JP2023123987A - モデル選定方法および画像処理方法 - Google Patents

Abstract

【課題】Ｇｒｏｕｎｄ Ｔｒｕｔｈを用いることなく、多数の機械学習モデルの中から高精度かつ効率的に機械学習モデルを選定するモデル選定方法及び選定された機械学習モデルを用いた画像処理方法を提供する。【解決手段】方法は、第１モデル選定工程Ｓ３３と、第２モデル選定工程Ｓ３５を有する。第１モデル選定工程Ｓ３３では、少なくとも１つの確認用画像を含む第１画像群を用いて、全ての機械学習モデルから複数の機械学習モデルを選定して第１モデル群とする。第２モデル選定工程Ｓ３５では、第２画像群を用いて第１モデル群に含まれる機械学習モデルから少なくとも１つの機械学習モデルを選定する。第２画像群に含まれる確認用画像の数は、第１画像群よりも多い。段階的に確認用画像を増やすとともに選定対象モデル数を絞り込むことにより、Ｇｒｏｕｎｄ Ｔｒｕｔｈを用いることなく、精度よく適切な機械学習モデルを選定することができる。【選択図】図５

Description

本発明は、画像処理を行う複数の機械学習モデルから適切なモデルを選定するモデル選定方法、および、選定された機械学習モデルを用いた画像処理方法に関する。

従来、病理組織標本や培養細胞等に対して染色を施して観察する方法が知られている。このとき、病理組織標本等の画像から細胞領域を抽出することが重要となる。特に、染色を施された病理組織標本に対してデジタル画像上でタンパク質等の生体物質の発現量のシングルセル解析を行うためには、個々の細胞領域の同定をより正確に行う必要がある。細胞領域を抽出するための従来の画像処理方法については、例えば、特許文献１に記載されている。

特表２０２１－５０６０２２号公報

しかしながら、このような標本観察において、観察方法、細胞の種類、標本の採取部位、染色物質の種類の違いに加えて、これらが同じであっても、組織状態や染色状況が異なる場合がある。したがって、ルールベースの画像処理で細胞領域を同定することは困難である。また、機械学習モデルを用いた場合であっても、１つの標本に対して正確に細胞領域を抽出できるモデルが、他の標本についても正確に細胞領域を抽出できるとは限らない。

深層学習を用いて細胞領域を同定する場合には、一例として、セグメンテーションタスクを応用して細胞領域をアノテーションした画像をモデルで学習させ、未知の画像に対して細胞領域をセグメント化して出力させる方法がとられる。

作成した多数の機械学習モデルから優れたモデルを選別するための手法として、正解ラベル画像（Ground Truth）がある場合には、Ｆ値や再現率等の数値精度の情報が用いられることが多い。しかし、正確なGround Truthの作成は手作業となり時間を要するため、解析対象毎にモデル評価用のGround Truthを作成することは非効率的である。また、完成されたGround Truthが存在する場合には、機械学習モデルを用いて細胞領域を同定する必要がないため、解析実施時において通常はGround Truthは存在しない。

本発明は、このような事情に鑑みなされたものであり、Ground Truthを用いることなく、多数の機械学習モデルの中から高精度かつ効率的に機械学習モデルを選定する技術を提供することを目的とする。

上記課題を解決するため、本願の第１発明は、画像処理を行う複数の機械学習モデルの中から、複数の確認用画像を用いて少なくとも１つの機械学習モデルを選定するモデル選定方法であって、ａ）少なくとも１つの前記確認用画像を含む第１画像群を用いて、全ての機械学習モデルを含む全モデル群に含まれる前記機械学習モデルから複数の前記機械学習モデルを選定して第１モデル群とする、第１モデル選定工程と、ｂ）前記工程ａ）の後に、複数の前記確認用画像を含む第２画像群を用いて、前記第１モデル群に含まれる前記機械学習モデルから少なくとも１つの前記機械学習モデルを選定して第２モデル群とする、第２モデル選定工程と、を有し、前記第２画像群に含まれる前記確認用画像の数は、前記第１画像群に含まれる前記確認用画像の数よりも多い。

本願の第２発明は、第１発明のモデル選定方法であって、前記工程ａ）は、ａ１）前記第１画像群に含まれる全ての前記確認用画像を、前記全モデル群に含まれる全ての前記機械学習モデルに入力した出力結果を得る工程と、ａ２）前記工程ａ１）で得られた前記出力結果を表示する工程と、ａ３）前記全モデル群に含まれる前記機械学習モデルの一部を選定する選定結果が外部から入力される工程と、を含む。

本願の第３発明は、第１発明または第２発明のモデル選定方法であって、前記工程ｂ）は、ｂ１）前記第２画像群に含まれる全ての前記確認用画像を、前記第１モデル群に含まれる全ての前記機械学習モデルに入力した出力結果を得る工程と、ｂ２）前記工程ｂ１）で得られた前記出力結果を表示する工程と、ｂ３）前記第１モデル群に含まれる前記機械学習モデルの一部を選定する選定結果が外部から入力される工程と、を含む。

本願の第４発明は、第１発明ないし第３発明のいずれかのモデル選定方法であって、前記第２モデル群は、複数の前記機械学習モデルを含み、ｃ）前記工程ｂ）の後に、複数の前記確認用画像を含む第３画像群を用いて、前記第２モデル群に含まれる前記機械学習モデルから１つの前記機械学習モデルを選定する、第３モデル選定工程をさらに有し、前記第３画像群に含まれる前記確認用画像の数は、前記第２画像群に含まれる前記確認用画像の数よりも多い。

本願の第５発明は、第１発明ないし第４発明のいずれかのモデル選定方法であって、ｄ）前記工程ａ）の前に、全ての前記確認用画像の中から１つまたは複数の画像を選択して前記第１画像群とする、第１画像選択工程と、ｅ）前記工程ａ）の後、かつ、前記工程ｂ）の前に、全ての前記確認用画像の中から複数の画像を選択して前記第２画像群とする、第２画像選択工程と、をさらに有する。

本願の第６発明は、第５発明のモデル選定方法であって、前記工程ｄ）は、ｄ１）全ての前記確認用画像を、前記全モデル群に含まれる全ての前記機械学習モデルに入力した出力結果を得る工程と、ｄ２）前記確認用画像ごとに、前記工程ｄ１）で得られた前記出力結果のばらつきを算出する工程と、ｄ３）前記工程ｄ２）において算出された前記ばらつきが大きい前記確認用画像を全ての前記確認用画像の中から選択して前記第１画像群とする工程と、を含む。

本願の第７発明は、第１発明ないし第６発明のいずれかのモデル選定方法であって、前記機械学習モデルは、細胞を含む画像中の細胞領域を認識してセグメント化する画像処理を行う。

