JP2021163483A - 深層学習を利用した判別方法 - Google Patents

Abstract

【課題】深層学習において、教師データの足りない希少な例に関して、教師データ不足を補う方法を提供する。
【解決手段】分類として、ｎ個の分類Ａ及びｍ個の分類Ｘが存在し、分類Ｘが分類Ａよりも相対的に教師データ数が少なく、２つ以上の異なる分類Ａのうちいずれかと共通する特徴を有する入力されたデータの分類を深層学習を利用して判別する方法であって、データを入力するデータ入力工程と、第１の学習済モデルを用いて、入力されたデータが任意の分類Ａ又は当該分類Ａと共通する特徴を有する分類Ｘであるかを判別する初期判別工程と、第１の学習済モデルとは異なる第２の学習済モデルを用いて、入力されたデータが任意の分類Ａであるか、分類Ｘであるかを判別する最終判別工程と、判別工程の判別結果を出力する判別結果出力工程と、を含む。
【選択図】図６

Description

本発明は、深層学習を利用した判別方法に関する。

機械学習の一種である深層学習は、一般的な機械学習が着目するパラメータを指定しなければいけないのに対し、深層学習のプログラム自体が判別のポイントとなる特徴量を学習し、判別性能を向上させていくという手法を採用している。そのため、お手本となるデータ（教師データ）の量と質は非常に重要となる。

画像の判別を行う場合、深層学習を利用することが一般的であり、中でも誤差逆伝搬法という手法を用いるＣｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ（ＣＮＮ）を用いることが一般的である。

誤差逆伝播法を用いる深層学習装置は、ある教師データをニューラルネットワークに入力し、ＣＮＮの出力値と教師データの正解値とに基づいて誤差を計算する。深層学習装置は、ＣＮＮにおける出力層のノードに、計算した誤差を入力し、入力した誤差が小さくなるように出力層のノードに関する重み計数を更新する。その後、深層学習装置は、出力層よりも前に位置する下位層のノードから出力される出力値の誤差が小さくなるように、各層のノードに関する重み計数を更新する処理を繰り返す。この作業は、目的の例に対してどれくらい似ているかを判断するための小さな画像フィルタを複数作っていることに等しく、それらのフィルタを用いて、目的の画像のどの部分をより注意深く見れば判別できるかを学習していることに等しくなる。

深層学習が利用される分野は、従来は大量のデータを処理するような、いわゆるビッグデータ解析と呼ばれる分野に対しての応用が主流だったが、近年は希少な例の判別にも利用しようという試みがなされるようになってきた。希少な例の場合、教師データを十分に集めることができない事が多いため、回転や縮小などによるデータの水増しと呼ばれる技術や、他の学習で用いた学習済みデータを転用する転移学習といった方法が考案され、使用されている。しかし、回転や縮小による水増しは、回転や縮小による誤差をなくしているだけに等しく、根本的な教師データ不足を解消しているわけではない。

深層学習において、教師データの足りない希少な例に関して、教師データ不足を補う方法を提供することにある。

前記課題を解決するためになされた本発明は、以下の発明を包含する：
すなわち本発明の一態様は、
入力されたデータの分類を判別する方法であって、前記分類としてｎ個の分類Ａ、ｍ個の分類Ｘが存在し（ｎは２以上の整数、ｍは１以上の整数、ただしｍ≦ｎＣ２）、前記分類Ｘは前記分類Ａよりも相対的に教師データ数が少なく、前記分類Ｘは２つ以上の異なる、前記分類Ａのうちいずれかと共通する特徴を有している。

