JP2022174740A - 学習支援システムおよび学習支援方法 - Google Patents

Abstract

【課題】既存の学習済モデルを用いて転移学習を行う際に、転移学習に適した学習済モデルの選択を容易化することが可能な学習支援システムおよび学習支援方法を提供する。【解決手段】この学習支援システム１００は、表示部２１と、複数の学習済モデル５０と、複数の学習済モデル５０の各々の学習内容に関する情報６０とを記憶する記憶部１２と、複数の学習済モデル５０のうちから、転移学習の処理に供する少なくとも１つの学習対象の選択を受け付ける制御部１１と、を備える。制御部１１は、複数の学習済モデル５０を、複数の学習済モデル５０の各々の学習内容に関する情報６０とともに選択可能に表示する選択受付画面１１０を表示部２１に表示させる制御を行う。【選択図】図１

Description

本発明は、学習支援システムおよび学習支援方法に関する。

従来、機械学習により作成された学習済モデルを用いて画像に対して画像処理を行う技術が開示されている（たとえば、特許文献１参照）。

上記特許文献１では、ホログラフィック顕微鏡で取得されたホログラムデータに基づいて作成される細胞画像に対して、機械学習により作成された学習済モデルを用いて、細胞に関連するセグメンテーション処理を行う技術が開示されている。機械学習は、実測により得られた細胞画像と、その細胞画像における領域（セグメンテーションによって区分すべき領域）を異なる表示色等で区分けして表した正解画像とが、学習データとして用いられる。

再公表特許ＷＯ２０１９／１７１４５３号

上記特許文献１には開示されていないが、機械学習を効率的に行う手法として、転移学習またはファインチューニングと呼ばれる学習手法が知られている。転移学習は、これから学習させたい学習データとは異なるデータによって事前に学習された学習済モデルに対して、学習データによる機械学習を行う手法である。この学習手法では、事前学習による学習の成果を機械学習に適用（転用）することによって、無学習の状態から学習を開始する場合と比較して学習効率を向上させることが期待される。研究開発等の過程では様々な学習済モデルが作成されることがあるため、過去に作成された学習済モデルを転移学習用の資源として活用できる点にもメリットがある。

しかし、学習済モデルの事前学習の学習内容によっては、転移学習による学習結果に差異が生じる。たとえば事前学習の学習内容が、転移学習による学習内容と乖離する場合、学習内容が近い場合と比べて学習済モデルの性能が低下したり、学習効率が低下したりすることがある。しかし、転移学習を行う際に、既存の学習済モデルの学習内容を１つ１つ調査することは煩雑であるため、転移学習に用いるのに適した学習済モデルの選択が困難であるという課題がある。

この発明は、上記のような課題を解決するためになされたものであり、この発明の１つの目的は、既存の学習済モデルを用いて転移学習を行う際に、転移学習に適した学習済モデルの選択を容易化することが可能な学習支援システムおよび学習支援方法を提供することである。

上記目的を達成するために、この発明の第１の局面における学習支援システムは、既存の学習済モデルに対して、細胞画像に対する画像処理の転移学習を行うための学習支援システムであって、表示部と、複数の学習済モデルと、複数の学習済モデルの各々の学習内容に関する情報とを記憶する記憶部と、複数の学習済モデルのうちから、転移学習の処理に供する少なくとも１つの学習対象の選択を受け付ける制御部と、を備え、制御部は、複数の学習済モデルを、複数の学習済モデルの各々の学習内容に関する情報とともに選択可能に表示する選択受付画面を表示部に表示させる制御を行う。

この発明の第２の局面における、学習支援方法は、既存の学習済モデルに対して、細胞画像に対する画像処理の転移学習を行うための学習支援方法であって、複数の学習済モデルと、複数の学習済モデルの各々の学習内容に関する情報とを取得するステップと、複数の学習済モデルを、複数の学習済モデルの各々の学習内容に関する情報とともに選択可能に表示する選択受付画面を表示するステップと、選択受付画面に表示された複数の学習済モデルのうちから、転移学習の処理に供する少なくとも１つの学習対象の選択を受け付けるステップと、を備える。

この発明の第３の局面における学習支援システムは、既存の学習済モデルに対して、画像に対する画像処理の転移学習を行うための学習支援システムであって、表示部と、複数の学習済モデルと、複数の学習済モデルの各々の学習内容に関する情報とを記憶する記憶部と、複数の学習済モデルのうちから、転移学習の処理に供する少なくとも１つの学習対象の選択を受け付ける制御部と、を備え、制御部は、複数の学習済モデルを、複数の学習済モデルの各々の学習内容に関する情報とともに選択可能に表示する選択受付画面を表示部に表示させる制御を行う。

なお、転移学習とファインチューニングとは、厳密な定義は異なるが、事前に学習された学習済モデルに対して機械学習を行う手法である点で共通する。そのため、本明細書における「転移学習」は、ファインチューニングを含む広い概念を意味するものとする。

上記第１の局面における学習支援システム、第２の局面おける学習支援方法、および第３の局面における学習支援システムでは、複数の学習済モデルを、複数の学習済モデルの各々の学習内容に関する情報とともに選択可能に表示する選択受付画面を表示させる。これにより、転移学習に用いる学習済モデルを選択する際、ユーザは、選択受付画面において、複数の学習済モデルの学習内容に関する情報を対比することができる。対比により、ユーザは、これから実施する転移学習の学習内容に近い事前学習が行われている学習済モデルを、容易に把握できる。その結果、既存の学習済モデルを用いて転移学習を行う際に、転移学習に適した学習済モデルの選択を容易化することができる。

第１実施形態による学習支援システムの概要を説明するためのブロック図である。 撮像部およびコンピュータの構成を説明するためのブロック図である。 サーバの構成を説明するためのブロック図である。 学習済みモデルによる画像処理の一例を示した図である。 画像処理される細胞画像と、画像処理後の処理画像とを示した模式図である。 通常の機械学習（事前学習）を説明するための模式図である。 転移学習を説明するための模式図である。 選択受付画面の一例を説明するための図である。 選択受付画面に代表画像を表示している状態を示した図である。 選択受付画面に学習曲線のグラフと、学習対象に推薦される学習済モデルとを表示している状態を示した図である。 学習支援システムの学習処理の流れを説明するためのフロー図である。 データセット登録画面の一例を示した図である。 学習設定画面の一例を示した図である。 学習結果画面の一例を示した図である。 学習モデル表示画面の一例を示した図である。 第２実施形態による学習支援システムの概要を説明するためのブロック図である。 画像処理されるＸ線画像（Ａ）と、画像処理後の処理画像（Ｂ）とを示した模式図である。 事前学習と転移学習とを説明するための模式図である。 画像処理されるＸ線画像（Ａ）と、実施例による画像処理後の処理画像（Ｂ）と、比較例による画像処理後の処理画像（Ｃ）と、を示した模式図である。 学習支援システムの第１の変形例を示したブロック図である。 学習支援システムの第２の変形例を示したブロック図である。

以下、本発明を具体化した実施形態を図面に基づいて説明する。

［第１実施形態］
図１～図１０を参照して、第１実施形態による学習支援システムの構成および学習支援方法について説明する。

（学習支援システム）
図１に示す学習支援システム１００は、既存の学習済モデル５０に対して、細胞画像８１に対する画像処理の転移学習を行うための学習支援システムである。具体的には、学習支援システム１００は、ユーザが転移学習に用いる学習済モデル５０を選択する際に、選択を容易化することが可能な情報提供を行うシステムである。

転移学習は、学習支援システム１００が実行してもよいし、学習支援システム１００と組み合わせて利用される学習システムが実行してもよい。第１実施形態では、学習支援システム１００は、既存の学習済モデル５０に対して、細胞画像８１に対する画像処理の転移学習を行う機能を備えており、学習システムとしても機能する。

既存の学習済モデル５０から、転移学習によって生成された学習済モデル（以下、転移学習済モデル５５という、図３参照）は、細胞画像８１に対する画像処理に用いられる。

転移学習済モデル５５（図３参照）を用いた画像処理は、学習支援システム１００が実行してもよいし、学習支援システム１００と組み合わせて利用される画像処理システムが実行してもよい。第１実施形態では、学習支援システム１００は、転移学習済モデル５５を用いて細胞画像８１に対する画像処理を行う機能を備えており、画像処理システムとしても機能する。

学習支援システム１００は、少なくとも、表示部２１と、記憶部１２と、制御部１１と、を備えている。

表示部２１は、学習支援システム１００のユーザに対して情報表示を行う。表示部２１は、たとえば液晶表示装置である。表示部２１は、エレクトロルミネッセンス表示装置、プロジェクタ、ヘッドマウントディスプレイなどでありうる。

記憶部１２は、情報を記憶する装置である。記憶部１２は、複数の学習済モデル５０と、複数の学習済モデル５０の各々の学習内容に関する情報６０とを記憶する。記憶部１２は、不揮発性記憶装置を含む。不揮発性記憶装置は、たとえば、ハードディスクドライブ、ソリッドステートドライブなどである。

制御部１１は、複数の学習済モデル５０のうちから、転移学習の処理に供する少なくとも１つの学習対象の選択を受け付けるように構成されている。選択を受け付けた学習済モデル５０について、転移学習が実行される。制御部１１は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）、ＡＳＩＣ（Ａｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）などのプロセッサを含む。プロセッサが、所定のプログラムを実行することにより、学習支援システム１００の制御部１１としての演算処理が行われる。

制御部１１は、複数の学習済モデル５０を、複数の学習済モデル５０の各々の学習内容に関する情報６０とともに選択可能に表示する選択受付画面１１０を表示部２１に表示させる制御を行うように構成されている。学習支援システム１００のユーザは、表示部２１から、選択受付画面１１０に表示された情報を取得する。ユーザは、選択受付画面１１０において、転移学習の処理に供する少なくとも１つの学習対象の選択を実行する。

図１では、クライアントサーバモデルで構築された学習支援システム１００の例を示している。学習支援システム１００は、サーバ１０と、コンピュータ２０と、撮像装置３０とを含む。サーバ１０と、コンピュータ２０と、撮像装置３０とは、ネットワーク４０を介して相互に通信可能に接続されている。

図１の構成例では、表示部２１は、コンピュータ２０に接続された表示装置であり、コンピュータ２０の制御の下、画面表示を行う。制御部１１および記憶部１２は、サーバ１０に設けられている。

コンピュータ２０は、ユーザが操作するクライアント端末であり、サーバ１０に対して各種処理の要求を送信する。コンピュータ２０は、撮像装置３０により撮像された細胞画像８１を撮像装置３０から取得し、取得した細胞画像８１を表示部２１に表示することができる。コンピュータ２０（および表示部２１）は、学習支援システム１００において１つまたは複数設けられ得る。