本願の第８発明は、複数の解析用画像に対して、機械学習モデルを用いて画像処理を行う画像処理方法であって、ｓ）第１発明ないし第７発明のいずれかのモデル選定方法によって１つの前記機械学習モデルを選定する工程と、ｔ）前記工程ｓ）において選定された前記機械学習モデルを用いて、複数の前記解析用画像に対して画像処理を行う工程と、を有し、前記工程ｓ）における前記確認用画像は、前記工程ｔ）における処理対象である前記解析用画像である。

本願の第１発明～第８発明によれば、第１モデル選定工程において少ない数の確認用画像を用いて、多数の機械学習モデルを大まかに選定した後に、第２モデル選定工程においてより多くの数の確認用画像を用いて、さらに機械学習モデルを選定する。段階的に確認用画像を増やすと共に選定対象となる機械学習モデルの数を絞り込むことにより、モデル選定の際に確認すべきモデルの出力結果の数をできる限り抑制しつつ、精度よく適切な機械学習モデルを選定することができる。したがって、Ground Truthを用いることなく、多数の機械学習モデルの中から高精度かつ効率的に機械学習モデルを選定することができる。

特に、本願の第２発明によれば、第１モデル選定工程を、機械学習モデルの出力結果を確認したユーザの判断で行うことができる。これにより、第１モデル群を適切に選定することができる。

特に、本願の第３発明によれば、第２モデル選定工程を、機械学習モデルの出力結果を確認したユーザの判断で行うことができる。これにより、第２モデル群を適切に選定することができる。

特に、本願の第４発明によれば、第１モデル選定工程、第２モデル選定工程および第３モデル選定工程の３段階で機械学習モデルを選定する。これにより、選定対象となる機械学習モデルの数が多い場合に、２段階で機械学習モデルを選定する場合に比べて、より精度よく適切な機械学習モデルを選定することができる。

特に、本願の第５発明によれば、第１モデル選定工程で使用する確認用画像と、第２モデル選定工程で使用する確認用画像とを、多数の確認用画像から選択する。これにより、より精度よく機械学習モデルを選定することができる。

特に、本願の第６発明によれば、選定対象となる機械学習モデルの出力結果にばらつきが生じやすい確認用画像を第１モデル選定工程で用いることにより、少ない数の確認用画像によって選定を行っても精度よく機械学習モデルを選定することができる。

特に、本願の第７発明によれば、機械学習モデルの入力画像が、細胞や試薬の種類や観察環境によって大きく異なる。このため、適切な機械学習モデルの選定が重要となる。

特に、本願の第７発明によれば、解析対象である解析用画像を用いて機械学習モデルの選定を行う。これにより、解析用画像にとって最適な機械学習モデルを選定することができる。

第１実施形態に係る情報処理装置のハードウェア構成を示した図である。 第１実施形態に係る画像解析装置の機能的な構成を示した図である。 第１実施形態の機械学習モデル選定装置の機能的な構成を示した図である。 画像解析工程の流れを示すフローチャートである。 機械学習モデル選定工程の流れを示すフローチャートである。 機械学習モデル選定工程の各段階で使用する画像群と選定対象となるモデル群の下図のイメージ図である。 １つの確認用画像を複数の機械学習モデルに入力して得られる出力結果を模式的に示した図である。 第１画像選択工程および第２画像選択工程を手動で行う場合の流れを示したフローチャートである。 第１画像選択工程を自動で行う場合の流れを示したフローチャートである。 第１モデル選定工程、第２モデル選定工程および第３モデル選定工程の流れを示したフローチャートである。

以下、本発明の実施形態について、図面を参照しつつ説明する。

＜１．第１実施形態＞
＜１－１．画像解析装置の構成＞
図１は、第１実施形態に係る機械学習モデル選定装置１を含む画像解析装置２０を実現する情報処理装置１００のハードウェア構成を示した図である。

図１に示すように、情報処理装置１００は、コンピュータとしての構成を備える。具体的には、情報処理装置１００は、プロセッサ１０１と、ＲＡＭ１０２と、機器Ｉ／Ｆ１０３と、通信Ｉ／Ｆ１０４と、記憶部１０５と、入力部１０６と、表示部１０７と、を備える。プロセッサ１０１、ＲＡＭ１０２、機器Ｉ／Ｆ１０３、通信Ｉ／Ｆ１０４、記憶部１０５、入力部１０６および表示部１０７は、バス１０８を介して互いに電気的に接続されている。

プロセッサ１０１は、具体的には、ＣＰＵまたはＧＰＵを含む。ＲＡＭ１０２は、情報の読み出しおよび書き込みが可能な記憶媒体であって、具体的には、ＳＤＲＡＭである。

機器Ｉ／Ｆ１０３は、後述する撮像装置９等の外部機器を情報処理装置１００に電気的に接続するためのインターフェースである。通信Ｉ／Ｆ１０４は、情報処理装置１００をインターネットなどのネットワークと接続するためのインターフェースである。撮像装置９等の外部機器は、通信Ｉ／Ｆ１０４を介して情報処理装置１００と接続されてもよい。

記憶部１０５は、情報の読み出しおよび書き込みが可能な記録媒体であって、具体的には、ＨＤＤ（ハードディスクドライブ）またはＳＳＤ（ソリッドステートドライブ）を含む。なお、記憶部１０５は、可搬性を有する光ディスク、磁気ディスクまたは半導体メモリ等を含んでもよい。記憶部１０５は、プログラムＰを記憶している。プロセッサ１０１は、ＲＡＭ１０２を作業領域として、プログラムＰを実行することにより、画像解析装置２０および機械学習モデル選定装置１としての各種の機能を実現する。なお、プログラムＰは、ネットワークを介して、情報処理装置１００に提供または配布されるようにしてもよい。

入力部１０６は、ユーザの操作入力を受け付ける入力デバイスであり、具体的には、マウスまたはキーボードなどである。表示部１０７は、各種情報を表す画像を表示する表示デバイスであり、具体的には、液晶ディスプレイである。なお、入力部１０６および表示部１０７は、タッチパネル式ディスプレイなどの単一のデバイスであってもよい。

図２は、第１実施形態の情報処理装置１００により実現される画像解析装置２０の機能的な構成を示した図である。画像解析装置２０は、外部から入力された画像を解析する装置である。本実施形態の画像解析装置２０は、顕微鏡に備えられた撮像装置９から入力された細胞の画像を解析するための装置である。画像解析装置２０は、画像切り出し部２１と、機械学習モデル選定部２２と、画像解析部２３とを有する。画像切り出し部２１、機械学習モデル選定部２２、および画像解析部２３は、プロセッサ１０１がプログラムＰに従って動作することにより実現される機能である。

画像切り出し部２１は、撮像装置から入力された入力画像Ｇｅから、解析用の複数の画像を得る。本実施形態では、撮像装置９は、顕微鏡に備えられたカメラであり、入力画像Ｇｅは、蛍光染色された組織標本を顕微鏡に備えられた撮像装置９で撮影したものである。なお、本実施形態の解析対象は、蛍光染色された組織標本であるが、本発明はこれに限られない。解析対象は、セグメンテーションの必要のある試料を撮影した画像であれば、組織標本に限られず、培養細胞や血球細胞等のその他の生体試料であってもよい。また、解析対象は、蛍光染色された試料に限られず、未染色の試料や、非蛍光の染色剤で染色された試料であってもよい。