入力されたデータの分類を判別する方法として、具体的に以下の工程を有している。
（１）データを入力するデータ入力工程。
（２）第１の学習済モデルを用いて、入力されたデータが任意の分類Ａ又は当該分類Ａと共通する特徴を有する分類Ｘであるかを判別する初期判別工程。
（３）前記第１の学習済モデルとは異なる第２の学習済モデルを用いて、入力されたデータが前記任意の分類Ａであるか、前記分類Ｘであるかを判別する最終判別工程。第２の学習済モデルは、前記任意の分類Ａとは別の前記分類Ｘと共通する特徴を有する分類Ａの教師データの一部又は全部を前記分類Ｘの教師データとして転用していることを特徴とする。
（４）前記判別工程の判別結果を出力する判別結果出力工程。

本発明は、教師データが十分に足りていない希少な例を、教師データ不足を補い、判別精度を上げることが可能となる。

分類Ａが２個、分類Ｘが１個の場合の関係性を表したベン図である。 深層学習における、学習のフローチャートを示した図である。 ３つの分類の判別を１段階の判別で行った場合のツリーを示した図である。 ３つの分類の判別を２段階の判別で行った場合のツリーを示した図である。 判別装置の概略構成の一例を示す機能ブロック図である。 判別装置を用いて本発明の方法を行う場合の流れの一例を示した図である。 分類Ａが３個、分類Ｘが３個ある場合の関係性を表したベン図の一例である。 図７の関係性を持つ分類に関するツリーを示した図である。 分類Ａが３個、分類Ｘが３個ある場合の関係性を表したベン図の別例である。 図９の関係性を持つ分類に関するツリーを示した図である。 実施例として用いた細胞の明視野及び蛍光３種の画像例を示した図である。

以下、本発明の好適な実施形態について、図面を参照しながら説明する。ただし、以下に述べる実施形態は本発明の技術思想を適用した形態の一例であって、本発明が本実施形態の内容により限定されることはない。本発明は１次元のデータでも成り立つが、深層学習は一般的に画像データ（以下、単に画像という場合がある）を用いる場合が多い為、画像を例にして説明する。
（分類Ａと分類Ｘ）
分類Ａは教師データが十分にある分類、分類Ｘは分類Ａよりも相対的に教師データ数が少ない分類のことを指す。分類Ａはｎ個以上（ｎは２以上の整数）、分類Ｘはｍ個以上（ｍは１以上の整数、ただしｍ≦ｎＣ２）存在しており、分類Ｘは２つ以上の異なる、分類Ａのうちいずれかと共通する特徴を有している。図１に、分類Ａが２個、分類Ｘが１個の場合の関係性を表したベン図を示す。分類Ｘ１は、分類Ａ１及び分類Ａ２とそれぞれ異なる共通した特徴（Ｆ１、Ｆ２）を有していることが分かる。分類Ａ１はＦ２が無く、分類Ａ２はＦ１が無いこともわかる。Ｆ１、Ｆ２は特徴の違いであればよく、細胞である、丸い、モノクロであるなどで問題ない。
（深層学習）
図２に、深層学習における、学習のフローチャートを示す。まず、判別したい分類の数だけ学習をするための教師データを取得し（ステップＰ１１）、それを用いて、それぞれの分類の画像を見分ける為の学習済モデルを作成する（ステップＰ１２）。この学習済モデルは、通常どの分類に属しているかを事前に調べられている（以下、ラベル付けという場合がある）が終わっているものである。この学習済モデルというのは、ＣＮＮであれば、学習によって作られた複数枚の画像フィルタと、画像フィルタの画素をどれくらい判断に採用するかという重みづけの値である。本発明ではＣＮＮを前提にして話をするが、類似のことが成り立つ原理であれば、ＣＮＮに限らなくてもよい。