サーバ１０は、コンピュータ２０からのリクエスト（処理要求）に応じて、各種の情報処理を行う。

サーバ１０（制御部１１）は、コンピュータ２０からのリクエストに応じて、選択受付画面１１０を表示するための情報を生成し、コンピュータ２０へ送信する。情報を受信したコンピュータ２０が、表示部２１に選択受付画面１１０を表示させる。

サーバ１０（制御部１１）は、コンピュータ２０からの学習済モデル５０の選択に応じて、選択された学習済モデル５０に対して、転移学習の処理を行う。転移学習の処理の結果、サーバ１０（制御部１１）は、転移学習済モデル５５を作成する。

サーバ１０（制御部１１）は、コンピュータ２０からのリクエストに応じて、細胞画像８１に対して、転移学習済モデル５５を用いた画像処理を行う。画像処理の結果、サーバ１０（制御部１１）は、細胞画像８１の処理画像８２を生成する。サーバ１０（制御部１１）は、生成した処理画像８２をコンピュータ２０へ送信する。情報を受信したコンピュータ２０が、表示部２１に処理画像８２を表示させる。

撮像装置３０は、細胞を撮像した細胞画像８１を生成する。撮像装置３０は、ネットワーク４０を介して、コンピュータ２０および／またはサーバ１０に、生成した細胞画像８１を送信できる。細胞画像８１は、たとえば、細胞培養器具を用いて培養された培養細胞の画像である。撮像される細胞画像８１は、顕微鏡画像である。撮像装置３０は、明視野観察法、暗視野観察法、位相差観察法、微分干渉観察法などの撮影方法による画像化を行う。撮影方法に応じて、１種または複数種の撮像装置３０が用いられる。学習支援システム１００には、１つまたは複数の撮像装置３０が設けられ得る。

ネットワーク４０は、サーバ１０と、コンピュータ２０と、撮像装置３０とを相互に通信可能に接続する。ネットワーク４０は、たとえば施設内に構築されたＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）でありうる。ネットワーク４０は、たとえばインターネットでありうる。ネットワーク４０がインターネットである場合、学習支援システム１００は、クラウドコンピューティングの形態で構築されるシステムでありうる。

（学習支援システムの具体的な装置構成）
次に、学習支援システム１００の具体的な装置構成の一例について説明する。

図２に示す撮像装置３０は、インライン型ホログラフィック顕微鏡である。撮像装置３０は、レーザダイオードなどを含む光源部３１とイメージセンサ３２とを備える。撮像時には、光源部３１とイメージセンサ３２との間に、細胞コロニー（又は細胞単体）３４を含む培養プレート３３が配置される。撮像装置３０は、細胞画像８１であるＩＨＭ（Ｉｎ－ｌｉｎｅ Ｈｏｌｏｇｒａｐｈｉｃ Ｍｉｃｒｏｓｃｏｐｙ）位相像を生成する。

コンピュータ２０は、プロセッサ２２と、記憶部２３と、表示部２１と、ユーザーインターフェイスである入力部２４と、を備える。入力部２４は、マウス、キーボードなどの入力装置を含む。

プロセッサ２２は、記憶部２３に記憶されたプログラムを実行することにより、撮像装置３０の動作を制御するとともに撮像装置３０で取得されたデータを処理するように構成されている。プロセッサ２２は、撮像制御部２２ａと、細胞画像作成部２２ｂとを機能ブロックとして含む。

プロセッサ２２は、ユーザにより細胞コロニー３４を含む培養プレート３３が撮像装置３０の所定位置にセットされ、入力部２４を介して所定の操作を受け付けると、撮像制御部２２ａにより撮像装置３０を制御してホログラムデータを取得する。

撮像装置３０は、撮像制御部２２ａの制御に基づいて、光源部３１からコヒーレント光を照射させる。撮像装置３０は、培養プレート３３および細胞コロニー３４を透過した光と、培養プレート３３上で細胞コロニー３４の近傍領域を透過した光との干渉縞による像を、イメージセンサ３２により取得する。イメージセンサ３２は、ホログラムデータ（検出面上に形成されたホログラムの２次元的な光強度分布データ）を取得する。

細胞画像作成部２２ｂは、撮像装置３０により取得されたホログラムデータに対して、位相回復のための演算処理を実行することにより、位相情報を算出する。そして、細胞画像作成部２２ｂは、算出された位相情報に基づいてＩＨＭ位相像（細胞画像８１）を作成する。位相情報の算出やＩＨＭ位相像の作成手法は、公知の技術を利用することができるので、詳細な説明を省略する。

作成された細胞画像８１は、記憶部２３に記憶される。また、作成された細胞画像８１は、プロセッサ２２により、サーバ１０（図１参照）に送信される。

（サーバ）
図３に示すように、サーバ１０の制御部１１は、学習部１１ａと、画面生成部１１ｂと、画像処理部１１ｃとを機能ブロックとして含む。サーバ１０の記憶部１２には、制御部１１が実行するためのソフトウェア（プログラム）７０と、学習済モデル５０と、学習済モデル５０の学習内容に関する情報６０と、各種の画像データ８０と、が記憶されている。

記憶部１２は、事前学習によって作成された複数の学習済モデル５０を記憶している。また、記憶部１２は、転移学習によって作成された転移学習済モデル５５も記憶する。記憶部１２は、撮像装置３０によって撮影された複数の細胞画像８１を記憶している。たとえば、撮像装置３０によって撮影された全ての細胞画像８１が、自動的にサーバ１０に送信され、記憶部１２に記憶される。同様に、記憶部１２は、細胞画像８１から作成された教師ラベル画像８６ｂを、元になった細胞画像８１（入力画像８６ａ）と関連付けて記憶する。機械学習（事前学習または転移学習）の実行時には、ユーザによって、記憶部１２に記憶された画像データ８０のうちから、学習データセットに含める入力画像８６ａおよび教師ラベル画像８６ｂが選択される。記憶部１２は、画像処理部１１ｃにより、いずれかの学習済モデル（学習済モデル５０または転移学習済モデル５５）を用いて画像処理が行われた処理画像８２についても記憶する。

記憶部１２は、学習済モデル５０の学習内容に関する情報６０を、学習済モデル５０および／または学習データ８６に関連付けて記憶している。学習内容に関する情報６０の一部は、たとえば、学習データ８６として利用された細胞画像８１に付与されたメタデータでありうる。そのような情報は、細胞画像８１の生成時に、画像ファイルに自動的に付与されるか、またはユーザによって画像ファイルに記録されることにより、細胞画像８１のデータの一部として記憶部１２に記憶される。学習内容に関する情報６０の一部は、たとえば、学習済モデル５０のデータファイルに付与されたメタデータであって、事前学習の実行時に生成またはユーザによって登録されうる。学習内容に関する情報６０には、たとえば、培養条件に関わる情報６１、細胞画像８１の撮影条件の情報６２、学習済モデル５０の性能評価指標６３、を含む。これらの学習内容に関する情報６０の詳細については、後述する。

〈学習部〉
学習部１１ａは、記憶部１２に記憶された画像データ８０を用いて、機械学習を行うように構成されている。学習部１１ａは、未学習の学習モデル５１（図６参照）に対する機械学習（事前学習）の処理（図６参照）と、事前学習された既存の学習済モデル５０に対する機械学習（転移学習）の処理（図７参照）と、を行う。

図４に示すように、学習済モデル５０（図３参照）および転移学習済モデル５５は、いずれも、機械学習により、入力された画像（細胞画像８１、入力画像）に対して画像処理を施すことにより処理画像８２を出力するように構成される。

第１実施形態では、画像処理は、細胞画像８１のセグメンテーション処理を含む。本明細書において、「セグメンテーション処理」とは、入力画像を複数の領域に分割する処理であって、検出対象が写る領域にその検出対象を示すラベルを付与することにより、入力画像を複数のラベル領域に区分する処理である。ラベルは、画像部分が示す意味を表す情報である。ラベル領域とは、画像中で共通のラベルが付与された画素群によって構成される領域（画像の一部分）である。

図５に示すように、学習済モデル５０は、入力された細胞画像８１に対してセグメンテーション処理を行い、複数のラベル領域に分割した処理画像８２を出力する。セグメンテーションは、画像中の１画素毎にラベルを付与することにより行われる。ラベルは、複数画素のまとまり（画素群）を単位として付与されてもよい。ラベルの種類のことを、クラスという。

図５では、セグメンテーション処理の一例として、細胞画像８１の画像領域を、「細胞骨格」の領域と、「細胞核」の領域と、の２クラスに領域分割する例を示す。図示は省略するが、セグメンテーション処理の他の例は、たとえばｉＰＳ細胞やＥＳ細胞などの多能性幹細胞の画像（細胞画像）を、多能性を維持した細胞である「未分化細胞」領域、未分化状態を逸脱した細胞（分化が開始した細胞または分化しそうな細胞）である「未分化逸脱細胞」領域と、それら以外の「背景」領域と、の３クラスに領域分割する。このように、セグメンテーション処理では、作成される学習済モデル（転移学習済モデル５５）の利用用途に応じて、クラス数や検出するラベル内容が異なりうる。

図６に示すように、学習済みモデルの機械学習法として、全層畳み込みニューラルネットワーク（ＦｕｌｌｙＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｔｗｏｒｋｓ；ＦＣＮ）、ニューラルネットワーク、サポートベクターマシン（ＳＶＭ）、ブースティング等の任意の手法を用いることができる。学習済モデル５０には、一例として、セマンティックセグメンテーションに頻用される畳み込みニューラルネットワークが用いられる。そのような学習済モデル５０は、画像が入力される入力層、畳み込み層（中間層）、出力層を含んで構成される。

学習部１１ａは、記憶部１２に記憶された画像データ８０のうちから、学習用データセットを取得する。学習用データセットは、十分な数の学習データ８６を含んで構成される。個々の学習データ８６は、処理の対象となる入力画像８６ａと、教師ラベル画像８６ｂと、を含む。入力画像８６ａは、図５に示した細胞画像８１と同様であり、機械学習用に選択された細胞画像８１である。教師ラベル画像８６ｂは、入力画像８６ａに対する処理の結果、出力されるべき正解画像である。教師ラベル画像８６ｂは、図５に示した処理画像８２と同様の画像であり、機械学習用に予め作成されて記憶部１２に記憶される。記憶部１２に記憶された画像データ８０のうち、学習用データセットにどの画像を用いるかは、ユーザによって選択される。

学習部１１ａは、学習モデル５１または学習済モデル５０に、入力画像８６ａを入力とし、教師ラベル画像８６ｂを出力として、入力画像８６ａから教師ラベル画像８６ｂへの変換処理（セグメンテーション処理）を学習させる。機械学習を行うことにより、セグメンテーション処理が可能な学習済モデル５０が生成される。