画像切り出し部２１は、広視野で撮影された入力画像Ｇｅから、複数の狭視野の画像を切り出して、複数の解析用画像を取得する。そして、切り出した複数の解析用画像を全画像群Ｇ０として、記憶部１０５に記憶させる。

本実施形態の画像切り出し部２１は、広視野の入力画像Ｇｅを表示部１０７に表示させる。そして、ユーザが入力部１０６を操作することにより、入力画像Ｇｅの中から複数の部位を指定する。画像切り出し部２１は、指定された部位を切り出して、狭視野の解析用画像とする。なお、画像切り出し部２１は、このような手順を経ること無く、自動で解析用画像を切り出してもよい。その場合、例えば、入力画像Ｇｅを、自動的に所定の大きさでタイル状に切り出すようにしてもよい。

機械学習モデル選定部２２は、画像処理を行う複数の機械学習モデルの中から、複数の確認用画像を用いて１つの機械学習モデルを選定する。具体的には、記憶部１０５に記憶された全画像群Ｇ０と、複数の機械学習モデルを含む全モデル群Ｍ０を読み出して、全画像群Ｇ０を用いて全モデル群Ｍ０の中から１つの機械学習モデルを選定モデルＭｆとして選定し、出力する。本実施形態において、各機械学習モデルは、蛍光染色された細胞の観察画像が入力されると、当該観察画像における各細胞の細胞領域を同定して、当該領域を出力するものである。

本実施形態では機械学習モデルを選定するための確認用画像として、実際に画像解析の対象となる解析用画像が使用される。すなわち、確認用画像として、画像切り出し部２１が取得した全画像群Ｇ０に含まれる複数の解析用画像が用いられる。機械学習モデル選定部２２の詳細な構成については、後述する。

画像解析部２３は、解析用画像を画像処理を用いて解析する。本実施形態の画像解析部２３は、画像切り出し部２１の切り出した複数の解析用画像のそれぞれについて、機械学習モデル選定部２２が選定した選定モデルＭｆを用いて細胞領域を同定する。その後、同定された細胞領域における染色領域の面積や分布などを、染色の種類毎に算出する。

＜１－２．機械学習モデル選定装置の構成＞
続いて、機械学習モデル選定装置１について、図３を参照しつつ説明する。図３は、第１実施形態の情報処理装置１００において実現される機械学習モデル選定装置１の機能的な構成を示した図である。この機械学習モデル選定装置１は、画像処理を行う複数の機械学習モデルの中から、複数の確認用画像を用いて１つの機械学習モデルを選定する。

前述の通り、この機械学習モデル選定装置１では、細胞を含む画像中の細胞領域を認識してセグメント化する画像処理を行う機械学習モデルを選定する。細胞を含む画像は、その撮影条件の違いや、染色の有無、染色薬剤の違いなどによって、見え方が異なる。このため、画像毎に、細胞領域を同定するために最適な機械学習モデルが異なる。このため、解析対象が変わる毎に、この機械学習モデル選定装置１を用いて最適な機械学習モデルを選定することが好ましい。

以下では、理解容易のため、８０個の確認用画像を用いて、１００個の機械学習モデルの中から、画像選択工程およびモデル選定工程を３回繰り返して１つの機械学習モデルを選定する具体例について、確認用画像や機械学習モデルの具体的な数を言及しつつ説明する。しかしながら、確認用画像の数と、選定対象となる機械学習モデルの数とは、これに限られた物ではなく、複数であれば、その数は問わない。

機械学習モデル選定装置１は、上述した機械学習モデル選定部２２を有する。図３に示すように、機械学習モデル選定部２２は、画像処理部３１、第１画像選択部３２、第１モデル選定部３３、第２画像選択部３４、第２モデル選定部３５、第３画像選択部３６、および、第３モデル選定部３７を有する。画像処理部３１、第１画像選択部３２、第１モデル選定部３３、第２画像選択部３４、第２モデル選定部３５、第３画像選択部３６および第３モデル選定部３７は、プロセッサ１０１がプログラムＰに従って動作することにより実現される機能である。また、機械学習モデル選定装置１は、前述の記憶部１０５、入力部１０６および表示部１０７を含む。

記憶部１０５には、全画像群Ｇ０と、全モデル群Ｍ０とが記憶されている。全画像群Ｇ０は、複数の確認用画像ｇ１～ｇ８０を含む。本実施形態では、全画像群Ｇ０に含まれる確認用画像ｇ１～ｇ８０には、実際に解析に用いる解析用画像が用いられる。全モデル群Ｍ０には、複数の機械学習モデルが含まれる。これらの機械学習モデルは、同一のアルゴリズムにより作成されたモデルのパラメータ違いを含んでいてもよいし、様々な種類のアルゴリズムにより作成された機械学習モデルを含んでいてもよい。

画像処理部３１は、全画像群Ｇ０に含まれる全ての確認用画像を、全モデル群Ｍ０に含まれる全ての機械学習モデルに入力し、全出力結果群Ｄ０を得る。画像処理部３１は、第１画像選択部３２、第２画像選択部３４および第３画像選択部のそれぞれに、全画像群Ｇ０および全出力結果群Ｄ０を引き渡す。例えば、全出力結果群Ｄ０には、８０個の確認用画像の全てを１００個の機械学習モデルに入力した、合計８０００個の出力結果が含まれる。

第１画像選択部３２は、全画像群Ｇ０に含まれる全ての確認用画像の中から、１つまたは複数の画像を選択して、第１画像群Ｇ１とする。そして、第１画像選択部３２は、第１画像群Ｇ１と、第１画像群Ｇ１を全モデル群Ｍ０に含まれる各機械学習モデルに入力した出力結果である第１出力結果群Ｄ１とを、第１モデル選定部３３へと引き渡す。第１出力結果群Ｄ１は、全出力結果群Ｄ０のうち、第１画像群Ｇ１に含まれる確認用画像を、全モデル群Ｍ０に含まれる全ての機械学習モデルに入力して得られた出力結果を全て含む。例えば、第１画像群Ｇ１に２つの確認用画像が含まれ、全モデル群Ｍ０に１００個の機械学習モデルが含まれている場合には、第１出力結果群Ｄ１には２００個の出力結果が含まれる。

第１モデル選定部３３は、第１画像群Ｇ１と、第１画像群Ｇ１／全モデル群Ｍ０の出力結果である第１出力結果群Ｄ１とを用いて、全モデル群Ｍ０に含まれる機械学習モデルの中から、複数の機械学習モデルを選定して第１モデル群Ｍ１とする。第１モデル群Ｍ１に含まれる機械学習モデルの数は、全モデル群Ｍ０に含まれる機械学習モデルの数よりも少ない。第１モデル選定部３３は、選定した第１モデル群Ｍ１を、第２画像選択部３４へと引き渡す。