次に判別したいデータ（以下、判別データという場合がある）を取得する（ステップＰ１３）。判別データは、ラベル付けされていなくてよく、どんな画像でも構わないが、実用上は学習済モデルに含まれている分類のうちの何れかに該当するものであることが望ましい。その後、学習済モデルを用いて、取得した判別データを判別する（ステップＰ１４）。この時、判別によって出てくる生データは、各分類のフィルタに対して、どれくらい一致しているかを表す一致度であり、最終的に、判別データはこの一致度が最も高い分類に属していると判断され、その判断結果が出力される（ステップＰ１５）。本説明では、前半の学習済モデルを作成するまでの過程を学習段階、判別用データ取得から結果を出力するまでの過程を判別段階と呼ぶ。
（ツリーモデル）
図３に、分類Ａ１、分類Ａ２、分類Ｘ１の３つの分類の判別を１段階の判別で行った場合のツリーを示す。この場合、判別部において、入力された判別データに分類Ａ１、分類Ａ２、分類Ｘ１の各フィルタを順次適用し、それぞれのフィルタに対して一致度を算出する。そして、最終的に判別した判別データを、一致度が最も高かった分類であると判断する。

分類Ａ２のフィルタを使った場合、分類Ａ２に属するデータと同じ特徴を持つ分類Ｘ１に属するデータの一致度が２番目に高く、分類Ａ２に属するデータと最も特徴が似ていない分類Ａ１に属するデータが最も一致度が低くなる。この時、もし判別データの中に必ず分類Ａ２に属するデータがないとすると、分類Ａ２を学習したフィルタを使って選ばれるものは、必ず分類Ｘ１という事になる。

例えば、分類Ａ１に属するデータと分類Ｘ１に属するデータを教師データとし、学習させたとき、学習装置は分類Ａ１と分類Ｘ１の共通となる項目（領域Ｆ１）をより学習すると考えられる。また、分類Ａ２に属するデータと分類Ｘ１に属するデータを教師データとし、学習させたとき、学習装置は分類Ａ２と分類Ｘ１の共通となる項目（領域Ｆ２）をより学習すると考えられる。

図４に分類Ａ１、分類Ａ２及び分類Ｘ１の３つの分類の判別を２段階の判別で行った場合のツリーを示す。Ｓ１２が後述する初期判別工程、Ｓ１４が最終判別工程を表す。まず、Ｓ１２において分類Ａ１又は分類Ｘ１と、分類Ａ２を判別し、Ｓ１４において分類Ａ１と分類Ｘ１を判別する。Ｓ１２では、判別データが分類Ａ１又は分類Ｘ１であれば、Ｓ１４で判別が行われ、分類Ａ２と判別されれば、そのまま終了となる。Ｓ１４では分類Ａ１又は分類Ｘ１と判断された画像を受け取り、分類Ａ１か分類Ｘ１かを判別して終了となる。
（判別装置）
図５は、本発明に用いることが可能な判別装置１の概略構成の一例を示す機能ブロック図である。判別装置１は、入力部１０、主制御部２０及び表示部３０を備えている。主制御部２０には、判別部４０、学習モデル５０、学習部６０及び判別結果出力部７０を備えている。判別部４０は、第１判別部４１及び第２判別部４２を備えている。また、学習部６０は、判別に用いられる学習済モデルを構築する学習装置として機能し、第１学習部６１及び第２学習部６２を備えている。学習モデル５０には、第１学習済モデル５１及び第２学習済モデル５２が含まれている。

判別装置１は、入力されたデータの分類を判別する装置である。
（入力部）
教師データ入力部１０は、判別対象となる画像の教師データの入力を受け付けるものである。教師データ入力部１１は、記憶媒体に記憶された教師データファイルを読み込むこと、又は有線若しくは無線のネットワークを介して他の装置から画像を受信することによって、上述した画像の入力を受け付ける。教師データ入力部１０は、受け付けた画像を、主制御部２０に送信する。教師データは一度学習し、作成した学習済みデータに問題が無ければずっと使用可能であり、一度学習済モデルが完成してしまえば、以降は新たに入力する必要はない。判別データ入力部１１は、判別対象となる画像の入力を受け付けるものであり、判定したい画像が入力された場合に都度、受け付けた画像を、判別部４０に送信する。
（画像）
教師データ入力部１１には、予め、分類Ａ１、分類Ａ２、分類Ｘ１のうちのいずれのものであるかの情報とラベル付けがなされたデータを入力する。
判別データ入力部１１には、判別データを入力する。この判別データは分類Ａ１、分類Ａ２、分類Ｘ１のいずれに属しているかは特定されておらず、判別部４０によって判別される。