図６に示すように、事前学習においては、未学習の学習モデル５１に対して、第１の学習データセット８５ａを用いて機械学習が行われる。学習の結果、学習済モデル５０が作成される。作成された学習済モデル５０は、少なくとも中間層のパラメータが学習前から変化している。つまり、複数の学習データ８６を用いた機械学習によって、中間層のパラメータの値が調整される。

図７に示すように、転移学習においては、事前学習によって作成された学習済モデル５０に対して、第２の学習データセット８５ｂを用いて機械学習が行われる。学習の結果、転移学習済モデル５５（図３参照）が作成される。第２の学習データセット８５ｂと第１の学習データセット８５ａとは、互いに異なる。つまり、第１の学習データセット８５ａに含まれる複数の学習データ８６と、第２の学習データセット８５ｂに含まれる複数の学習データ８６とは、少なくとも一部が異なる。また、転移学習において、学習すべき画像処理の内容が、事前学習とは異なっていてもよい。たとえば多能性幹細胞の画像（細胞画像）に対して、「未分化細胞」領域と「未分化逸脱細胞」領域と、「背景」領域との３クラスのセグメンテーション処理を学習させた学習済モデル５０に対して、「細胞骨格」領域と、「細胞核」領域と、の２クラスのセグメンテーション処理を転移学習させてもよい。

転移学習では、事前学習によって予め調整済みの中間層のパラメータを前提として、事前学習とは異なる学習データセット８５ｂを用いて中間層のパラメータの再調整が行われることになる。このため、事前学習の学習内容と、転移学習の学習内容とに応じて、学習効率や学習成果に差異が生じる。概念的には、事前学習の学習データが属する母集団と、転移学習の学習データが属する母集団とが、近似しているほど、学習内容の重複する部分が多くなる。そのため、学習内容が近似しているほど、転移学習による目標性能に達するまでの学習量が低減されるか、または、転移学習により達成される転移学習済モデル５５の性能を向上させることができると考えられる。

ただし、機械学習の処理において学習内容が近似しているか否かをユーザが判断するのは、容易ではない場合が少なくない。事前学習の学習内容と、転移学習の学習内容とを比較する際、たとえば同じ培養細胞を異なる日時で撮影した画像同士であれば近似していると容易に判別できるが、異なる種類の細胞を写した細胞画像同士や、異なる撮影方法で撮影された細胞画像同士では、学習内容が近似しているか否かを判断することは容易ではない。

そこで、第１実施形態の学習支援システム１００は、図１に示したように、複数の学習済モデル５０を、複数の学習済モデル５０の各々の学習内容に関する情報６０とともに選択可能に表示する選択受付画面１１０（図８参照）を表示部２１に表示させる。

〈画面生成部〉
画面生成部１１ｂ（図３参照）は、図１に示すように、選択受付画面１１０を表示するための情報を生成する。画面生成部１１ｂは、選択受付画面１１０に表示すべきコンテンツ、およびコンテンツのレイアウト情報などを生成して、コンピュータ２０に送信する。これにより、選択受付画面１１０がコンピュータ２０の表示部２１に表示される。

図８は、選択受付画面１１０の一例を示す。選択受付画面１１０は、複数の学習済モデル５０の名称と、学習内容に関する情報６０を含む複数の学習済モデル５０の各々についての表示情報とを、表形式（行列形式）で表示する。

選択受付画面１１０は、各行の項目として、複数の学習済モデル５０を表示している。選択受付画面１１０は、各列の項目として、選択領域１１１、モデル表示領域１１２、情報表示領域１１３を含む。つまり、図８では、選択受付画面１１０の縦方向に、複数の学習済モデル５０が並んで表示されている。選択受付画面１１０の横方向に、学習済モデル５０の情報が項目ごとに表示されている。

選択領域１１１は、転移学習の処理に供する学習対象の選択を受け付けるように構成されている。選択領域１１１は、チェックボックスである。入力部２４（図２参照）を介して選択領域１１１に対する入力操作が受け付けられると、その選択領域１１１の学習済モデル５０が、転移学習の対象として選択される。選択済の選択領域１１１に対する同じ入力操作によって、選択の取り消しができる。なお、選択領域１１１において、複数の学習済モデル５０を選択することが可能である。その場合、学習部１１ａは、選択された複数の学習済モデル５０に対して、同じ転移学習を実施する。

モデル表示領域１１２は、学習済モデル５０の名称を表示する表示領域である。名称は、学習済モデル５０の作成時（機械学習時）に予め設定される。

情報表示領域１１３は、学習内容に関する情報６０を表示する表示領域である。情報表示領域１１３は、複数の項目を含みうる。図８の例では、情報表示領域１１３は、性能評価指標表示欄１１３ａ、培養情報表示欄１１３ｂ、撮影条件表示欄１１３ｃ、を含んでいる。各欄には、学習内容に関する情報６０が項目ごとに表示されている。

性能評価指標表示欄１１３ａは、学習済モデル５０の性能評価指標６３（図３参照）を表示する表示欄である。性能評価指標６３は、機械学習による学習済モデル５０の性能評価に用いられる指標であれば、特に限定されない。性能評価指標６３としては、たとえば、正確度（Ａｃｃｕｒａｃｙ）、精度（Ｐｒｅｃｉｓｉｏｎ）、検出率（ｒｅｃａｌｌ）、ＩｏＵ（Ｉｎｔｅｒｓｅｃｔｉｏｎａｌ ｏｖｅｒ Ｕｎｉｏｎ）や、Ｆ値などが用いられ得る。図８の例では、性能評価指標表示欄１１３ａは、正確度（Ａｃｃｕｒａｃｙ）を表示する表示項目１１４ａと、ＩｏＵを表示する表示項目１１４ｂと、を含む。

このように、選択受付画面１１０は、複数の学習済モデル５０の各々の性能評価指標６３を表示するように構成されている。

培養情報表示欄１１３ｂは、培養条件に関わる情報６１（図３参照）を表示する表示欄である。図８の例では、培養情報表示欄１１３ｂは、培養条件に関わる情報６１として、細胞種の情報（細胞の種類）を表示する表示項目１１４ｃを含む。

細胞種の情報とは、学習済モデル５０の機械学習（事前学習）に使用された学習用データセット（すなわち、第１の学習データセット８５ａ）に含まれる細胞画像８１に写る細胞の種類を示す情報である。細胞種は、図８に示したように、ｉＰＳＣ（ｉＰＳ細胞）、ＭＳＣ（間葉系幹細胞）、ＨＵＶＥＣ（ヒト臍帯静脈内皮細胞）、ＣＨＯ（チャイニーズハムスター卵巣細胞）、ＨｅＬａ（ヒーラ細胞）などである。

培養条件に関わる情報６１は、細胞種の他、たとえば、培養に用いた培地名、培養に用いた基質名、培養に用いた試薬名、継代数、培養日数（培養開始からの経過時間）、分化方向、ガス濃度（二酸化炭素濃度、酸素濃度）、温度、培養容器名、などを含む。分化方向は、未分化細胞が、どの分化細胞となるべく方向付けられているかを示す情報である。

撮影条件表示欄１１３ｃは、学習済モデル５０の機械学習（事前学習）に使用した学習データセット（すなわち、第１の学習データセット８５ａ）を構成する細胞画像８１の撮影条件の情報６２を表示する表示欄である。細胞画像８１の撮影条件の情報６２は、たとえば、画像サイズ（又はピクセル数）、撮像装置３０の機種名、撮影方法、撮影倍率、などを含む。撮影方法は、明視野観察法、暗視野観察法、位相差観察法、微分干渉観察法などの、画像化の手法である。図８の例では、撮影条件表示欄１１３ｃは、画像サイズを表示する表示項目１１４ｄと、撮像装置３０の機種名を表示する表示項目１１４ｅと、を含んでいる。

画面生成部１１ｂは、入力部２４（図２参照）を介した操作入力に応じて、各表示欄における表示項目の項目数および種類を設定可能および変更可能に構成されている。選択受付画面１１０には、表示項目１１４ａ～１１４ｅの５項目に限らず、設定に応じた数および種類の学習内容に関する情報６０が表示される。

また、画面生成部１１ｂは、入力部２４（図２参照）を介した操作入力により抽出条件を取得すると、抽出条件に該当する学習済モデル５０だけを抽出して選択受付画面１１０に表示するよう構成されている。たとえば、ユーザが細胞種の「ｉＰＳＣ」を抽出条件として入力した場合、細胞種が「ｉＰＳＣ」に該当する学習済モデル５０だけが選択受付画面１１０に表示される。情報抽出条件は複数設定可能である。

図８では５つの学習済モデル５０だけが表示されている例を示しているが、学習支援システム１００の運用継続に伴って、サーバ１０の記憶部１２に記憶される学習済モデル５０の数は増大し、たとえば１００以上にもなり得る。そのため、転移学習の学習対象を選択する上で、表形式による表示、項目数の変更、および抽出条件を用いた表示が特に有用である。

また、第１実施形態では、図９に示すように、選択受付画面１１０は、複数の学習済モデル５０の各々についての代表画像８３をさらに表示するように構成されている。代表画像８３は、学習済モデル５０の機械学習（事前学習）に使用した学習データ８６を構成する細胞画像８１（入力画像８６ａ）のうちから選択された１つまたは複数の画像である。図９では、一例として、いずれかの学習済モデル５０が表示された行の上にカーソル（マウスカーソル）を移動させると、画面生成部１１ｂが、その学習済モデル５０の学習に使用された代表画像８３をオーバーレイ表示させる。なお、代表画像８３の表示態様は、特に限定されず、選択受付画面１１０に代表画像８３の表示欄が予め設けられていてもよい。

また、図１０に示すように、制御部１１（画面生成部１１ｂ）は、１つ以上の学習済モデル５０の選択を受け付けると、選択された学習済モデル５０についての詳細情報を追加表示するように構成されている。図１０の例では、追加表示される詳細情報として、選択された学習済モデル５０の、事前学習の学習曲線を示すグラフ１１５を表示するように構成されている。図１０では、３つの学習済モデル５０が選択された例を示している。追加表示される詳細情報として、図９に示した代表画像８３が表示されてもよい。

選択受付画面１１０に表示される情報は、サーバ１０の記憶部１２に学習内容に関する情報６０として記憶されている。したがって、学習内容に関する情報６０は、機械学習に使用された学習用データセット８５ａに含まれる細胞画像８１に写る細胞種の情報を含む。学習内容に関する情報６０は、機械学習に使用された学習用データセット８５ａに含まれる細胞画像８１の撮影条件の情報６２を含む。記憶部１２は、複数の学習済モデル５０の各々についての性能評価指標６３をさらに記憶している。記憶部１２は、複数の学習済モデル５０の各々の機械学習に使用した学習用データセット８５ａに含まれる細胞画像８１の代表画像８３をさらに記憶している。