第２画像選択部３４は、全画像群Ｇ０に含まれる全ての確認用画像の中から、複数の画像を選択して、第２画像群Ｇ２とする。本実施形態では、第２画像選択部３４は、全画像群Ｇ０／第１モデル群Ｍ１の出力結果である第２出力結果群Ｄ２を用いて確認用画像を選択し、選択した複数の確認用画像を第２画像群Ｇ２とする。例えば、全画像群Ｇ０に８０個の確認用画像が含まれ、第１モデル群Ｍ１に３０個の機械学習モデルが含まれている場合には、第２出力結果群Ｄ２には２４００個の出力結果が含まれる。

そして、第２画像選択部３４は、第２画像群Ｇ２と、第１モデル群Ｍ１と、第２画像群Ｇ２／第１モデル群Ｍ１の出力結果である第３出力結果群Ｄ３とを、第２モデル選定部３５へと引き渡す。第２画像群Ｇ２に含まれる確認用画像の数は、第１画像群Ｇ１に含まれる確認用画像の数よりも多い。なお、第２画像群Ｇ２は、第１画像群Ｇ１に含まれる確認用画像を全て含んでいてもよく、一部のみ含んでいてもよく、あるいは、全て含んでいなくてもよい。例えば、第２画像群Ｇ２に５つの確認用画像が含まれ、第１モデル群Ｍ１に３０個の機械学習モデルが含まれている場合には、第３出力結果群Ｄ３には１５０個の出力結果が含まれる。

第２モデル選定部３５は、第２画像群Ｇ２と、第２画像群Ｇ２／第１モデル群Ｍ１の出力結果である第３出力結果群Ｄ３とを用いて、第１モデル群Ｍ１に含まれる機械学習モデルの中から、複数の機械学習モデルを選定して第２モデル群Ｍ２とする。第２モデル群Ｍ２に含まれる機械学習モデルの数は、第１モデル群Ｍ１に含まれる機械学習モデルの数よりも少ない。第２モデル選定部３５は、選定した第２モデル群Ｍ２を、第３画像選択部３６へと引き渡す。

第３画像選択部３６は、全画像群Ｇ０に含まれる全ての確認用画像の中から、複数の画像を選択して、第３画像群Ｇ３とする。本実施形態では、第３画像選択部３６は、全画像群Ｇ０／第２モデル群Ｍ２の出力結果である第４出力結果群Ｄ４を用いて確認用画像を選択し、選択した複数の確認用画像を第３画像群Ｇ３とする。例えば、全画像群Ｇ０に８０個の確認用画像が含まれ、第２モデル群Ｍ２に５個の機械学習モデルが含まれている場合には、第４出力結果群Ｄ４には４００個の出力結果が含まれる。

そして、第３画像選択部３６は、第３画像群Ｇ３と、第２モデル群Ｍ２と、第３画像群Ｇ３／第２モデル群Ｍ２の出力結果である第５出力結果群Ｄ５とを、第３モデル選定部３７へと引き渡す。第３画像群Ｇ３に含まれる確認用画像の数は、第２画像群Ｇ２に含まれる確認用画像の数よりも多い。なお、第３画像群Ｇ３は、第１画像群Ｇ１および第２画像群Ｇ２に含まれる確認用画像を全て含んでいてもよく、一部のみ含んでいてもよく、あるいは、全て含んでいなくてもよい。例えば、第３画像群Ｇ３に４０個の確認用画像が含まれ、第２モデル群Ｍ２に５個の機械学習モデルが含まれている場合には、第５出力結果群Ｄ５には２００個の出力結果が含まれる。

また、第３画像選択部３６は、全画像群Ｇ０に含まれる全ての確認用画像を第３画像群Ｇ３としてもよい。例えば、全画像群Ｇ０に含まれる全ての確認用画像の個数が所定の閾値以下である場合には、全画像群Ｇ０に含まれる全ての確認用画像を第３画像群Ｇ３とするようにしてもよい。また、第３画像選択部３６は、全画像群Ｇ０に含まれる確認用画像の中から、ランダムで確認用画像を選択して第３画像群Ｇ３としてもよい。

第３モデル選定部３７は、第３画像群Ｇ３と、第３画像群Ｇ３／第２モデル群Ｍ２の出力結果である第５出力結果群Ｄ５とを用いて、第２モデル群Ｍ２に含まれる複数の機械学習モデルから１つを選定して選定モデルＭｆとする。

＜１－３．画像処理の流れ＞
次に、モデル選定工程を含む画像解析工程の流れを、図４を参照しつつ説明する。図４は、画像解析工程の流れを示したフローチャートである。

画像解析装置２０は、まず、選定対象となる機械学習モデルを取得する（ステップＳ１：機械学習モデル取得工程）。本実施形態では、１００個の機械学習モデルを取得する。具体的には、候補となる１００個の機械学習モデルが、記憶部１０５に記憶される。これらの機械学習モデルは、同じ目的の画像処理を行うモデルであれば、同種のアルゴリズムにより作成されたパラメータ違いの複数のモデルを含んでいてもよいし、複数種類のアルゴリズムにより作成された機械学習モデルを含んでいてもよい。

次に、確認用画像となる複数の画像を取得する（ステップＳ２：画像取得工程）。本実施形態では、前述の通り、画像切り出し部２１において、撮像装置９から入力された入力画像Ｇｅを切り出すことにより、複数の解析用画像を確認用画像として取得する。すなわち、確認用画像として、後述する画像解析工程Ｓ４において画像解析の対象となる組織標本の観察画像を用いる。本実施形態では、８０個の確認用画像を取得する。取得された複数の確認用画像は、記憶部１０５に記憶される。

続いて、機械学習モデル選定部２２において、ステップＳ２の画像取得工程において取得した確認用画像を用いて、１００個すべての機械学習モデルから、機械学習モデルを１つ選定する（ステップＳ３：機械学習モデル選定工程）。本実施形態では、画像解析用画像が確認用画像として用いられるため、後続の画像解析工程Ｓ４において解析対象となる画像にとって最適な機械学習モデルが選定される。このステップＳ３で行われる機械学習モデル選定工程の詳細は後述する。

最後に、画像解析部２３において、画像解析用の観察画像の画像解析が行われる（ステップＳ４：画像解析工程）。具体的には、まず、ステップＳ３の機械学習モデル選定工程において選定された機械学習モデルを用いて、各画像解析用画像中の細胞領域を同定する。そして、同定された細胞領域の中において、染色された色毎の輝度や領域面積を算出する。これにより、染色によって可視化された生体物質の発現量や分布面積を推測することができる。