画像は、特定の一つの撮像手法により得られた画像に限られず、複数の撮像手法により得られた画像を組み合わせて用いるものであってもよい。例えば、顕微鏡の観察画像であれば、明視野観察像、暗視野観察像、位相差観察像及び蛍光観察像の中から選択される２以上の観察像を組み合わせて用いることができる。また、複数の画像を組み合わせて用いる場合、複数の画像を合成して一つの画像とすることができる。例えば、重ねあわせ処理を行って一つの画像に合成したものであってもよく、重ねることなくそれぞれを並べて結合し、一つの画像とするものであってもよい。

また、各画像に対しては、前処理として、コントラスト調整及び特定のチャネルに基づいて、別のチャネルを調整することなどを行ってもよい。例えば、特定のチャネルの輝度値を基に、他のチャネルの輝度値を規格化する処理などをおこなってもよい。

画像の対象としては、細胞又は細胞に類似する微粒子が例示できる。
（学習済モデル）
第１判別部４１において用いられる第１学習済モデル５１は、判別装置１の教師データ入力部１０から入力され、教師データ生成部６３で前処理された、第１判別に関する教師データを入力とし、第１学習部６１で構築されるものである。この第１学習済モデルは、具体的には、分類Ａ１と分類Ｘ１に属するデータを教師データとして作られた学習済モデル（フィルタ）と、分類Ａ２に属するデータを教師データとして作られた学習済モデルのセットである。

一方、第２判別部４２において用いられる第２学習済モデル５２は、判別装置１の教師データ入力部１０から入力され、教師データ生成部６３で前処理された、第２判別に関する教師データを入力とし、第２学習部６２で構築されるものである。この第２学習済モデルは、具体的には、分類Ａ１の教師データで作られた学習済モデルと、分類Ｘ１及び分類Ａ２の教師データから作られた学習済モデルのセットである。

第１学習済モデル５１及び第２学習済モデル５２は、それぞれ上述した教師データを用いて、複数の畳み込み層を有するＣＮＮに学習させて構築されたモデルである。
（教師データ生成部）
教師データ生成部６３は、教師データ入力部１０に入力された画像データから、第１学習部６１及び第２学習部６２で使う教師データを作成する。学習に使う教師データは、効率よく学習できるような幾つかの下処理を、状況に応じてこの教師データ生成部６３で行う。例としては、データ数に大きなばらつきがある場合には、入力されたデータ中に存在する数が最も少ない細胞種類のデータ数にあわせる、又は画像の回転及び反転などにより、学習画像枚数を増やすデータ拡張などの操作がある。

学習モデルの項目でも説明した、どの分類の学習済モデルにどの教師画像を適用するかもここで設定することになるが、この機能は状況に応じて学習部の方で行うようなプログラム設定にしてもかまわない。
（第１学習部及び第２学習部）
第１学習部６１は、教師データ生成部６３が生成した教師データを用いて、公知の機械学習の方法により、第１学習済モデル５１を構築する。一方、第２学習部６２は、教師データ生成部６３が生成した第２学習部６２用の教師データを用いて、公知の深層学習の方法により、第２学習済モデル５２を構築する。第１学習部６１及び第２学習部６２は、上述の通り、入力される画像とそれらの情報であるラベルとの対応をＣＮＮに学習させている。