（学習対象に推薦される学習済モデルの表示）
図１０に示すように、第１実施形態では、制御部１１（画面生成部１１ｂ）は、学習内容に関する情報６０に基づいて学習対象に推薦される学習済モデル５０Ｒを、選択受付画面１１０に識別可能に表示させる制御を行うように構成されている。

具体的には、制御部１１（画面生成部１１ｂ）は、学習内容に関する情報６０と、転移学習の学習内容に関する情報６５（図１２参照）とに基づいて、学習済モデル５０の学習内容と転移学習の学習内容との類似度を取得し、取得した類似度に基づいて学習対象に推薦される学習済モデル５０Ｒを決定するように構成されている。転移学習の学習内容に関する情報６５は、入力部２４を介した操作入力によって取得され、サーバ１０の記憶部１２に記憶される。

制御部１１（画面生成部１１ｂ）は、学習済モデル５０の学習内容に関する情報６０のうち、選択受付画面１１０に表示されている情報について、転移学習の学習内容との類似度を取得する。つまり、図８～図１０に示した例の場合、学習内容に関する情報６０のうち、表示項目１１４ａ～１１４ｅの情報に基づいて、類似度が取得される。上記のように、選択受付画面１１０の表示項目は操作入力に応じて設定可能であるため、ユーザが選択受付画面１１０に表示するように設定した項目が、転移学習の学習対象の選択においてユーザが重要視している項目であると推定されるためである。

制御部１１（画面生成部１１ｂ）は、選択受付画面１１０の表示項目毎に、類似度を取得する。類似度は、たとえば０以上１以下の数値で、１に近いほど類似度が高いことを示す。たとえば、それぞれの学習済モデル５０について表示項目１１４ｅに表示される機種名（顕微鏡Ａ、顕微鏡Ｂ）の情報と、転移学習の学習内容に関する情報６５（図１２参照）に含まれる機種名の情報とが対比され、機種名が一致するか否かが判断される。機種名に関しては、たとえば一致していれば類似度「１」、不一致の場合には類似度「０」とする。同様に、たとえば表示項目１１４ｄに表示される画像サイズの情報と、学習用データセット８５ｂ（図１２参照）に含まれる学習データの画像サイズ情報とが対比され、画像サイズ（または画素数）が近似しているほど高い類似度が与えられる。

制御部１１（画面生成部１１ｂ）は、選択受付画面１１０の表示項目毎の類似度に重み係数を乗算し、得られた表示項目ごとの乗算値の総和である判定値を取得する。制御部１１（画面生成部１１ｂ）は、大きい判定値を有する学習済モデル５０の学習内容を、転移学習の学習内容との類似度が高いと判定する。判定値の一例は、下式で表される。
判定値Ｐ＝Ｋ１Ｘ１＋Ｋ２Ｘ２＋・・・＋ＫｎＸｎ
ここで、Ｋ１～Ｋｎは、重み係数である。表示項目毎の重み係数は、予め設定された定数である。Ｘ１～Ｘｎは、表示項目毎の学習内容に関する情報の類似度である。添字１～ｎが、選択受付画面１１０の表示項目の番号を表す。

制御部１１（画面生成部１１ｂ）は、たとえば、判定値Ｐが最大となる学習済モデル５０を、学習対象に推薦される学習済モデル５０Ｒとして決定する。

図１０に示したように、制御部１１（画面生成部１１ｂ）は、選択受付画面１１０において、学習対象に推薦される学習済モデル５０Ｒが表示された行について、強調表示を行うことにより、他の学習済モデル５０と識別可能に表示する。強調表示は、たとえば、学習対象に推薦される学習済モデル５０Ｒが表示された行を枠線で囲むかまたは下線を付す、学習対象に推薦される学習済モデル５０Ｒが表示された行の背景色を他の行と異ならせる、学習対象に推薦される学習済モデル５０Ｒが表示された行のフォント、文字色などの表示態様を他の行と異ならせる、などである。表示を点滅させる処理などを行ってもよい。図１０は、推薦される学習済モデル５０Ｒが表示された行を枠線１１６で囲む例を示している。

推薦される学習済モデル５０Ｒは、１つには限られない。制御部１１（画面生成部１１ｂ）は、たとえば、判定値Ｐの上位５番目までの学習済モデル５０を、学習対象に推薦される学習済モデル５０Ｒとして決定してもよい。

〈画像処理部〉
図３に示した画像処理部１１ｃは、記憶部１２に記憶された学習済モデル（学習済モデル５０または転移学習済モデル５５）を用いて、細胞画像８１に対する画像処理を行うように構成されている。画像処理部１１ｃは、コンピュータ２０からのリクエストに応じて、図４に示したように、処理対象として選択された細胞画像８１を入力画像とし、選択された学習済みモデルに入力することにより、入力画像に対するセグメンテーション処理を行う。画像処理部１１ｃは、セグメンテーション処理の結果、学習済みモデルに入力した細胞画像８１が複数のラベル領域に分割されたラベル画像を処理画像８２として出力する。画像処理部１１ｃは、処理画像８２をコンピュータ２０に送信するとともに、記憶部１２に記憶させる。

（学習支援方法）
次に、第１実施形態による学習支援方法について説明する。学習支援方法は、既存の学習済モデル５０に対して、細胞画像８１に対する画像処理の転移学習を行うための学習支援方法である、学習支援方法は、上記した学習支援システム１００によって実行されうる。

学習支援方法は、少なくとも、以下のステップ（１）～（３）を備える。
（１）複数の学習済モデル５０と、複数の学習済モデル５０の各々の学習内容に関する情報６０とを取得する。
（２）複数の学習済モデル５０を、複数の学習済モデル５０の各々の学習内容に関する情報６０とともに選択可能に表示する選択受付画面１１０を表示する。
（３）選択受付画面１１０に表示された複数の学習済モデル５０のうちから、転移学習の処理に供する少なくとも１つの学習対象の選択を受け付ける。

第１実施形態では、ステップ（１）は、制御部１１（画面生成部１１ｂ）が、複数の学習済モデル５０と、複数の学習済モデル５０にそれぞれ関連付けられた学習内容に関する情報６０とを、記憶部１２から読み出すことによって行われる。

第１実施形態では、ステップ（２）では、制御部１１（画面生成部１１ｂ）が、ステップ（１）で取得された情報に基づいて、選択受付画面１１０を表示するための情報を生成し、コンピュータ２０に送信する。その結果、情報を受信したコンピュータ２０の表示部２１に、選択受付画面１１０が表示される。

第１実施形態では、ステップ（３）は、コンピュータ２０が、表示部２１に表示された選択受付画面１１０の選択領域１１１に対する、入力部２４を介した操作入力を受け付けることにより行われる。コンピュータ２０は、選択領域１１１に対する入力状態（チェックボックスのオン又はオフ）をサーバ１０に送信する。これにより、サーバ１０の制御部１１が、転移学習の処理に供する少なくとも１つの学習対象の選択を受け付ける。

なお、学習支援システム１００が転移学習を実行する機能を備えている第１実施形態では、サーバ１０の制御部１１（学習部１１ａ）が、コンピュータ２０からのリクエストに応じて、ステップ（３）で選択された学習対象（学習済モデル５０）に対する転移学習の処理を実行することができる。学習支援システム１００が転移学習を実行する機能を備えていない場合、学習対象の選択結果が学習システムに対して送信されることにより転移学習が実行されうる。

（学習支援システムの機械学習の処理の流れ）
次に、図８～図１５を参照して、第１実施形態の学習支援システム１００による機械学習（転移学習）の処理の流れについて説明する。学習支援システム１００による機械学習の処理は、上記した学習支援方法の各ステップを含むものである。なお、第１実施形態の学習支援システム１００は、上述の通り、機械学習によって作成した学習済モデルを用いて画像処理を行う機能を有しているが、画像処理の流れについては説明を省略する。

図１１に示すように、ステップＳ１において、サーバ１０の制御部１１は、機械学習に用いる学習用データセットの登録を受け付ける。制御部１１は、ユーザが操作するコンピュータ２０からのアクセスを受け付けることにより、表示部２１にデータセット登録画面１２０（図１２参照）を表示させる。データセット登録画面１２０には、処理対象に相当する入力画像８６ａ（細胞画像８１）と、入力画像８６ａに対応する教師ラベル画像８６ｂと、により構成された学習データ８６が、表形式で個別に表示される。図１２は、転移学習に用いる学習用データセット８５ｂを登録する際のデータセット登録画面１２０の表示例を示している。

各学習データ８６のパラメータ欄１２１には、転移学習の学習内容に関する情報６５の一部（撮像装置３０の機種名、撮影倍率、継代数、培養容器名、培養日数）を構成する情報が表示される。また、タイプ欄１２２は、機械学習におけるデータの用途が表示される。すなわち、タイプ欄１２２では、「ＮＯＮＥ」、「ＴＲＡＩＮ」、「ＶＡＬＩＤ」、「ＴＥＳＴ」の４タイプのいずれかであることが表示される。「ＮＯＮＥ」は、学習用データセット８５ｂに含めないことを示す。「ＴＲＡＩＮ」は、学習用データセット８５ｂのうち学習用のデータであることを示す。「ＶＡＬＩＤ」は、学習用データセット８５ｂのうち学習の進捗を確認するためのデータであることを示す。「ＴＥＳＴ」は、学習後に上記した性能評価指標６３を取得するためのデータであることを示す。入力画像欄１２３には学習データ８６の入力画像８６ａとして用いられる細胞画像が表示される。ラベル画像欄１２４には学習データ８６の教師ラベル画像８６ｂが表示される。

学習用データセット８５ｂは、データセット登録画面１２０において、学習用データセット８５ｂに含める学習データ８６の指定、および、その学習データ８６のタイプの指定を受け付けることにより、登録される。なお、図示は省略するが、通常の機械学習における学習用データセット８５ａの登録も同様にデータセット登録画面１２０で行われる。

ステップＳ２において、サーバ１０の制御部１１は、学習用データセット８５ｂを用いた学習処理が、通常の機械学習（事前学習）であるか、転移学習であるかを判断する。具体的には、制御部１１は、表示部２１に学習設定画面１３０（図１３参照）を表示させ、機械学習処理の設定登録を受け付ける。制御部１１は、学習設定画面１３０における操作入力に基づいて、通常の機械学習（事前学習）であるか、転移学習であるかを判断する。

学習設定画面１３０には、学習処理の名称設定領域１３１、モデル選択領域１３２、データセット選択領域１３３、エポック数設定領域１３４およびバッチサイズ設定領域１３５と、通常学習ボタン１３６、転移学習ボタン１３７およびキャンセルボタン１３８と、が表示される。

