル」とも呼ぶ。）を、各フィルタ応答画像列ＩｍＲの複数の座標に対して算出する。図９（Ａ）は、算出した複数（ここでは３つ）のフィルタ応答画像列ＩｍＲからフィルタ応答ベクトルを抽出する処理の概要を示す。図９（Ａ）の例では、各フィルタ応答画像列ＩｍＲの４つの座標位置ごとに、当該フィルタ応答画像列ＩｍＲの各画像における同一座標上の画素値を要素とするフィルタ応答ベクトル「Ｖ１」〜「Ｖ１２」を抽出している。

そして、非時系列情報算出手段３４１は、抽出したフィルタ応答ベクトルに対してクラスタリングを行い、所定個数のクラスを作成し、当該各クラスの代表ベクトルを算出する。図９（Ｂ）は、図９（Ａ）で抽出したフィルタ応答ベクトルＶ１〜Ｖ１２を４つのクラスに分類し、各クラスに対して代表ベクトル「Ｖｃ１」〜「Ｖｃ４」を算出する処理の概要を示す。この場合、非時系列情報算出手段３４１は、Ｋ−Ｍｅａｎｓ法などによりフィルタ応答ベクトルＶ１〜Ｖ１２を４つのクラスに分類し、各クラス内のフィルタ応答ベクトルの平均ベクトルを代表ベクトルＶｃ１〜Ｖｃ４として定める。

次に、非時系列情報算出手段３４１は、図４のステップＳ１０１又は図５のステップＳ２０１において、非時系列特徴量Ｆｖｓを算出する対象となる入力画像Ｉｍに対し、前処理で用いたフィルタを適用することで、フィルタ応答画像列ＩｍＲを生成する。そして、非時系列情報算出手段３４１は、フィルタ応答画像列ＩｍＲから、入力画像Ｉｍの各画素に対応するフィルタ応答ベクトルを抽出する。次に、非時系列情報算出手段３４１は、抽出した各フィルタ応答ベクトルに対し、ユークリッド距離で最も近い代表ベクトル（Ｖｃ１〜Ｖｃ４）のクラスを認識し、当該クラスを各フィルタ応答ベクトルに対応する入力画像Ｉｍの画素に割り当てる。図１０（Ａ）は、入力画像Ｉｍの各画素についてクラスを割り当てた画像を示す。図１０（Ａ）の例では、各画素は、当該画素が割り当てられたクラスに応じ、４色により表現されている。

その後、非時系列情報算出手段３４１は、図１０（Ａ）に示すように、クラスに応じた画素値を有する画像から所定サイズの各小領域を抽出し、その中に含まれる各クラスの度数を示すヒストグラムを、当該小領域の中心画素における非時系列特徴量Ｆｖｓに定める。図１０（Ｂ）は、図１０（Ａ）に示す小領域に対応するヒストグラムを示す。図１０（Ｂ）のヒストグラムは、各代表ベクトルＶｃ１〜Ｖｃ４に対応する４つのクラスに対する度数を示している。そして、非時系列情報算出手段３４１は、図１０（Ｂ）に示すヒストグラムを、図１０（Ａ）の小領域の中心画素の非時系列特徴量Ｆｖｓに定める。

［本実施形態の予測システムによる作用・効果］
本実施形態の予測システム１０によれば、情報処理装置３は、１枚の入力画像Ｉｍから得られる時系列での変化に基づかない非時系列特徴量Ｆｖｓと、複数の入力画像Ｉｍから得られる時系列でのターゲット細胞の状態変化に基づく動き特徴量Ｆｖｄとに基づき、ターゲット領域Ｔｔａｇを認識し、その面積を算出する。これにより、情報処理装置３は、ターゲット細胞と他の細胞とを的確に区別し、ターゲット領域Ｔｔａｇの面積を的確に算出することができる。

また、本実施形態では、情報処理装置３は、個々の細胞の候補領域ごとにターゲット細胞か否かを判定する代わりに、単位領域ごとにターゲット細胞か否かを判定している。これにより、情報処理装置３は、ターゲット細胞の密度が高いことに起因して個々のターゲット細胞を認識するのが難しい場合であっても、好適にターゲット領域Ｔｔａｇの面積を算出することができる。

［変形例］
以下では、上記した実施形態の変形例について説明する。なお、下記の変形例は、任意に組み合わせて実施形態に適用することができる。

（変形例１）
図１の予測システム１０の構成は一例であり、本発明が適用可能な構成は、図１に示す構成に限定されない。

例えば、情報処理装置３は、カメラ２から入力画像Ｉｍを直接受信する代わりに、カメラ２が生成した画像を記憶した他の装置や記録媒体を介して入力画像Ｉｍを受信してもよい。また、情報処理装置３は、互いに電気的に接続した複数の端末から構成されていてもよい。この場合、各端末は、それぞれ、割り当てられた処理をするのに必要な情報を、他の端末から受信する。

（変形例２）
図３の説明では、情報処理装置３は、培養完了日時予測手段３４５を有していた。これに代えて、情報処理装置３は、培養完了日時予測手段３４５を有しなくともよい。