なお、判別装置１とは独立に存在する、第１学習部６１と第２学習部６２と教師データ生成部６３とを含む別の学習装置により、第１学習済モデル５１及び第２学習済モデル５２を構築するものであってもよい。学習装置が判別装置１とは独立に存在する場合には、判別装置１は、記憶媒体に記憶された各学習済モデルを読み込むこと又は有線若しくは無線のネットワークを介して他の装置から各学習済モデルを受信することで、判別装置１において各学習済モデルが利用可能となる。
（第１判別部）
第１判別部４１は、第１学習済モデル５１に判別データを入力し、第１学習済モデル５１の出力結果から、判別データ入力部１１に入力された判別データが分類Ａ１又は分類Ｘ１であるか、分類Ａ２であるかを判別する。具体的には、最も確率が高かったものを判別結果として採用し、分類Ａ１又は分類Ｘ１と判別された場合には第２判別部４２に、分類Ａ２と判別された場合には、その判別結果を判別結果出力部７０に送信する。
（第２判別部）
第２判別部４２は、第１判別部４１において分類Ａ１又は分類Ｘ１を示す画像との判別結果が得られた場合にのみ、第２学習済モデル５２に画像を入力し、第２学習済モデル５２から、分類Ａ１か、分類Ｘ１かを判別する。具体的には、最も確率が高かったものを判別結果として採用する。第２判別部４２は、その判別結果を判別結果出力部７０に送信する。
（表示部）
表示部３０は、判別結果出力部７０から出力される最終的な判別結果を表示する装置である。表示部３０は、最終的な判別結果を画像データ又は文字データとして表示する表示装置である。なお、表示部は、判別装置１に備えられる場合に限らず、判別装置１と接続可能な外部装置として設けられても構わない。
（本発明の方法）
次に、判別装置１を用いて本発明の方法を行う場合の流れの一例を、図６を参照して説明する。

まず、判別部４０が、教師データ入力部１１を介して、ユーザの入力操作により入力された画像を取得する（ステップＳ１１：データ入力工程）。ここで、判別の対象となる画像は、第１学習済モデル５１及び第２学習済モデルの構築に用いられた教師データに含まれる画像と同様の処理操作によって取得されたものである。

次に、第１判別部４１が、第１学習済モデル５１に対して、画像を入力し、第１学習済モデル５１からの出力を取得する。そして、その出力結果から、画像が分類Ａ１又は分類Ｘ１を示すものか、分類Ａ２を示すものであるかを判別する（ステップＳ１２；初期判別工程）。画像が分類Ａ１又は分類Ｘ１を示すとの判別結果となった場合（ステップＳ１３のｙｅｓ）、今度は第２判別部４２が、第２学習済モデル５２に対して、第１学習済モデル５１に入力された画像と同じ画像を入力し、第２学習済モデル５２からの出力を取得する。そして、その出力結果から、画像が分類Ａ１なのか、分類Ｘ１なのかを判別し（ステップＳ１４：最終判別工程）、その判別結果を判別結果出力部７０に送信する。一方、第１判別部４１における判別で画像が分類Ａ２を示すとの判別結果となった場合（ステップＳ１３のｎｏ）、その判別結果を判別結果出力部７０に送信する。判別結果出力部７０は、第２判別部４２から判別結果が送られてきた場合には、第２判別部４２からの判別結果を表示部３０に出力し、第１判別部４１から画像が分類Ａ２であるとの判別結果が送られてきた場合には、第１判別部４１からの判別結果を、表示部３０に出力する（ステップＳ１５；判別結果出力工程）。

上記の通り、判別装置１を用いた判別処理では、２段階の判別ステップによって、画像の判別を行っている。これにより、目的の分類Ｘ１の教師データ不足を分類Ａ２の教師データをうまく利用して、学習精度を落とすことなく学習精度を向上させることができる。分類Ａ２の教師データは、分類Ｘ１の教師データ不足を補うことが目的であるため、分類Ａ１、Ａ２の教師データ数と同等になるようにその一部又は全部を転用すればよい。
（本発明の方法２）
分類Ａが３個（分類Ａ１、Ａ２、Ａ３）、分類Ｘが３個（分類Ｘ１、Ｘ２、Ｘ３）ある場合の本発明の適用例を説明する。例えば、各分類には図７のベン図で表されるような関係性があるとする。この場合、図８のような判定のツリーが適切であると考えられる。
ステップＳ２１で、分類Ａ１又は分類Ｘ１、分類Ａ２又は分類Ｘ２、分類Ａ３又は分類Ｘ３の判別を行う（初期判別工程）。