学習処理の名称設定領域１３１は、学習処理に割り当てられる名称の入力を受け付ける。モデル選択領域１３２には、記憶部１２から、学習処理に用いる学習アルゴリズムを選択して設定できる。データセット選択領域１３３には、記憶部１２から、学習に用いる学習用データセット８５ｂを選択して設定できる。ステップＳ１において登録された学習用データセット８５ｂの他、事前に登録済みとなっている学習用データセット８５ａが選択可能である。エポック数設定領域１３４およびバッチサイズ設定領域１３５では、機械学習処理におけるエポック数、バッチサイズがそれぞれ設定される。

制御部１１は、転移学習ボタン１３７の入力を受け付けると、転移学習であると判断して、ステップＳ３に処理を進める。制御部１１は、通常学習ボタン１３６の入力を受け付けると、通常の機械学習（事前学習）であると判断して、ステップＳ３に処理を進める。なお、キャンセルボタン１３８が入力された場合、学習処理を中止できるが、詳細は省略する。

転移学習ボタン１３７が入力された場合、制御部１１（画面生成部１１ｂ）は、ステップＳ３において、図８～図１０に示した選択受付画面１１０において、転移学習の学習対象の候補となる学習済モデル５０を一覧表示させる。上記の通り、ユーザは、選択受付画面１１０における表示項目のフィルタリング等が可能であり、数十～百以上の学習済モデル５０が記憶部１２に記憶されていたとしても、各表示項目の内容を対比することによって、選択された学習データセット（第２の学習データセット８５ｂ）を用いた転移学習に適した学習済モデル５０を選択できる。

制御部１１（画面生成部１１ｂ）は、ステップＳ４において、図８～図１０に示した選択受付画面１１０において、学習対象となる学習済モデル５０の選択を受け付ける。すなわち、選択領域１１１のチェックボックスへの入力操作を受け付ける。制御部１１（画面生成部１１ｂ）は、１つ以上の学習済モデル５０の選択を受け付け、選択された学習済モデル５０について、学習曲線のグラフ１１５（図１０参照）を表示する。制御部１１は、図示しない学習開始ボタンの操作入力を受け付けると、次のステップＳ５へ処理を進める。

ステップＳ５において、制御部１１（学習部１１ａ）は、ステップＳ４で選択された１つまたは複数の学習済モデル５０に対して、学習設定画面１３０の設定内容に従って、学習用データセット８５ｂを用いた転移学習の処理を実行する。

ステップＳ６において、制御部１１（学習部１１ａ）は、転移学習の学習結果画面１４０を表示する。このように、第１実施形態では、制御部１１は、選択受付画面１１０において選択された学習対象に対する転移学習の学習結果を表示する学習結果画面１４０（図１４参照）を表示部２１に表示させる制御を行うように構成されている。

図１４に示すように、複数の学習対象が選択された場合、学習結果画面１４０は、転移学習が行われた学習対象の各々についての性能評価指標を含む学習結果情報１４３を対比可能に表示する。図１４の学習結果画面１４０は、学習前表示領域１４１と学習結果表示領域１４２とを含む。図１４の上側の学習前表示領域１４１は、選択受付画面１１０の表示内容が表示され、転移学習前の学習済モデル５０を示している。図１４の下側の学習結果表示領域１４２では、転移学習が実施された転移学習済モデル５５（学習前表示領域１４１でチェックボックスにチェックが付されている学習済モデル）の各々について、学習結果情報１４３が表形式で表示される。

学習結果情報１４３は、１つまたは複数の性能評価指標を含み、ユーザの操作入力に応じて表示変更可能である。図１４の例では、性能評価指標として、正確度（Ａｃｃｕｒａｃｙ）およびＩｏＵが表示されている。また、図１４では、学習結果情報１４３は、学習時間（学習開始から終了までの時間）を含んでいる。学習結果画面１４０において、転移学習済モデル５５の各々の学習結果情報１４３を対比することによって、転移学習の成果や最終的な性能の差を容易に把握できる。

ステップＳ７において、制御部１１（学習部１１ａ）は、学習結果画面１４０において、画像処理に採用する転移学習済モデル５５の選択を受け付ける。選択受付画面１１０（学習前表示領域１４１）と同様、学習結果表示領域１４２にも、チェックボックスからなる選択領域１４４が設けられ、転移学習済モデル５５を個別に選択できる。制御部１１（学習部１１ａ）は、選択領域１４４において、画像処理に採用する転移学習済モデル５５の選択を受け付ける。

なお、選択受付画面１１０において１つの学習対象だけが選択された場合、ステップＳ７の処理はスキップされる。１つの学習対象だけが選択された場合は、ステップＳ７に加えてステップＳ６についてもスキップしてもよい。

ステップＳ８において、制御部１１（学習部１１ａ）は、作成および選択された転移学習済モデル５５を記憶部１２に記憶させ、学習支援システム１００において利用可能な状態にする。ステップＳ９において、制御部１１は、転移学習済モデル５５の情報を示す学習モデル表示画面１５０（図１５参照）を表示させる。図１５に示す学習モデル表示画面１５０では、転移学習済モデル５５の学習曲線、性能評価指標、個々の学習データの詳細情報などが表示される。

一方、図１１のステップＳ２において、学習設定画面１３０の通常学習ボタン１３６の入力を受け付けた場合、制御部１１は、ステップＳ１０において、通常の機械学習（事前学習）を実行する。制御部１１（学習部１１ａ）は、学習設定画面１３０の設定内容に従って、未学習の学習モデルに対して、ステップＳ１で設定された学習用データセットを用いた機械学習の処理を実行する。これにより、機械学習（事前学習）による学習済モデル５０が生成される。

その後、制御部１１は、ステップＳ８において、生成された学習済モデル５０を記憶部１２に記憶させ、学習支援システム１００において利用可能な状態にする。ステップＳ９において、制御部１１は、学習済モデル５０の情報を示す学習モデル表示画面１５０を表示させる。

以上のようにして、第１実施形態の学習支援システム１００による機械学習の処理が実施される。

（第１実施形態の効果）
第１実施形態では、以下のような効果を得ることができる。

すなわち、第１実施形態による学習支援システム１００および学習支援方法では、複数の学習済モデル５０を、複数の学習済モデル５０の各々の学習内容に関する情報６０とともに選択可能に表示する選択受付画面１１０を表示させる。これにより、転移学習に用いる学習済モデル５０を選択する際、ユーザは、選択受付画面１１０において、複数の学習済モデル５０の学習内容に関する情報６０を対比することができる。対比により、ユーザは、これから実施する転移学習の学習内容に近い事前学習が行われている学習済モデル５０を、容易に把握できる。その結果、既存の学習済モデル５０を用いて転移学習を行う際に、転移学習に適した学習済モデル５０の選択を容易化することができる。

また、第１実施形態では、以下のように構成したことによって、更なる効果が得られる。

すなわち、第１実施形態では、学習内容に関する情報６０は、機械学習に使用された学習用データセット８５ａに含まれる細胞画像８１に写る細胞種の情報（表示項目１１４ｃ）を含む。このように構成すれば、転移学習の選択肢となる複数の学習済モデル５０について、どの細胞種の画像を用いて事前学習が行われたのかを把握できる。学習済モデル５０の学習内容として、転移学習させる細胞画像８１に写る細胞種と同じかまたは類似する細胞種の画像で事前学習を行っていれば、事前学習時と転移学習時とで画像中の細胞の形態が類似しているため、転移学習における学習効率を向上させることが期待できる。そのため、転移学習に用いるのに適した学習済モデル５０を選択するための有用な判断材料となる情報を提供できる。

また、第１実施形態では、学習内容に関する情報６０は、機械学習に使用された学習用データセット８５ａに含まれる細胞画像８１の撮影条件の情報６２（表示項目１１４ｄ、１１４ｅ）を含む。このように構成すれば、転移学習の選択肢となる複数の学習済モデル５０について、どのような撮影条件で撮影された画像を用いて事前学習が行われたのかを把握できる。ここで、同一の細胞画像８１でも、たとえば撮像装置の機種、撮影方式（明視野撮影、位相差撮影、など）撮影倍率、画像サイズなどの撮影条件が異なる場合、画像中の細胞の形態は全く異なって写る。そのため、学習済モデル５０の学習内容として、転移学習させる細胞画像８１の撮影条件と同じかまたは類似する撮影条件で取得された画像で事前学習を行っていれば、事前学習時と転移学習時とで画像中の細胞の形態が類似しているため、転移学習における学習効率を向上させることが期待できる。したがって、転移学習に用いるのに適した学習済モデル５０を選択するための有用な判断材料となる情報を提供できる。

また、第１実施形態では、記憶部１２は、複数の学習済モデル５０の各々についての性能評価指標６３を記憶し、選択受付画面１１０は、複数の学習済モデル５０の各々の性能評価指標６３（表示項目１１４ａ、表示項目１１４ｂ）を表示する。このように構成すれば、転移学習に用いる学習済モデル５０の選択に際して、各学習済モデル５０の性能評価指標６３を対比できる。たとえば類似した学習内容の学習済モデル５０が複数存在した場合、性能評価指標６３で表される性能が高い学習済モデル５０の方が、転移学習後の性能も高くなる（あるいは、学習時間が短時間で済む）可能性が考えられる。そのため、性能評価指標６３によって、転移学習に用いるのに適した学習済モデル５０を選択するための有用な情報を提供できる。

また、第１実施形態では、記憶部１２は、複数の学習済モデル５０の各々の機械学習に使用した学習用データセット８５ａに含まれる細胞画像８１の代表画像８３を記憶し、選択受付画面１１０は、複数の学習済モデル５０の各々についての代表画像８３を表示する。このように構成すれば、複数の学習済モデル５０の各々について、事前学習に使用した画像を対比できる。機械学習に習熟したユーザにとっては、学習に使用した画像を対比することで、転移学習する内容と事前学習の学習内容が近いか否かに関する有用な情報を得られる可能性がある。そのため、代表画像８３によって、転移学習に用いるのに適した学習済モデル５０を選択するための有用な情報を提供できる。

また、第１実施形態では、選択受付画面１１０は、複数の学習済モデル５０の名称と、学習内容に関する情報６０を含む複数の学習済モデル５０の各々についての表示情報とを、表形式で表示する。このように構成すれば、表形式で表示された情報によって、ユーザは、転移学習の候補となる複数の学習済モデル５０の各々を容易かつ効率的に対比できる。その結果、転移学習に用いるのに適した学習済モデル５０の選択を効果的に容易化できる。

また、第１実施形態では、制御部１１は、学習内容に関する情報６０に基づいて学習対象に推薦される学習済モデル５０Ｒを、選択受付画面１１０に識別可能に表示させる制御を行う。このように構成すれば、学習内容に関する情報６０から導き出される、学習対象に推薦される学習済モデル５０Ｒをユーザに提案できる。ユーザは、転移学習に用いる学習済モデル５０を選択する際に、推薦される学習済モデル５０を参考にできるので、より一層、転移学習に用いるのに適した学習済モデル５０の選択を容易化できる。