＜１－４．機械学習モデル選定工程の流れ＞
続いて、ステップＳ３の機械学習モデル選定工程について、図５～図１０を参照しつつ説明する。

図５は、機械学習モデル選定工程Ｓ３の流れを示したフローチャートである。図５に示すように、本実施形態の機械学習モデル選定工程では、多数の機械学習モデルの中から、段階的に機械学習モデルを選定する。本実施形態では、後述する第１モデル選定工程Ｓ３３、第２モデル選定工程Ｓ３５および第３モデル選定工程Ｓ３７の３段階によって１つの機械学習モデルが選定される。なお、本発明はこの限りではなく、複数のモデル選定工程を有していれば、２段階の選定工程によって機械学習モデルが選定されてもよく、４段階以上の選定工程によって機械学習モデルが選定されてもよい。

図６は、本実施形態において、機械学習モデル選定工程Ｓ３の各段階で使用する画像群と、選定対象となるモデル群の数のイメージ図である。図６において、画像群およびモデル群の名称の後に記載された括弧内の数字は、各画像群に含まれる画像数および各モデル軍に含まれる機械学習モデルの数である。

図７は、１つの確認用画像ｇ１を、全画像群Ｇ０に含まれる全ての機械学習モデルｍ１～ｍ１００に入力して得られる出力結果を模式的に示した図である。図７に示すように、確認用画像ｇ１には、細胞の画像が含まれている。そして、各機械学習モデルｍ１～ｍ１００は、確認用画像ｇ１中の細胞領域を同定する。図７において、その同定領域が黒く示されている。

確認用画像ｇ１に適した機械学習モデルにおいては、ほとんどの細胞が認識されるとともに、細胞でない領域が誤認識されにくい。一方で、確認用画像ｇ１の種類に適していない機械学習モデルにおいては、認識されない細胞があったり、細胞でない領域を細胞であると誤認識する。図７の例では、モデルｍ３においては全ての細胞が認識されているが、モデルｍ１，ｍ２，ｍ９９では認識漏れがある。一方で、モデルｍ１００においては細胞でない領域が細胞として認識されている。

このような出力結果から、全ての確認用画像ｇ１～ｇ８０に対して最も適切な画像処理を行っている機械学習モデルを選定するためには、例えば、ユーザが全ての確認用画像ｇ１～ｇ８０について、全ての機械学習モデルｍ１～ｍ１００の出力結果を確認し、分析することが考えられる。しかしながら、このような出力結果を、全ての確認用画像ｇ１～ｇ８０、全ての機械学習モデルｍ１～ｍ１００について確認して、最適な同定結果を用いるには、時間も手間もかかる。

そこで、この機械学習モデル選定工程Ｓ３では、図６に示すように、選定対象となる機械学習モデルが多い段階では、少ない個数の確認用画像を用いてモデルの選定を行い、段階的に選定対象となる機械学習モデルを少なくするとともに、段階的に確認用画像の個数を増やして機械学習モデルの出力を確認していく。これにより、選定の手間を減らしつつ、より適切な機械学習モデルを選定することができる。

機械学習モデル選定工程Ｓ３では、はじめに、画像処理部３１が、全画像群Ｇ０に含まれるすべての確認用画像を、全モデル群Ｍ０に含まれる全ての機械学習モデルに入力し、全出力結果群Ｄ０を得る（全画像処理工程：ステップＳ３１）。本実施形態では、全出力結果群Ｄ０には、８０個の確認用画像の全てを１００個の機械学習モデルに入力した、合計８０００個の出力結果が含まれる。

続いて、第１画像選択部３２は、全画像群Ｇ０に含まれる全ての確認用画像の中から、１つまたは複数の画像を選択して、第１画像群Ｇ１とする（第１画像選択工程：ステップＳ３２）。この第１画像選択工程は、手動で行ってもよいし、自動で行ってもよいし、あるいは、手動と自動とを組み合わせて行ってもよい。

図８は、第１画像選択工程Ｓ３２および第２画像選択工程Ｓ３４を手動で行う場合の流れを示したフローチャートである。図８に示すように、第１画像選択工程Ｓ３２を手動で行う場合には、第１画像選択部３２は、まず、画像処理部３１から全画像群Ｇ０および全出力結果群Ｄ０を取得する（ステップＳ５１）。

次に、第１画像選択部３２は、全画像群Ｇ０に含まれる確認用画像それぞれと、当該確認用画像についての全モデル群Ｍ０の出力結果とを、表示部１０７に確認可能に表示する（ステップＳ５２）。すなわち、全画像群Ｇ０の８０個の確認画像それぞれに対して、各１００個の出力結果が表示される。

そして、ユーザが、ステップＳ５２における表示を視認する（ステップＳ５３）。その後、ユーザが第１モデル選定工程Ｓ３３に使用したい確認用画像を選択し、入力部１０６を介して第１画像選択部３２に入力する（ステップＳ５４）。

第１画像選択部３２は、入力された確認用画像を第１画像群Ｇ１として認識し、第１画像群Ｇ１と、第１画像群Ｇ１／全モデル群Ｍ０の出力結果である第１出力結果群Ｄ１とを、第１モデル選定部３３へと引き渡す（ステップＳ５５）。本実施形態では、２つの確認用画像を含む第１画像群Ｇ１と、第１画像群Ｇ１／全モデル群Ｍ０の出力結果２００個を含む第１出力結果群Ｄ１とが第１モデル選定部３３へと引き渡される。

図９は、第１画像選択工程Ｓ３２を自動で行う場合の流れを示したフローチャートである。図９に示すように、第１画像選択工程Ｓ３２を自動で行う場合には、第１画像選択部３２は、まず、画像処理部３１から全画像群Ｇ０および全出力結果群Ｄ０を取得する（ステップＳ６１）。

次に、第１画像選択部３２は、全画像群Ｇ０に含まれる確認画像毎に、当該確認画像についての各出力結果におけるセグメントを検出する。すなわち、各確認画像についての全モデル群Ｍ０の出力結果における細胞領域として同定された部位を検出する（ステップＳ６２）。

次に、第１画像選択部３２は、各確認画像について、全ての出力結果におけるセグメントのばらつきを算出する（ステップＳ６３）。本実施形態では、ばらつきを示す値として、出力結果におけるセグメントの個数の分散が用いられる。なお、ばらつきを示す値はこれに限られず、セグメントの個数、平均面積、合計面積、重心位置等の様々なパラメータについて、分散や標準偏差等のばらつきを示す指数が用いられてもよい。また、ばらつきを示す値は、必ずしも１種類に限られず、２種類以上の値が用いられてもよい。

続いて、第１画像選択部３２は、全画像群Ｇ０に含まれる８０個全ての確認画像の中から、モデル間においてばらつきの大きな確認画像を選択し、第１画像群Ｇ１とする（ステップＳ６４）。そして、第１画像群Ｇ１と、第１画像群Ｇ１／全モデル群Ｍ０の出力結果である第１出力結果群Ｄ１とを、第１モデル選定部３３へと引き渡す（ステップＳ６４）。