次に、ステップＳ２２で分類Ａ１と分類Ｘ１の判別を行うが（第１の最終判別工程）、この際に分類Ｘ１と似た特徴を持つ分類Ａ２の教師データを分類Ｘ１の教師データとして転用することができるため、分類Ｘ１の学習段階において、教師データ不足による精度低下は起こらなくなる。

また、ステップＳ２３で分類Ａ２と分類Ｘ２の判別を行うが（第２の最終判別工程）、この際に分類Ｘ２と似た特徴を持つ分類Ａ３の教師データを分類Ｘ２の教師データとして転用することができる。

同様に、ステップＳ２４で分類Ａ３と分類Ｘ３の判別を行うが（第３の最終判別工程）、分類Ｘ３と似た特徴を持つ分類Ａ１の教師データを分類Ｘ３の教師データとして転用することができる。

また、図９のベン図のような、さらに分類Ｘ１と分類Ｘ３においても共通の特徴を持つような場合は、図１０のような判定のツリーの方が適切であると考えられる。
ステップＳ３１で、分類Ａ１又は分類Ｘ１又は分類Ｘ３、分類Ａ２又は分類Ｘ２、分類Ａ３の判別を行う（初期判別工程）。

次に、ステップＳ３２で分類Ａ１又は分類Ｘ１と、分類Ｘ３の判別を行うが（中間判別工程）、分類Ｘ３の学習過程において、分類Ａ３の教師データを転用することで、教師データ不足を解消することができる。なお、分類Ａ１と類似する分類Ｘが３つ以上（分類Ｘ１、Ｘ２、Ｘ３）ある場合、分類Ａ１又は分類Ｘ１と分類Ｘ２又はＸ３とに判別してもよいし、分類Ａ１又は分類Ｘ１又は分類Ｘ２と分類Ｘ３とに判別し、次に分類Ａ１又は分類Ｘ１と分類Ｘ３とに判別するというように、分類Ａ１と類似する分類Ｘが１つになるまで判別工程を繰り返してもよい。いずれの場合であっても、ステップの数だけ学習済モデルが必要になるため、学習部及び判別部もそれに応じて増やす必要がある。

ステップＳ３３で、分類Ａ１と分類Ｘ１の判別を行うが（第１の最終判別工程）、分類Ｘ１の学習過程において、教師データに分類Ａ２の教師データを転用することで、分類Ｘ１の教師データ不足を解消することができる。

ステップＳ３４で、分類Ａ２と分類Ｘ２の判別を行うが（第２の最終判別工程）、分類Ｘ２の教師データに分類Ａ３の教師データを入れることで、分類Ｘ２の教師データ不足を解決することができる。

上記の記述は、あくまでも、分類する数や判断する段数が増えた場合の一例であって、実際の判定における共通する特徴の性質によって、転用する分類Ａ及び多段化する数は複雑化しても良い。
（ソフトウェアによる実現例）
判別装置１の制御ブロック（主制御部２０、特に判別部４０、学習部６０及び判別結果出力部７０）は、集積回路（ＩＣチップ）等に形成された論理回路（ハードウェア）によって実現してもよいし、ソフトウェアによって実現してもよい。