また、第１実施形態では、記憶部１２は、転移学習の学習内容に関する情報６５をさらに記憶し、制御部１１は、学習内容に関する情報６０と、転移学習の学習内容に関する情報６５とに基づいて、学習済モデル５０の学習内容と転移学習の学習内容との類似度を取得し、取得した類似度に基づいて学習対象に推薦される学習済モデル５０Ｒを決定するように構成されている。このように構成すれば、事前学習における学習内容に関する情報６０と、転移学習の学習内容に関する情報６５との類似度を取得することによって、学習対象に推薦される（すなわち、転移学習に用いるのに適していると推定される）学習済モデル５０を、より高い確度で取得できる。

また、第１実施形態では、制御部１１は、選択受付画面１１０において選択された学習対象に対する転移学習の学習結果を表示する学習結果画面１４０を表示部２１に表示させる制御を行うように構成され、複数の学習対象が選択された場合、学習結果画面１４０は、転移学習が行われた学習対象の各々についての性能評価指標を含む学習結果情報１４３を対比可能に表示する。このように構成すれば、転移学習に用いる学習済モデル５０の候補が複数存在する場合に、それらの学習済モデル５０に実際に転移学習を実施することで、それぞれの学習済モデル５０に対する転移学習の学習結果情報１４３をユーザに提示できる。これにより、ユーザは、それぞれの学習結果情報１４３を対比することによって、最も利用目的に合致した（画像処理の目的に適合した）学習済モデル５０を容易に発見できる。また、学習結果情報１４３の対比によって、どの学習済モデル５０が、転移学習に最も適していたかに関する知見を得ることができる。得られた知見は、転移学習を行う別の機会において、転移学習に用いる学習済モデル５０を選択する際の有用な手がかりになり得る。

また、第１実施形態では、画像処理は、細胞画像８１のセグメンテーション処理を含む。セグメンテーション処理は、画像中の画素単位でラベル付与を行う処理であるため、処理に用いる学習済モデル５０の性能の影響が処理画像８２に顕著に表れる。第１実施形態によれば、より適した学習済モデル５０を用いて転移学習を行うことによって、より高い性能を実現したり、あるいは所望の性能に達するまでの学習時間を低減できることから、細胞画像８１のセグメンテーション処理を行う学習済モデル５０の転移学習に特に有用である。

［第２実施形態］
次に、図１６～図１９を参照して、第２実施形態による学習支援システム３００について説明する。第２実施形態では、細胞画像８１に対する画像処理の転移学習を行うための学習支援システム１００を示した上記第１実施形態とは異なり、Ｘ線画像３８１に対する画像処理の転移学習を行うための学習支援システム３００を示す。なお、第２実施形態において、上記第１実施形態と同様の構成については、同一の符号を付して説明を省略する。

Ｘ線画像３８１は、Ｘ線により被写体を撮像した画像である。被写体は、たとえば非破壊検査の検査対象物である。検査対象物は、電子部品、回路基板、工業製品（組立体）、樹脂成形品、鋳造品またはダイカスト製品、などである。

Ｘ線画像３８１を撮像するＸ線撮像装置３３０は、たとえばＸ線非破壊検査装置である。詳細は省略するが、Ｘ線撮像装置３３０は、Ｘ線を出射するＸ線源と、被写体を保持する被写体保持機構、Ｘ線源から出射され被写体を透過したＸ線を検出するＸ線検出器と、これらのＸ線源、被写体保持機構およびＸ線検出器を収容してＸ線を遮蔽する筐体と、を含んで構成される。Ｘ線撮像装置３３０は、Ｘ線源およびＸ線検出器から構成される撮像系を移動（回動）する移動機構を備えるか、または、被写体保持機構が被写体を移動（回動）させる機構を含むことにより、可動範囲内の所望の位置および可動範囲内の所望の撮影角度で被写体のＸ線画像３８１を撮像できる。

既存の学習済モデル５０および転移学習済モデル５５は、いずれも、Ｘ線画像３８１に対する画像処理に用いられる。第２実施形態では、画像処理は、Ｘ線画像３８１のセグメンテーション処理を含む。

図１７は、入力画像（Ｘ線画像３８１）および処理画像の一例を示す。図１７（Ａ）に示すＸ線画像３８１は、はんだ部３７１が形成された回路基板３７０を被写体として撮像した画像である。回路基板３７０は、回路パターンが形成された樹脂製の基板である。Ｘ線画像３８１には、はんだ部３７１の他に、回路基板３７０を厚み方向に貫通する貫通部３７２も写っている。図１７（Ａ）は、撮影角度０°、および４５°の２種類の撮影条件でそれぞれ取得された画像を示す。撮影角度は、回路基板３７０の法線に対するＸ線光軸のなす角である。撮影角度４５°は、回路基板３７０を仰角４５°の斜め上方から撮影することに相当する。

はんだ部３７１は、回路基板３７０の上面および下面にそれぞれ設けられている。一定の厚みの平板である樹脂基板はＸ線画像３８１において概ね一定の画素値になるため、Ｘ線画像３８１中、樹脂基板よりもＸ線吸収が高いはんだ部３７１と、樹脂基板よりもＸ線吸収が低い貫通部３７２とが、一定の画素値の背景（ハッチングで示す樹脂基板の部分）中にコントラストを有して見える。撮影角度０°のＸ線画像３８１では、上面側のはんだ部３７１と下面側のはんだ部３７１とが重なって見えるが、撮影角度４５°のＸ線画像３８１では、上面側のはんだ部３７１と下面側のはんだ部３７１とが互いにずれて見える。なお、Ｘ線画像３８１には、回路基板３７０の上面および下面にそれぞれ形成された回路パターンも写るが、図１７および後述する図１９では便宜的に図示を省略している。

学習済モデル５０、転移学習済モデル５５は、いずれも、入力されたＸ線画像３８１に対してセグメンテーション処理を行い、複数のラベル領域に分割した処理画像３８２を出力する。図１７では、セグメンテーション処理の一例として、Ｘ線画像３８１の画像領域を、「はんだ」の領域（白色）と、「はんだ以外」の領域（黒色）と、の２クラスに領域分割する例を示す。処理画像３８２の各画素が取り得る画素値の数は、ラベルの種類の数（クラス数）と同数であり、２クラスの場合、処理画像３８２は二値画像である。

「はんだ」の領域を特定した処理画像３８２は、たとえば回路基板３７０のはんだ部３７１の大きさの検査や、はんだブリッジの有無の検査に用いるのに適している。なお、はんだブリッジとは、回路パターン中の別々の配線部に跨がってはんだ部３７１が形成されることにより回路をショート（短絡）させる欠陥である。

図１８に示すように、第２実施形態においても、上記第１実施形態と同様、事前学習においては、未学習の学習モデル５１に対して、第１の学習データセット８５ａを用いて機械学習が行われる。転移学習においては、事前学習によって作成された学習済モデル５０に対して、第２の学習データセット８５ｂを用いて機械学習が行われる。学習の結果、転移学習済モデル５５が作成される。

第２の学習データセット８５ｂと第１の学習データセット８５ａとは、学習データの内容が互いに異なる。第２の学習データセット８５ｂと第１の学習データセット８５ａとは、データセットを構成するＸ線画像３８１に写る被写体、および、Ｘ線画像の撮影条件の少なくとも一方が異なる。

第２実施形態における学習内容に関する情報６０（図１６参照）は、機械学習（事前学習）に使用された学習用データセット８５ａに含まれるＸ線画像３８１に写る被写体の情報、および、機械学習に使用された学習用データセット８５ａに含まれるＸ線画像３８１の撮影条件の情報の少なくとも一方を含む。被写体の情報は、被写体の種類を特定する情報であり、上記の例では「部品Ａ」、「部品Ｂ」などの名称である。撮影条件の情報は、画像サイズ（又はピクセル数）、Ｘ線撮像装置３３０の機種名、撮影角度、Ｘ線源のパラメータ（管電圧、管電流）、Ｘ線照射時間などを含む。図１７の例では、撮影条件の情報には、たとえば撮影角度が少なくとも含まれる。

図１６に示したように、第２実施形態においても、制御部３１１は、複数の学習済モデル５０のうちから、転移学習の処理に供する少なくとも１つの学習対象の選択を受け付ける。制御部３１１は、複数の学習済モデル５０を、複数の学習済モデル５０の各々の学習内容に関する情報６０とともに選択可能に表示する選択受付画面１１０を表示部２１に表示させる制御を行う。選択受付画面１１０の表示態様は、図８～図１０に示した上記第１実施形態と同様である。

また、学習支援システム２００による機械学習（転移学習）の処理の流れについても、図１１～図１５に示した上記第１実施形態と同様である。図示は省略するが、第２実施形態では、図１１～図１５において、表示される画像と、学習内容に関する情報６０の内容とが、上記第１実施形態と異なる。

転移学習の具体例を説明する。図１８に示すように、第２の学習データセット８５ｂの複数の入力画像３８６ａは、たとえば、「部品Ｂ」を構成する回路基板３７０のＸ線画像３８１である。第２の学習データセット８５ｂの複数の入力画像３８６ａは、たとえば、撮影角度０°、および４５°の２種類の撮影条件で撮像された複数のＸ線画像３８１からなる。第２の学習データセット８５ｂは、複数の入力画像３８６ａのそれぞれと対応する教師ラベル画像３８６ｂを含む。これに対して、第１の学習データセット８５ａの複数の入力画像３８６ａは、「部品Ｂ」とは異なる「部品Ａ」を構成する回路基板３７０のＸ線画像３８１である。「部品Ａ」は、「部品Ｂ」とは異なる部品であり、回路基板３７０に形成されたはんだ部３７１の個数および／または配置が「部品Ｂ」とは異なる。第１の学習データセット８５ａの複数の入力画像３８６ａの撮影角度は、第２の学習データセット８５ｂの複数の入力画像３８６ａの撮影角度（０°、および４５°）と同じでもよいし、異なっていてもよい。

この場合、ユーザは、第２の学習データセット８５ｂに含まれる画像の撮影角度（０°、および４５°）と同じ撮影角度で撮像された画像を含むこと、および、はんだ部３７１の配置などが「部品Ｂ」と似ている部品（部品Ａ）の画像であることなどを基準として、選択受付画面１１０（図１６参照）に表示された複数の学習済モデル５０のうちから、適切な学習済モデル５０を選択できる。

（実施例）
次に、図１９を参照して、第２実施形態の効果を確認するための実験結果について説明する。実験は、同一の処理用画像（図１９（Ａ）、撮影角度０°および４５°の２種類）に対して、実施例による転移学習済モデル５５を用いた処理画像３８２（図１９（Ｂ））と、比較用の学習済モデルを用いた処理画像３８３（図１９（Ｃ））とをそれぞれ出力して、対比することにより行った。