ステップＳ３２の第１画像選択工程が終了すると、続いて、第１モデル選定部３３が全モデル群Ｍ０から機械学習モデルを選定する（ステップＳ３３：第１モデル選定工程）。第１モデル選定部３３は、第１画像群Ｇ１と、第１画像群Ｇ１／全モデル群Ｍ０の出力結果である第１出力結果群Ｄ１とを用いて、全モデル群Ｍ０に含まれる機械学習モデルの中から、複数の機械学習モデルを選定して第１モデル群Ｍ１とする。そして、第１モデル選定部３３は、第１モデル群Ｍ１を第２画像選択部３４へと引き渡す。

図１０は、第１モデル選定工程Ｓ３３、第２モデル選定工程Ｓ３５および第３モデル選定工程Ｓ３７の流れを示したフローチャートである。

、第１モデル選定工程Ｓ３３を行う場合には、図１０に示すように第１モデル選定部３３は、まず、選定に用いる第１画像群Ｇ１と、第１画像群Ｇ１／全モデル群Ｍ０の出力結果である第１出力結果群Ｄ１とを取得する（ステップＳ７１）。

次に、第１モデル選定部３３は、第１画像群Ｇ１に含まれる確認用画像それぞれと、当該確認用画像についての全モデル群Ｍ０の出力結果とを、表示部１０７に確認可能に表示する（ステップＳ７２）。すなわち、第１画像群Ｇ１の２個の確認画像それぞれに対して、各１００個の出力結果が表示される。

そして、ユーザが、ステップＳ７２における表示を視認により確認する（ステップＳ７３）。その後、ユーザが適切だと判断した機械学習モデルを選択し、入力部１０６を介して第１モデル選定部３３に入力する（ステップＳ７４）。本実施形態では、このとき、３０個の機械学習モデルが選択される。第１モデル選定部３３は、その入力内容に基づいて、全モデル群Ｍ０の中から選定された機械学習モデルを第１モデル群Ｍ１とし、第２画像選択部３４へと引き渡す（ステップＳ７５）。

なお、第１モデル選定工程Ｓ３３は、プロセッサ１０１がユーザの判断によって自動で行うようにしてもよい。例えば、全モデル群Ｍ０に含まれる機械学習モデルの数が一定以上である場合に、自動選定を行うようにしてもよい。また、例えば、第１モデル選定部３３が出力結果におけるセグメントの個数のヒストグラムを表示部１０７に表示し、ユーザがその表示によって自動選定を希望する場合には、自動選定を行うようにしてもよい。

第１モデル選定工程Ｓ３３を自動で行う場合、ユーザが入力部１０６に自動選定の指令を入力すると、第１モデル選定部３３が、例えば、セグメントの個数が全モデル群Ｍ０の平均値や最頻値に近い機械学習モデルを決められた数（本実施形態では３０個）選択して、第１モデル群Ｍ１とする。

第１モデル選定工程Ｓ３３に続いて、第２画像選択部３４は、第２モデル選定工程Ｓ３５に用いられる第２画像群Ｇ２を選択する（第２画像選択工程：ステップＳ３４）。第２画像群Ｇ２に含まれる確認用画像の数は、第１画像群Ｇ１に含まれる確認用画像の数よりも多い。

この第２画像選択工程Ｓ３４では、全画像群Ｇ０に含まれる全ての確認用画像から、全画像群Ｇ０／第１モデル群Ｍ１の出力結果である第２出力結果群Ｄ２を用いて、複数の画像を選択して、第２画像群Ｇ２とする。この第２画像選択工程は、手動で行ってもよいし、自動で行ってもよいし、あるいは、手動と自動とを組み合わせて行ってもよい。

第２画像選択工程Ｓ３４を手動で行う場合には、図８に示すように、第２画像選択部３４は、まず、画像処理部３１から全画像群Ｇ０および全出力結果群Ｄ０を取得する（ステップＳ５１）。

次に、第２画像選択部３４は、全画像群Ｇ０に含まれる確認用画像と、全画像群Ｇ０／第１モデル群Ｍ１の出力結果である第２出力結果群Ｄ２とを、表示部１０７に確認可能に表示する（ステップＳ５２）。すなわち、８０個の確認画像それぞれに対して、各３０個の出力結果が表示される。

そして、ユーザが、ステップＳ５２における表示を視認する（ステップＳ５３）。その後、ユーザが第２モデル選定工程Ｓ３５に使用したい確認用画像を選択し、入力部１０６を介して第２画像選択部３４に入力する（ステップＳ５４）。

第２画像選択部３４は、入力された確認用画像を第２画像群Ｇ２として認識し、第２画像群Ｇ２と、第２画像群Ｇ２／第１モデル群Ｍ１の出力結果である第３出力結果群Ｄ３とを、第２モデル選定部３５へと引き渡す（ステップＳ５５）。本実施形態では、５つの確認用画像を含む第２画像群Ｇ２と、第２画像群Ｇ２／第１モデル群Ｍ１の出力結果１５０個を含む第３出力結果群Ｄ３とが、第２モデル選定部３５へと引き渡される。

ステップＳ３４の第２画像選択工程が終了すると、続いて、第２モデル選定部３５が第１モデル群Ｍ１から機械学習モデルを選定する（ステップＳ３５：第２モデル選定工程）。第２モデル選定部３５は、第２画像群Ｇ２と、第２画像群Ｇ２／第１モデル群Ｍ１の出力結果である第３出力結果群Ｄ３とを用いて、第１モデル群Ｍ１に含まれる機械学習モデルの中から、複数の機械学習モデルを選定して第２モデル群Ｍ２とする。そして、第２モデル選定部３５は、第２モデル群Ｍ２を第３画像選択部３６へと引き渡す。

第２モデル選定工程Ｓ３５を行う場合には、図１０に示すように、第２モデル選定部３５は、まず、選定に用いる第２画像群Ｇ２と、第２画像群Ｇ２／第１モデル群Ｍ１の出力結果である第３出力結果群Ｄ３とを取得する（ステップＳ７１）。

次に、第２モデル選定部３５は、第２画像群Ｇ２に含まれる確認用画像それぞれと、当該確認用画像についての第１モデル群Ｍ１の出力結果とを、表示部１０７に確認可能に表示する（ステップＳ７２）。すなわち、第２画像群Ｇ２の５個の確認画像それぞれに対して、各３０個の出力結果が表示される。

そして、ユーザが、ステップＳ７２における表示を視認により確認する（ステップＳ７３）。その後、ユーザが適切だと判断した機械学習モデルを選択し、入力部１０６を介して第２モデル選定部３５に入力する（ステップＳ７４）。本実施形態では、このとき、５個の機械学習モデルが選択される。第２モデル選定部３５は、その入力内容に基づいて、第１モデル群Ｍ１の中から選定された機械学習モデルを第２モデル群Ｍ２とし、第３画像選択部３６へと引き渡す（ステップＳ７５）。