後者の場合、判別装置１は、各機能を実現するソフトウェアであるプログラムの命令を実行するコンピュータを備えている。このコンピュータは、例えば少なくとも１つのプロセッサ（制御装置）を備えていると共に、上記プログラムを記憶したコンピュータ読み取り可能な少なくとも１つの記録媒体を備えている。そして、上記コンピュータにおいて、上記プロセッサが上記プログラムを上記記録媒体から読み取って実行することにより、本発明の目的が達成される。上記プロセッサとしては、例えばＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）又はＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）を用いることができる。上記記録媒体としては、「一時的でない有形の媒体」、例えば、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）等の他、テープ、ディスク、カード、半導体メモリ、プログラマブルな論理回路などを用いることができる。また、上記プログラムを展開するＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）などをさらに備えていてもよい。また、上記プログラムは、該プログラムを伝送可能な任意の伝送媒体（通信ネットワークや放送波等）を介して上記コンピュータに供給されてもよい。なお、本発明の一態様は、上記プログラムが電子的な伝送によって具現化された、搬送波に埋め込まれたデータ信号の形態でも実現され得る。

希少細胞の一つであるＣＫ陽性血中循環ガン細胞（以下、ＣＫ陽性ＣＴＣ）と、ＣＫ陽性ＣＴＣに類似する特徴を持つが、サンプル画像が比較的多く手に入るＣＫ陰性血中循環がん細胞（ＣＫ陰性ＣＴＣ）、細胞に似ているがＣＫのみ光るゴミ（以下、ＣＫ陽性ゴミ）との判別に、本発明を適用した結果を示す。使用した学習データ画像および判別データの撮影条件は、シリコン基板上に３０ミクロンのウェル構造を作成し、このウェル内に対象の細胞またはゴミを入れ、蛍光顕微鏡を用いて明視野画像及び蛍光３色の合計４枚の画像を観察し、この４枚の画像群を１セット（１枚ごとの画像のサイズは６４×６４ピクセル）として深層学習の判別に使用した。この蛍光観察は、ＣＫ（上皮間葉転換の可否を示すマーカー）、ＤＡＰＩ（細胞の核を染めるマーカー）、ＣＤ４５（白血球か否かを判断するマーカー）の蛍光発光を測定しており、その輝度値を元に、事前に専門家の手でそれぞれの分類とラベル付けを行った。分類Ｘ１には、ＤＡＰＩとＣＫが陽性で、ＣＤ４５が陰性となるＣＫ陽性ＣＴＣを割り当て、分類Ａ１にはＤＡＰＩのみ陽性で、ＣＫ及びＣＤ４５が陰性となるＣＫ陰性ＣＴＣ、分類Ａ２にはＣＫのみ陽性で、ＤＡＰＩとＣＫが陰性であるＣＫ陽性ゴミの画像を当てはめた。図１１にそれぞれの細胞の画像例及び、分類の対応関係を示す。

学習及び判別プログラムは、プログラム言語Ｐｙｔｈｏｎで作成し、プリファードネットワーク社が開発した深層学習のライブラリを利用して図４のツリーで示した機能を持つ２段階判別プログラムを独自に構築し、学習及び判別を行った。本発明の画像判別手法の性能を比較するために、本検討に使用した判別プログラムは、学習データの枚数と質以外はすべて条件を変更せず、同じパラメータを用いて判別した。また、２段階判別法と比較をするために作成した、図３のツリーと同等の１段階判別プログラムでの検討も行ったが、その際においても、２段階と１段階の差となるソースコードの部分を除いて、プログラムの内容及びパラメータはすべて同じ条件で検討した。

使用したデータの枚数は、分類Ａ１及び分類Ａ２は２００枚、分類Ｘ１は１１０枚使用した。分類Ａ１及び分類Ａ２に関しては、学習用に１００枚、判別用に１００枚に分け、分類Ｘ１については学習用に１０枚、判別用に１００枚を利用した。判別のばらつきを把握するため、上記の検討は学習用画像と判別用画像に分ける所から判別するところまでを３回行い、平均値と誤差を算出した。この３回の学習及び判定において、学習用画像と判別用画像の組み合わせが毎回異なるように調整した。この判別結果を表１に示す。