実施例に用いた転移学習済モデル５５は、図１８に示した第１の学習データセット８５ａにより作製された学習済モデル５０に対して、第２の学習データセット８５ｂを用いた転移学習により作製した。比較用学習済モデルは、事前学習を行わずに、未学習の学習モデルに対する第２の学習データセット８５ｂを用いた機械学習のみにより作製した。

学習済モデル５０の事前学習に用いた第１の学習データセット８５ａを説明する。第１の学習データセット８５ａには、はんだ部３７１の配置が「部品Ｂ」と似ている「部品Ａ」のＸ線画像３８１を含むデータセットを選択した。また、第１の学習データセット８５ａは、撮影角度０°、１５°、３０°、および４５°の４種類の撮影条件で撮像された複数のＸ線画像３８１からなり、第２の学習データセット８５ｂの撮影角度（０°、および４５°）と同じ撮影角度で撮像された画像を含んでいる。第１の学習データセット８５ａの画像枚数は４枚である。第２の学習データセット８５ｂの画像枚数は２枚である。

図１９（Ｂ）に示すように、実施例の処理画像３８２では、撮影角度０°、４５°のいずれにおいても、はんだ部３７１を高精度にセグメンテーションできている。一方、図１９（Ｃ）に示す比較例では、特に撮影角度４５°の処理画像３８３で、はんだ部３７１のセグメンテーション精度が低くなっている。この比較から、同じ第２の学習データセット８５ｂを用いた同一データ数の学習を行う場合でも、未学習の学習モデルを用いるよりも、適切な学習済モデル５０を用いて転移学習を行うことで、学習の精度が向上することが分かる。つまり、より少ないデータ数で効果的な機械学習が可能となることが分かる。

（第２実施形態の効果）
第２実施形態では、以下のような効果を得ることができる。

すなわち、第２実施形態による学習支援システム３００および学習支援方法では、上記第１実施形態と同様、ユーザは、これから実施する転移学習の学習内容に近い事前学習が行われている学習済モデル５０を、容易に把握できる。その結果、既存の学習済モデル５０を用いて転移学習を行う際に、転移学習に適した学習済モデル５０の選択を容易化することができる。また、図１９に示したように、未学習の学習モデルを用いる場合よりも学習の精度を向上させることが可能な、適切な学習済モデル５０を選択して転移学習を行うことができる。

また、第２実施形態では、上記のように、画像は、Ｘ線画像３８１であり、学習内容に関する情報６０は、機械学習に使用された学習用データセット８５ａに含まれるＸ線画像３８１に写る被写体の情報、および、機械学習に使用された学習用データセット８５ａに含まれるＸ線画像の撮影条件の情報の少なくとも一方を含むように構成してもよい。このように構成すれば、転移学習の選択肢となる複数の学習済モデル５０について、どのような被写体を撮影したＸ線画像３８１を用いて事前学習が行われたのか、および／または、どのような撮影条件で撮影されたＸ線画像３８１を用いて事前学習が行われたのかを把握できる。したがって、転移学習に用いるのに適した学習済モデルを選択するための有用な判断材料となる情報を提供できる。

第２実施形態のその他の効果は、上記第１実施形態と同様である。

［変形例］
なお、今回開示された実施形態および実施例は、すべての点で例示であって制限的なものではないと考えられるべきである。本発明の範囲は、上記した実施形態および実施例の説明ではなく特許請求の範囲によって示され、さらに特許請求の範囲と均等の意味および範囲内でのすべての変更（変形例）が含まれる。

たとえば、上記第１および第２実施形態では、学習支援システム１００（２００）が、転移学習を行う機能を備えている例を示したが、本発明はこれに限られない。学習支援システム１００（２００）は、転移学習を行う機能を備えていなくてもよい。すなわち、学習支援システム１００（２００）は、学習部１１ａを備えていなくてもよい。学習支援システム１００（２００）は、学習部１１ａを備えた学習システムと連携可能であってよい。

また、上記第１および第２実施形態では、学習支援システム１００が、学習済モデル（学習済モデル５０、転移学習済モデル５５）を用いて細胞画像８１に対する画像処理を行う機能を備えている例を示したが、本発明はこれに限られない。学習支援システム１００は、学習済モデルと用いて画像処理を行う機能を備えていなくてもよい。すなわち、学習支援システム１００（２００）は、画像処理部１１ｃを備えていなくてもよい。学習支援システム１００は、画像処理部１１ｃを備えた画像処理システムと連携可能であってよい。

また、上記第１および第２実施形態では、学習支援システム１００（２００）が、撮像装置３０（Ｘ線撮像装置３３０）を含む例を示したが、本発明はこれに限られない。学習支援システム１００（２００）は、撮像装置３０（Ｘ線撮像装置３３０）を含まなくてもよい。すなわち、学習支援システム１００は、撮像装置３０を備えた細胞画像の撮像システムと連携可能であってよい。

また、上記第１実施形態では、学習支援システム１００のサーバ１０が、画像処理部１１ｃにより、学習済モデル（学習済モデル５０、転移学習済モデル５５）を用いて細胞画像８１に対する画像処理を行う例を示したが、本発明はこれに限られない。たとえば図２０に示す変形例のように、学習支援システム１００のコンピュータ２０に画像処理部１１ｃを設けて、コンピュータ２０が学習済モデルを用いた画像処理を行ってもよい。この場合、サーバ１０は、学習部１１ａにより転移学習された転移学習済モデル５５を生成すると、生成した転移学習済モデル５５をコンピュータ２０へ送信する。転移学習済モデル５５を受信したコンピュータ２０は、記憶部２３（図２参照）に転移学習済モデル５５を記憶する。コンピュータ２０の画像処理部１１ｃが、記憶部２３に記憶された転移学習済モデル５５を用いて、細胞画像に対する画像処理を行う。上記第２実施形態についても同様である。

また、上記第１および第２実施形態では、画像処理が、細胞画像８１（Ｘ線画像３８１）のセグメンテーション処理である例を示したが、本発明はこれに限られない。画像処理は、セグメンテーション処理以外の処理であってもよい。たとえば、画像処理は、分類または判定処理であってもよい。たとえば、画像処理は、培養細胞の培養状態の良否を判定する処理や、細胞画像８１に写る細胞の種類を分類する処理であってもよい。同様に、画像処理は、Ｘ線画像３８１に写る部品が良品か不良品かを判定（分類）する処理であってもよい。

また、上記第１実施形態では、学習内容に関する情報６０が、細胞画像８１に写る細胞種の情報を含む例を示したが、本発明はこれに限られない。本発明では、学習内容に関する情報６０が、細胞画像８１に写る細胞種の情報を含まなくてもよい。また、上記第１実施形態では、学習内容に関する情報６０が、細胞画像８１の撮影条件の情報６２を含む例を示したが、本発明はこれに限られない。本発明では、学習内容に関する情報６０が、細胞画像８１の撮影条件の情報６２を含まなくてもよい。また、上記第１実施形態では、複数の学習済モデル５０の各々についての性能評価指標６３を選択受付画面１１０に表示する例を示したが、本発明はこれに限られない。本発明では、性能評価指標６３を選択受付画面１１０に表示しなくてもよい。また、上記第１実施形態では、複数の学習済モデル５０の各々の機械学習に使用した学習用データセット８５ａに含まれる細胞画像８１の代表画像８３を選択受付画面１１０に表示する例を示したが、本発明はこれに限られない。本発明では、代表画像８３を選択受付画面１１０に表示しなくてもよい。上記第２実施形態についても同様である。

また、上記第１実施形態では、選択受付画面１１０が、複数の学習済モデル５０の名称と、学習内容に関する情報６０を含む複数の学習済モデル５０の各々についての表示情報とを、表形式で表示する例を示したが、本発明はこれに限られない。本発明では、選択受付画面１１０は、表形式の表示画面でなくてもよい。たとえば、選択受付画面１１０は、学習済モデル５０およびその学習済モデル５０の学習内容に関する情報６０を、１つのタイル状表示領域に表示し、複数のタイル状表示領域をアレイ状に配列した表示態様で情報表示を行ってもよい。つまり、選択受付画面１１０は、サムネイル形式またはタイリング表示形式の表示画面であってもよい。上記第２実施形態についても同様である。

また、上記第１実施形態では、選択受付画面１１０の各表示欄における表示項目の項目数および種類を、操作入力に応じて設定可能および変更可能に構成されている例を示したが、本発明はこれに限られない。本発明では、選択受付画面１１０に表示される表示項目の項目数および種類が予め設定されて変更不可能であってもよい。上記第２実施形態についても同様である。

また、上記第１実施形態では、制御部１１（画面生成部１１ｂ）が、抽出条件に該当する学習済モデル５０だけを抽出して選択受付画面１１０に表示するよう構成されている例を示したが、本発明はこれに限られない。本発明では、抽出条件に該当する学習済モデル５０を抽出しなくてもよい。選択受付画面１１０では、フィルタリング（抽出）なしで、記憶部１２に記憶されている全ての学習済モデル５０が表示されるだけでもよい。上記第２実施形態についても同様である。

また、上記第１実施形態では、学習内容に関する情報６０に基づいて学習対象に推薦される学習済モデル５０Ｒを、選択受付画面１１０に識別可能に表示させる例を示したが、本発明はこれに限られない。本発明では、学習対象に推薦される学習済モデル５０Ｒを表示しなくてもよい。上記第２実施形態についても同様である。

また、上記第１実施形態では、学習済モデル５０の学習内容と転移学習の学習内容との類似度を取得し、取得した類似度に基づいて学習対象に推薦される学習済モデル５０Ｒを決定する例を示したが、本発明はこれに限られない。本発明では、学習済モデル５０の学習内容と転移学習の学習内容との類似度以外の情報に基づいて学習対象に推薦される学習済モデル５０Ｒを決定してもよい。学習対象に推薦される学習済モデル５０Ｒの選出基準を、ユーザが設定できるようにしてもよい。上記第２実施形態についても同様である。

また、上記第１実施形態では、複数の学習対象が選択された場合、学習結果画面１４０において、転移学習が行われた学習対象の各々についての性能評価指標を含む学習結果情報１４３を対比可能に表示する例を示したが、本発明はこれに限られない。本発明では、複数の学習対象が選択された場合でも、学習結果情報１４３を対比可能に表示しなくてもよい。たとえば、学習結果情報１４３を表示する代わりに、学習結果画面１４０において、性能評価指標が最も優れた転移学習済モデル５５を、他の転移学習済モデル５５から識別可能に表示してもよい。この他、学習結果画面１４０において、性能評価指標が最も優れた１つの転移学習済モデル５５を表示するようにしてもよい。なお、学習結果情報１４３は学習時間を含まなくてもよい。上記第２実施形態についても同様である。