なお、第１モデル選定工程Ｓ３３については、前述の通り、自動でも手動でもよいが、自動選定を繰り返したとしても、あまり精度の向上は見込めない。一定の品質を担保するために、第２モデル選定工程Ｓ３５以降のモデル選定工程は手動で行うことが好ましい。

第２モデル選定工程Ｓ３５に続いて、第３画像選定部３６は、第３モデル選択工程Ｓ３７に用いられる第３画像群Ｇ３を選択する（第３画像選択工程：ステップＳ３６）。そして、第３画像選択部３６は、第３モデル選定部３７に、第３画像群Ｇ３を引き渡す。第３画像群Ｇ３に含まれる確認用画像の数は、第２画像群Ｇ２に含まれる確認用画像の数よりも多い。

第３画像選択工程Ｓ３６において、第３画像選択部３６は、第１画像選択工程Ｓ３２および第２画像選択工程Ｓ３４と同様に、全画像群Ｇ０に含まれる全ての確認用画像と、全画像群Ｇ０／第２モデル群Ｍ２の出力結果である第４出力結果群Ｄ４とを用いて、複数の画像を選択して、第３画像群Ｇ３としてもよい。

また、第３画像選択部３６は、第１画像選択工程Ｓ３２および第２画像選択工程Ｓ３４とは異なる方法で第３画像選択工程Ｓ３６を行ってもよい。例えば、第３画像選択部３６は、全画像群Ｇ０に含まれる確認用画像の全てを第３画像群Ｇ３としてもよい。また、第３画像選択部３６は、全画像群Ｇ０に含まれる確認用画像からランダムで画像を選択してもよい。その場合、第１画像群Ｇ１に含まれる確認用画像および第２画像群Ｇ２に含まれる確認用画像を含めるようにしてもよい。

第３画像選択部３６は、第３画像群Ｇ３と、第２モデル群Ｍ２と、第３画像群Ｇ３／第２モデル群Ｍ２の出力結果である第５出力結果群Ｄ５とを、第３モデル選定部３７へと引き渡す。本実施形態では、４０個の確認用画像を含む第３画像群Ｇ３と、第３画像群Ｇ３／第２モデル群Ｍ２の出力結果２００個を含む第５出力結果群Ｄ５を第３モデル選定部３７へと引き渡す。

ステップＳ３６の第３画像選択工程が終了すると、続いて、第３モデル選定部３７が第２モデル群Ｍ２から機械学習モデルを選定する（ステップＳ３７：第３モデル選定工程）。第３モデル選定部３７は、第３画像群Ｇ３と、第３画像群Ｇ３／第２モデル群Ｍ２の出力結果である第５出力結果群Ｄ５とを用いて、第２モデル群Ｍ２に含まれる機械学習モデルの中から、１つの機械学習モデルを選定して選定モデルＭｆとする。そして、第３モデル選定部３７は、選定モデルＭｆを出力する。

第３モデル選定工程Ｓ３７を行う場合には、図１０に示すように、第３モデル選定部３７は、まず、選定に用いる第３画像群Ｇ３と、第３画像群Ｇ３／第２モデル群Ｍ２の出力結果である第５出力結果群Ｄ５とを取得する（ステップＳ７１）。

次に、第３モデル選定部３７は、第３画像群Ｇ３に含まれる確認用画像の全てについて、確認用画像の１つと、当該確認用画像についての第２モデル群Ｍ２の全ての出力結果とを比較可能に表示する。そして、ユーザが当該表示を視認により確認する（ステップＳ７２）。これを、第３画像群Ｇ３に含まれる全ての確認用画像に対して行う。

ユーザは、確認用画像と出力結果とを比較し、適切な出力結果であると思われる機械学習モデルを選択し、入力部１０６に入力する（ステップＳ７３）。本実施形態では、このとき、１個の機械学習モデルが選択される。第３モデル選定部３７は、その入力内容に基づいて、第２モデル群Ｍ２の中から選定された機械学習モデルを選定モデルＭｆとし、出力する（ステップＳ７４）。

上記手順により、機械学習モデル選定工程Ｓ３において、第１モデル選定工程Ｓ３３、第２モデル選定工程Ｓ３５、第３モデル選定工程Ｓ３７の３段階に分けて機械学習モデルが選定されている。各選定工程では、確認対象となる確認用画像の数を少数から次第に増やすとともに、選定対象となるモデルを徐々に減らしていく。

すなわち、少ない数の確認用画像を用いて、多数の機械学習モデルを大まかに選定した後に、後のモデル選定工程においてより多くの数の確認用画像を用いて、さらに機械学習モデルを選定する。このように段階的に確認用画像を増やすと共に選定対象となる機械学習モデルの数を絞り込むことにより、モデル選定の際に確認すべきモデルの出力結果の数をできる限り抑制しつつ、精度よく適切な機械学習モデルを選定することができる。したがって、Ground Truthを用いることなく、多数の機械学習モデルの中から高精度かつ効率的に機械学習モデルを選定することができる。

特に、３段階以上のモデル選定工程を経ることにより、選定対象となる機械学習モデルの数が多い場合に、２段階で機械学習モデルを選定する場合に比べて、より精度よく適切な機械学習モデルを選定することができる。

また、本実施形態では、第１モデル選定工程Ｓ３３および第２モデル選定工程Ｓ３５を、機械学習モデルの出力結果を確認したユーザの判断で行うことができる。これにより、第１モデル群Ｍ１および第２モデル群Ｍ２を適切に選定することができる。

また、本実施形態では、各モデル選定工程で使用する確認用画像を、多数の確認用画像から選択する。これにより、より精度よく機械学習モデルを選定することができる。

また、本実施形態では、第１画像選択工程Ｓ３２を自動で行う場合には、選定対象となる機械学習モデルの出力結果にばらつきが生じやすい確認用画像を選択する。これにより、少ない数の確認用画像によって選定を行っても精度よく機械学習モデルを選定することができる。

また、本実施形態において選定対象となる機械学習モデルは、細胞を含む画像中の細胞領域を認識してセグメント化する画像処理を行うものである。この種の機械学習モデルにおいて、入力画像が、細胞や試薬の種類や観察環境によって大きく異なる。このため、適切な機械学習モデルの選定が重要となる。

また、本実施形態では、解析対象である解析用画像を用いて機械学習モデルの選定を行う。これにより、解析用画像にとって最適な機械学習モデルを選定することができる。

＜２．変形例＞
以上、本発明の一実施形態について説明したが、本発明は、上記の実施形態に限定されるものではない。

上記の実施形態では、機械学習モデルを選定するために、第１モデル選定工程、第２モデル選定工程および第３モデル選定工程の３段階のモデル選定工程が行われたが、本発明はこの限りではない。機械学習モデルの選定には、２段階、または、４段階以上のモデル選定工程が行われてもよい。モデル選定工程の段階数は、確認用画像の数や、選定対象となる機械学習モデルの数によって自由に設定しうる。