表１の（１）の列の結果が１段判別の結果であり、（２）の列の結果が本発明のデータ転用法を用いていない２段階判別の結果であり、（３）の列が本発明のデータ転用法を用いた結果である。本発明を利用したことにより、１段階判別では４４．０±７．９％、学習データの転用無しの２段階判別が２７．３±３．８％であった正答率（陽性的中率）が、７１．７±２．１％まで上昇した。これは、１段階の判別法及び本発明を使用しない２段階の判別法においては、分類Ｘ１の画像が１０枚しかなく、他の細胞との違いとなる特徴を上手く学習する事があまり出来なかったが、本発明を利用する事によって学習用のデータが１１０枚に増え、さらに共通する特徴であるＤＡＰＩが陽性であるという点をより重点的に学習し、判別結果が向上した。

１ 判別装置
１０ 教師データ入力部
１１ 判別データ入力部
２０ 主制御部
３０ 表示部
４０ 判別部
４１ 第１判別部
４２ 第２判別部
５０ 学習モデル
５１ 第１学習済モデル
５２ 第２学習済モデル
６０ 学習部（学習装置）
６１ 第１学習部
６２ 第２学習部
６３ 教師データ生成部
７０ 判別結果出力部

Claims (5)

1. 入力されたデータの分類を判別する方法であって、
   前記分類としてｎ個の分類Ａ、ｍ個の分類Ｘが存在し（ｎは２以上の整数、ｍは１以上の整数、ただしｍ≦ｎＣ２）、
   前記分類Ｘは前記分類Ａよりも相対的に教師データ数が少なく、
   前記分類Ｘは２つ以上の異なる、前記分類Ａのうちいずれかと共通する特徴を有し、
   前記方法は、
   データを入力するデータ入力工程と、
   第１の学習済モデルを用いて、入力されたデータが任意の分類Ａ又は当該分類Ａと共通する特徴を有する分類Ｘであるかを判別する初期判別工程と、
   前記第１の学習済モデルとは異なる第２の学習済モデルを用いて、入力されたデータが前記任意の分類Ａであるか、前記分類Ｘであるかを判別する最終判別工程と、
   前記判別工程の判別結果を出力する判別結果出力工程と、
   を含んでなり、
   前記第２の学習済モデルが前記任意の分類Ａとは別の前記分類Ｘと共通する特徴を有する分類Ａの教師データの一部又は全部を前記分類Ｘの教師データとして転用していることを特徴とする前記方法。
2. 初期判別工程において、任意の分類Ａと共通する特徴を有する分類Ｘが２以上ある場合に、
   最終判別工程前に、第１の学習済モデルとは異なる学習済モデルを用いて、前記分類Ｘのうちいずれか１つとそれ以外の分類とを判別する中間判別工程を、前記任意の分類Ａと共通する特徴を有する前記分類Ｘが１つになるまで繰り返し、
   前記異なる学習済モデルが前記任意の分類Ａとは別の前記分類Ｘと共通する特徴を有する
   分類Ａの教師データの一部又は全部を当該分類Ｘの教師データとして転用していることを特徴とする請求項１に記載の方法。
3. 初期判別工程において、任意の分類Ａと共通する特徴を有する分類Ｘが２以上ある場合に、
   最終判別工程前に、第１の学習済モデルとは異なる学習済モデルを用いて、前記任意の分類Ａ又は前記分類Ｘのうちいずれか１つとそれ以外の分類Ｘとを判別する中間判別工程を、さらに有し、
   前記異なる学習済モデルが前記任意の分類Ａとは別の前記それ以外の分類Ｘと共通する特徴を有する分類Ａの教師データの一部又は全部を当該それ以外の分類Ｘの教師データとして転用していることを特徴とする請求項１に記載の方法。
4. データが画像であり、学習の方法が畳み込みニューラルネットワークであることを特徴とする請求項１〜３のいずれかに記載の方法。
5. 画像が細胞又は細胞に類似する微粒子の明視野画像又は蛍光画像であることを特徴とする請求項４に記載の方法。

Images