また、上記第１実施形態では、クライアントサーバモデルで構築された学習支援システム１００の例を示したが、本発明はこれに限られない。たとえば、図２１に示す変形例のように、学習支援システム１００が、単一のコンピュータ２１０、またはネットワーク４０を介さずに直接接続された機器群によって構築されてもよい。図２１の変形例では、単一のコンピュータ２１０の制御部２１１が、学習部１１ａ、画面生成部１１ｂ、画像処理部１１ｃを含む。記憶部２１２に、学習済モデル５０、学習内容に関する情報６０、転移学習済モデル５５、画像データ８０などが記憶される。コンピュータ２１０は、撮像装置３０から細胞画像８１を取得する。コンピュータ２１０は、コンピュータ２１０が備える表示部２１に、選択受付画面１１０を表示する。コンピュータ２１０は、選択受付画面１１０において、転移学習の処理に供する学習対象の選択を受け付け、受け付けた選択対象（学習済モデル５０）に対する転移学習を実行する。上記第２実施形態についても同様である。

［態様］
上記した例示的な実施形態は、以下の態様の具体例であることが当業者により理解される。

（項目１）
既存の学習済モデルに対して、細胞画像に対する画像処理の転移学習を行うための学習支援システムであって、
表示部と、
複数の学習済モデルと、前記複数の学習済モデルの各々の学習内容に関する情報とを記憶する記憶部と、
前記複数の学習済モデルのうちから、転移学習の処理に供する少なくとも１つの学習対象の選択を受け付ける制御部と、を備え、
前記制御部は、前記複数の学習済モデルを、前記複数の学習済モデルの各々の前記学習内容に関する情報とともに選択可能に表示する選択受付画面を前記表示部に表示させる制御を行う、学習支援システム。

（項目２）
前記学習内容に関する情報は、機械学習に使用された学習用データセットに含まれる前記細胞画像に写る細胞種の情報を含む、項目１に記載の学習支援システム。

（項目３）
前記学習内容に関する情報は、機械学習に使用された学習用データセットに含まれる前記細胞画像の撮影条件の情報を含む、項目１または２に記載の学習支援システム。

（項目４）
前記記憶部は、前記複数の学習済モデルの各々についての性能評価指標をさらに記憶し、
前記選択受付画面は、前記複数の学習済モデルの各々の前記性能評価指標をさらに表示する、項目１～３のいずれか１項に記載の学習支援システム。

（項目５）
前記記憶部は、前記複数の学習済モデルの各々の機械学習に使用した学習用データセットに含まれる前記細胞画像の代表画像をさらに記憶し、
前記選択受付画面は、前記複数の学習済モデルの各々についての前記代表画像をさらに表示する、項目１～４のいずれか１項に記載の学習支援システム。

（項目６）
前記選択受付画面は、前記複数の学習済モデルの名称と、前記学習内容に関する情報を含む前記複数の学習済モデルの各々についての表示情報とを、表形式で表示する、項目１～５のいずれか１項に記載の学習支援システム。

（項目７）
前記制御部は、前記学習内容に関する情報に基づいて前記学習対象に推薦される前記学習済モデルを、前記選択受付画面に識別可能に表示させる制御を行う、項目１～６のいずれか１項に記載の学習支援システム。

（項目８）
前記記憶部は、転移学習の学習内容に関する情報をさらに記憶し、
前記制御部は、前記学習内容に関する情報と、前記転移学習の学習内容に関する情報とに基づいて、前記学習済モデルの学習内容と転移学習の学習内容との類似度を取得し、取得した前記類似度に基づいて前記学習対象に推薦される前記学習済モデルを決定するように構成されている、項目７に記載の学習支援システム。

（項目９）
前記制御部は、前記選択受付画面において選択された前記学習対象に対する転移学習の学習結果を表示する学習結果画面を前記表示部に表示させる制御を行うように構成され、
複数の前記学習対象が選択された場合、前記学習結果画面は、転移学習が行われた前記学習対象の各々についての性能評価指標を含む学習結果情報を対比可能に表示する、項目１～８のいずれか１項に記載の学習支援システム。

（項目１０）
前記画像処理は、前記細胞画像のセグメンテーション処理を含む、項目１～９のいずれか１項に記載の学習支援システム。

（項目１１）
既存の学習済モデルに対して、細胞画像に対する画像処理の転移学習を行うための学習支援方法であって、
複数の学習済モデルと、前記複数の学習済モデルの各々の学習内容に関する情報とを取得するステップと、
前記複数の学習済モデルを、前記複数の学習済モデルの各々の前記学習内容に関する情報とともに選択可能に表示する選択受付画面を表示するステップと、
前記選択受付画面に表示された前記複数の学習済モデルのうちから、転移学習の処理に供する少なくとも１つの学習対象の選択を受け付けるステップと、を備える、学習支援方法。

（項目１２）
既存の学習済モデルに対して、画像に対する画像処理の転移学習を行うための学習支援システムであって、
表示部と、
複数の学習済モデルと、前記複数の学習済モデルの各々の学習内容に関する情報とを記憶する記憶部と、
前記複数の学習済モデルのうちから、転移学習の処理に供する少なくとも１つの学習対象の選択を受け付ける制御部と、を備え、
前記制御部は、前記複数の学習済モデルを、前記複数の学習済モデルの各々の前記学習内容に関する情報とともに選択可能に表示する選択受付画面を前記表示部に表示させる制御を行う、学習支援システム。

（項目１３）
前記画像は、Ｘ線画像であり、
前記学習内容に関する情報は、機械学習に使用された学習用データセットに含まれる前記Ｘ線画像に写る被写体の情報、および、機械学習に使用された学習用データセットに含まれる前記Ｘ線画像の撮影条件の情報の少なくとも一方を含む、項目１２に記載の学習支援システム。

１１、２１１、３１１ 制御部
１２、２１２ 記憶部
２１ 表示部
２３ 記憶部
５０ 学習済モデル
５０Ｒ 推薦される学習済モデル
６０ 学習内容に関する情報
６２ 撮影条件の情報
６３ 性能評価指標
６５ 転移学習の学習内容に関する情報
８１ 細胞画像
８３ 代表画像
８５ａ、８５ｂ 学習用データセット
１００、３００ 学習支援システム
３８１ Ｘ線画像
１１０ 選択受付画面
１４０ 学習結果画面
１４３ 学習結果情報

Claims (13)

1. 既存の学習済モデルに対して、細胞画像に対する画像処理の転移学習を行うための学習支援システムであって、
   表示部と、
   複数の学習済モデルと、前記複数の学習済モデルの各々の学習内容に関する情報とを記憶する記憶部と、
   前記複数の学習済モデルのうちから、転移学習の処理に供する少なくとも１つの学習対象の選択を受け付ける制御部と、を備え、
   前記制御部は、前記複数の学習済モデルを、前記複数の学習済モデルの各々の前記学習内容に関する情報とともに選択可能に表示する選択受付画面を前記表示部に表示させる制御を行う、学習支援システム。
2. 前記学習内容に関する情報は、機械学習に使用された学習用データセットに含まれる前記細胞画像に写る細胞種の情報を含む、請求項１に記載の学習支援システム。
3. 前記学習内容に関する情報は、機械学習に使用された学習用データセットに含まれる前記細胞画像の撮影条件の情報を含む、請求項２に記載の学習支援システム。
4. 前記記憶部は、前記複数の学習済モデルの各々についての性能評価指標をさらに記憶し、
   前記選択受付画面は、前記複数の学習済モデルの各々の前記性能評価指標をさらに表示する、請求項３に記載の学習支援システム。
5. 前記記憶部は、前記複数の学習済モデルの各々の機械学習に使用した学習用データセットに含まれる前記細胞画像の代表画像をさらに記憶し、
   前記選択受付画面は、前記複数の学習済モデルの各々についての前記代表画像をさらに表示する、請求項４に記載の学習支援システム。
6. 前記選択受付画面は、前記複数の学習済モデルの名称と、前記学習内容に関する情報を含む前記複数の学習済モデルの各々についての表示情報とを、表形式で表示する、請求項５に記載の学習支援システム。
7. 前記制御部は、前記学習内容に関する情報に基づいて前記学習対象に推薦される前記学習済モデルを、前記選択受付画面に識別可能に表示させる制御を行う、請求項１～６のいずれか１項に記載の学習支援システム。
8. 前記記憶部は、転移学習の学習内容に関する情報をさらに記憶し、
   前記制御部は、前記学習内容に関する情報と、前記転移学習の学習内容に関する情報とに基づいて、前記学習済モデルの学習内容と転移学習の学習内容との類似度を取得し、取得した前記類似度に基づいて前記学習対象に推薦される前記学習済モデルを決定するように構成されている、請求項７に記載の学習支援システム。
9. 前記制御部は、前記選択受付画面において選択された前記学習対象に対する転移学習の学習結果を表示する学習結果画面を前記表示部に表示させる制御を行うように構成され、
   複数の前記学習対象が選択された場合、前記学習結果画面は、転移学習が行われた前記学習対象の各々についての性能評価指標を含む学習結果情報を対比可能に表示する、請求項１～６のいずれか１項に記載の学習支援システム。
10. 前記画像処理は、前記細胞画像のセグメンテーション処理を含む、請求項１～６のいずれか１項に記載の学習支援システム。
11. 既存の学習済モデルに対して、細胞画像に対する画像処理の転移学習を行うための学習支援方法であって、
    複数の学習済モデルと、前記複数の学習済モデルの各々の学習内容に関する情報とを取得するステップと、
    前記複数の学習済モデルを、前記複数の学習済モデルの各々の前記学習内容に関する情報とともに選択可能に表示する選択受付画面を表示するステップと、
    前記選択受付画面に表示された前記複数の学習済モデルのうちから、転移学習の処理に供する少なくとも１つの学習対象の選択を受け付けるステップと、を備える、学習支援方法。
12. 既存の学習済モデルに対して、画像に対する画像処理の転移学習を行うための学習支援システムであって、
    表示部と、
    複数の学習済モデルと、前記複数の学習済モデルの各々の学習内容に関する情報とを記憶する記憶部と、
    前記複数の学習済モデルのうちから、転移学習の処理に供する少なくとも１つの学習対象の選択を受け付ける制御部と、を備え、
    前記制御部は、前記複数の学習済モデルを、前記複数の学習済モデルの各々の前記学習内容に関する情報とともに選択可能に表示する選択受付画面を前記表示部に表示させる制御を行う、学習支援システム。
13. 前記画像は、Ｘ線画像であり、
    前記学習内容に関する情報は、機械学習に使用された学習用データセットに含まれる前記Ｘ線画像に写る被写体の情報、および、機械学習に使用された学習用データセットに含まれる前記Ｘ線画像の撮影条件の情報の少なくとも一方を含む、請求項１２に記載の学習支援システム。

Images