この場合、例えば、情報処理装置３は、面積算出手段３４４が算出したターゲット細胞の面積を表示手段３６に表示させる。そして、情報処理装置３のユーザは、表示された面積に基づき、培養完了日時を自ら予測したり、培地１に浸した培養液の量を変更したり、当該培養液の種類を変えたりする。他の例では、情報処理装置３は、電気的に接続した端末からターゲット領域Ｔｔａｇの面積算出の要求信号を入力画像Ｉｍと共に受信し、当該入力画像Ｉｍに基づきターゲット領域Ｔｔａｇの面積を算出してもよい。この場合、情報処理装置３は、ターゲット領域Ｔｔａｇの面積の算出後、算出結果を示す情報を、要求信号の送信元の端末に送信する。

（変形例３）
図５のステップＳ２０２では、情報処理装置３は、図４のステップＳ１０３で機械学習により生成した識別ルールを用いて、各単位領域がターゲット領域Ｔｔａｇであるか否か判定した。これに代えて、情報処理装置３は、学習用の入力画像Ｉｍに基づき算出した非時系列特徴量Ｆｖｓ及び動き特徴量Ｆｖｄに対してユーザが経験則等により指定した閾値を、図５に示す面積算出処理より前に記憶しておいてもよい。この場合、情報処理装置３は、図５のステップＳ２０２において、上述の閾値を用いて各単位領域がターゲット領域Ｔｔａｇであるか否か判定する。

（変形例４）
非時系列情報算出手段３４１は、Ｔｅｘｔｏｎによる特徴量を非時系列特徴量Ｆｖｓとして抽出するのに代えて、又はこれに加えて、ガウスフィルタなどのＴｅｘｔｏｎで用いる種々のフィルタの応答値や、離散フーリエ変換により算出可能な周波数スペクトルを、非時系列特徴量Ｆｖｓとして抽出してもよい。

また、動き情報算出手段３４２は、オプティカルフローの大きさを動き特徴量Ｆｖｄとして算出するのに代えて、又は、これに加えて、連続して取得された２つの入力画像Ｉｍをフレーム間差分（即ち、対応する画素同士で画素値を差分）して得られた画素値を、動き特徴量Ｆｖｄとして算出してもよい。

（変形例５）
コンピュータ装置３は、図４に示す識別ルール生成処理を行うことで識別ルールを生成した。これに代えて、コンピュータ装置３は、識別ルール生成処理を行わず、他の装置が生成した識別ルールを予め記憶してもよい。同様に、コンピュータ装置３は、［非時系列特徴量抽出の例］で述べた前処理を実行せずに、他の装置が算出した各クラスの代表ベクトルを予め記憶してもよい。

１ 培地
２ カメラ
３ 情報処理装置
１０ 予測システム

Claims (6)

1. 培地を撮影した画像から培養中の細胞の面積を算出する情報処理装置であって、
   前記培地を撮影した１枚の画像から、時系列での変化に基づかない非時系列情報を算出する非時系列情報算出手段と、
   前記培地を撮影した複数の画像から動きに関する情報を算出する動き情報算出手段と、
   前記非時系列情報と、前記動きに関する情報とに基づき、前記画像中での前記細胞の領域を認識する領域分類手段と、
   前記領域分類手段が認識した領域の面積を算出する面積算出手段と、
   を有することを特徴とする情報処理装置。
2. 前記培地には、前記培養中の細胞と異なる種類の細胞が存在し、
   前記領域分類手段は、前記異なる種類の細胞の領域を除外した細胞の領域を認識することを特徴とする請求項１に記載の情報処理装置。
3. 前記領域分類手段は、前記非時系列情報と、前記動きに関する情報とに基づき、前記画像の画素ごと又は所定個数の画素ごとに区切られた領域ごとに、前記培養中の細胞の領域であるか否かを判定することを特徴とする請求項１または２に記載の情報処理装置。
4. 前記面積算出手段が算出した面積に基づき、前記培養中の細胞の培養完了日時を予測する培養完了日時予測手段をさらに有することを特徴とする請求項１〜３のいずれか一項に記載の情報処理装置。
5. 培養中の細胞が存在する培地を撮影する撮影手段と、
   前記培地を撮影した１枚の画像から時系列での変化に基づかない非時系列情報を算出する非時系列情報算出手段と、
   前記培地を撮影した複数の画像から動きに関する情報を算出する動き情報算出手段と、
   前記非時系列情報と、前記動きに関する情報とに基づき、前記画像中での前記細胞の領域を認識する領域分類手段と、
   前記領域分類手段が認識した領域の面積を算出する面積算出手段と、
   を有することを特徴とする情報処理システム。
6. 培地を撮影した画像から培養中の細胞の面積を算出する情報処理装置が実行するプログラムであって、
   前記培地を撮影した１枚の画像から時系列での変化に基づかない非時系列情報を算出する非時系列情報算出手段と、
   前記培地を撮影した複数の画像から動きに関する情報を算出する動き情報算出手段と、
   前記非時系列情報と、前記動きに関する情報とに基づき、前記画像中での前記細胞の領域を認識する領域分類手段と、
   前記領域分類手段が認識した領域の面積を算出する面積算出手段
   として前記情報処理装置を機能させることを特徴とするプログラム。