また、上記の実施形態では、第２画像選択工程が、第１モデル選定工程の後に、第１モデル選定工程において選定された第１モデル群を用いて行われた。また、第３画像選択工程が、第２モデル選定工程の後に、第２モデル選定工程において選定された第２モデル群を用いて行われた。しかしながら、本発明はこれに限られない。第２画像選択工程および第３画像選択工程は、第１モデル選定工程の前に、第１画像選択工程と併せて行われてもよい。この場合、第２画像選択工程および第３画像選択工程は、全モデル群を用いて行われる。

また、上記の実施形態では、第１モデル選定工程、第２モデル選定工程および第３モデル選定工程のそれぞれに用いられる確認用画像を、第１画像選択工程、第２画像選択工程および第３画像選択工程によって選択した。しかしながら、これらの画像選択工程が行われずにランダムで確認用画像が選択されてもよい。また、第１画像選択工程のみ、または、第１画像選択工程および第２画像選択工程のみが行われてもよい。

また、上記の実施形態では、選定対象となる機械学習モデルが、細胞を含む画像中の細胞領域を認定してセグメント化する画像処理を行うものであった。しかしながら、本発明において、選定対象となる機械学習モデルはこれに限られない。本発明において選定対象となる機械学習モデルは、画像処理を行う機械学習モデルであればよい。例えば、複数の細胞をセグメント化し、マルチラベル分類する機械学習モデルであってもよいし、する画像中に写った物体を判別する機械学習モデルであってもよいし、画像を観察しやすい態様に画像処理を行う機械学習モデルであってもよい。

また、上記の実施形態や変形例に登場した各要素を、矛盾が生じない範囲で、適宜に組み合わせてもよい。

１ 機械学習モデル選定装置
２２ 機械学習モデル選定部
３２ 第１画像選択部
３３ 第１モデル選定部
３４ 第２画像選択部
３５ 第２モデル選定部
３６ 第３画像選択部
３７ 第３モデル選定部
Ｇ０ 全画像群
Ｇ１ 第１画像群
Ｇ２ 第２画像群
Ｇ３ 第３画像群
Ｍ０ 全モデル群
Ｍ１ 第１モデル群
Ｍ２ 第２モデル群
Ｍｆ 選定モデル
Ｓ３ 機械学習モデル選定工程
Ｓ３２ 第１画像選択工程
Ｓ３３ 第１モデル選定工程
Ｓ３４ 第２画像選択工程
Ｓ３５ 第２モデル選定工程
Ｓ３６ 第３画像選択工程
Ｓ３７ 第３モデル選定工程

Claims (8)

1. 画像処理を行う複数の機械学習モデルの中から、複数の確認用画像を用いて少なくとも１つの機械学習モデルを選定するモデル選定方法であって、
   ａ）少なくとも１つの前記確認用画像を含む第１画像群を用いて、全ての機械学習モデルを含む全モデル群に含まれる前記機械学習モデルから複数の前記機械学習モデルを選定して第１モデル群とする、第１モデル選定工程と、
   ｂ）前記工程ａ）の後に、複数の前記確認用画像を含む第２画像群を用いて、前記第１モデル群に含まれる前記機械学習モデルから少なくとも１つの前記機械学習モデルを選定して第２モデル群とする、第２モデル選定工程と、
   を有し、
   前記第２画像群に含まれる前記確認用画像の数は、前記第１画像群に含まれる前記確認用画像の数よりも多い、モデル選定方法。
2. 請求項１に記載のモデル選定方法であって、
   前記工程ａ）は、
   ａ１）前記第１画像群に含まれる全ての前記確認用画像を、前記全モデル群に含まれる全ての前記機械学習モデルに入力した出力結果を得る工程と、
   ａ２）前記工程ａ１）で得られた前記出力結果を表示する工程と、
   ａ３）前記全モデル群に含まれる前記機械学習モデルの一部を選定する選定結果が外部から入力される工程と、
   を含む、モデル選定方法。
3. 請求項１または請求項２に記載のモデル選定方法であって、
   前記工程ｂ）は、
   ｂ１）前記第２画像群に含まれる全ての前記確認用画像を、前記第１モデル群に含まれる全ての前記機械学習モデルに入力した出力結果を得る工程と、
   ｂ２）前記工程ｂ１）で得られた前記出力結果を表示する工程と、
   ｂ３）前記第１モデル群に含まれる前記機械学習モデルの一部を選定する選定結果が外部から入力される工程と、
   を含む、モデル選定方法。
4. 請求項１ないし請求項３のいずれか１項に記載のモデル選定方法であって、
   前記第２モデル群は、複数の前記機械学習モデルを含み、
   ｃ）前記工程ｂ）の後に、複数の前記確認用画像を含む第３画像群を用いて、前記第２モデル群に含まれる前記機械学習モデルから１つの前記機械学習モデルを選定する、第３モデル選定工程
   をさらに有し、
   前記第３画像群に含まれる前記確認用画像の数は、前記第２画像群に含まれる前記確認用画像の数よりも多い、モデル選定方法。
5. 請求項１ないし請求項４のいずれか１項に記載のモデル選定方法であって、
   ｄ）前記工程ａ）の前に、全ての前記確認用画像の中から１つまたは複数の画像を選択して前記第１画像群とする、第１画像選択工程と、
   ｅ）前記工程ａ）の後、かつ、前記工程ｂ）の前に、全ての前記確認用画像の中から複数の画像を選択して前記第２画像群とする、第２画像選択工程と、
   をさらに有する、モデル選定方法。
6. 請求項５に記載のモデル選定方法であって、
   前記工程ｄ）は、
   ｄ１）全ての前記確認用画像を、前記全モデル群に含まれる全ての前記機械学習モデルに入力した出力結果を得る工程と、
   ｄ２）前記確認用画像ごとに、前記工程ｄ１）で得られた前記出力結果のばらつきを算出する工程と、
   ｄ３）前記工程ｄ２）において算出された前記ばらつきが大きい前記確認用画像を全ての前記確認用画像の中から選択して前記第１画像群とする工程と、
   を含む、モデル選定方法。
7. 請求項１ないし請求項６のいずれか１項に記載のモデル選定方法であって、
   前記機械学習モデルは、細胞を含む画像中の細胞領域を認識してセグメント化する画像処理を行う、モデル選定方法。
8. 複数の解析用画像に対して、機械学習モデルを用いて画像処理を行う画像処理方法であって、
   ｓ）請求項１ないし請求項７のいずれか１項に記載のモデル選定方法によって１つの前記機械学習モデルを選定する工程と、
   ｔ）前記工程ｓ）において選定された前記機械学習モデルを用いて、複数の前記解析用画像に対して画像処理を行う工程と、
   を有し、
   前記工程ｓ）における前記確認用画像は、前記工程ｔ）における処理対象である前記解析用画像である、画像処理方法。

Images