WO2020054195A1 - オルガノイド画像解析装置、オルガノイド画像解析方法およびプログラム - Google Patents

Abstract

オルガノイド画像解析装置は、細胞塊の画像に対するテクスチャ解析を実行するテクスチャ解析部と、前記テクスチャ解析部の解析結果に基づいて前記細胞塊がオルガノイドになる前駆体であるか否かを判定する判定部とを備える。

Description

オルガノイド画像解析装置、オルガノイド画像解析方法およびプログラム

　本発明は、オルガノイド画像解析装置、オルガノイド画像解析方法およびプログラムに関する。
　本願は、２０１８年９月１２日に、日本に出願された特願２０１８－１７０３４２号に基づき優先権を主張し、その内容をここに援用する。

　例えば特許文献１には、培養されたオルガノイドの画像が記載されている。また、特許文献１の段落００９１には、オルガノイドの画像解析について記載されている。特許文献１の段落００９２には、オルガノイドの画像解析の結果として、単一選別Lgr5⁺幹細胞が、陰窩-絨毛オルガノイドを惹起できる旨が記載されている。

　例えば特許文献２には、テクスチャ解析が、撮影画像から求められるテクスチャ特徴量を解析することにより被写体を認識する手法である旨が記載されている。また、特許文献２には、例えば撮影画像に含まれる各画素の輝度値の輝度分布や空間周波数などがテクスチャ特徴量とされる旨が記載されている。また、特許文献２には、被写体認識として特徴量抽出を用いる場合に、眉、目、鼻、唇の各端点、顔の輪郭点、頭頂点や顎の下端点などの特徴点が特徴量とされる旨が記載されている。

特表２０１２－５１６６８５号公報 特許第５４５３７９６号公報

　一方、オルガノイドになる前駆体の画像などのような細胞塊の画像に含まれる特徴点の数は、人間の顔などの画像に含まれる特徴点の数よりも少ない。
　そのため、従来においては、テクスチャ解析を細胞塊の画像に適用しても、細胞塊がオルガノイドになる前駆体であるか否かを高精度に判定できないと考えられていた。

　本発明は、細胞塊がオルガノイドになる前駆体であるか否かを高精度に判定することができるオルガノイド画像解析装置、オルガノイド画像解析方法およびプログラム提供することを目的とする。

　本発明者は、鋭意研究において、細胞塊の画像に対して高密度（ｄｅｎｓｅ）なサンプリングを実行し、テクスチャ解析を実行することにより、細胞塊がオルガノイドになる前駆体であるか否かを高精度に判定できることを見い出したのである。

　本発明の一態様は、細胞塊の画像に対するテクスチャ解析を実行するテクスチャ解析部と、前記テクスチャ解析部の解析結果に基づいて、前記細胞塊がオルガノイドになる前駆体であるか否かを判定する判定部とを備えるオルガノイド画像解析装置である。

　本発明の一態様のオルガノイド画像解析装置では、前記テクスチャ解析が、高密度なサンプリングによるテクスチャ解析であってもよい。

　本発明者は、鋭意研究において、細胞塊の画像を分割することにより得られる各画素のＬＢＰ（Local Binary Pattern）特徴量を算出し、各画素のＬＢＰ特徴量をヒストグラム化したものであるＬＢＰヒストグラムを生成し、そのＬＢＰヒストグラムに基づくことによって、細胞塊がオルガノイドになる前駆体であるか否かを高精度に判定できることを見い出した。

　本発明の一態様のオルガノイド画像解析装置では、前記テクスチャ解析部は、前記細胞塊の画像を分割することにより得られる各画素のＬＢＰ特徴量を算出するＬＢＰ特徴量算出部と、前記ＬＢＰ特徴量算出部によって算出された各画素のＬＢＰ特徴量をヒストグラム化したものであるＬＢＰヒストグラムを生成するＬＢＰヒストグラム生成部とを備え、前記判定部は、前記ＬＢＰヒストグラム生成部によって生成された前記ＬＢＰヒストグラムに基づいて、前記細胞塊がオルガノイドになる前駆体であるか否かを判定してもよい。

　本発明の一態様のオルガノイド画像解析装置では、前記ＬＢＰヒストグラムの一方の軸は、前記ＬＢＰ特徴量算出部によって算出されたＬＢＰ特徴量の各値に対応しており、前記ＬＢＰヒストグラムの他方の軸は、前記ＬＢＰ特徴量算出部によって算出されたＬＢＰ特徴量の各値の出現頻度に対応しており、前記細胞塊がオルガノイドになる前駆体であると前記判定部によって判定される前記ＬＢＰヒストグラムの前記一方の軸の中央部の前記出現頻度は、前記細胞塊がオルガノイドになる前駆体ではないと前記判定部によって判定される前記ＬＢＰヒストグラムの前記一方の軸の前記中央部の前記出現頻度よりも高く、前記細胞塊がオルガノイドになる前駆体ではないと前記判定部によって判定される前記ＬＢＰヒストグラムの前記一方の軸の両端部の前記出現頻度は、前記細胞塊がオルガノイドになる前駆体であると前記判定部によって判定される前記ＬＢＰヒストグラムの前記一方の軸の前記両端部の前記出現頻度よりも高くてもよい。

　本発明者は、鋭意研究において、細胞塊の画像中の局所領域の輝度の勾配方向をヒストグラム化したものであるＨＯＧ（Histograms of Oriented Gradients）ヒストグラムを生成し、そのＨＯＧヒストグラムに基づくことによって、細胞塊がオルガノイドになる前駆体であるか否かを高精度に判定できることを見い出した。

　本発明の一態様のオルガノイド画像解析装置では、前記テクスチャ解析部は、前記細胞塊の画像に対してＨＯＧヒストグラムを生成するＨＯＧヒストグラム生成部を備え、前記判定部は、前記ＨＯＧヒストグラム生成部によって生成された前記ＨＯＧヒストグラムに基づいて、前記細胞塊がオルガノイドになる前駆体であるか否かを判定してもよい。

　本発明の一態様のオルガノイド画像解析装置では、前記ＨＯＧヒストグラムの一方の軸は、輝度の勾配方向に対応しており、前記ＨＯＧヒストグラムの他方の軸は、輝度の勾配強度に対応しており、前記細胞塊がオルガノイドになる前駆体ではないと前記判定部によって判定される前記ＨＯＧヒストグラムの前記一方の軸の水平成分を示す部分の輝度の勾配強度は、前記細胞塊がオルガノイドになる前駆体であると前記判定部によって判定される前記ＨＯＧヒストグラムの前記一方の軸の前記水平成分を示す部分の輝度の勾配強度よりも高く、前記細胞塊がオルガノイドになる前駆体ではないと前記判定部によって判定される前記ＨＯＧヒストグラムの前記一方の軸の垂直成分を示す部分の輝度の勾配強度は、前記細胞塊がオルガノイドになる前駆体であると前記判定部によって判定される前記ＨＯＧヒストグラムの前記一方の軸の前記垂直成分を示す部分の輝度の勾配強度よりも高くてもよい。

　本発明者は、鋭意研究において、細胞塊の画像を切断する任意の線上における輝度を示す曲線である輝度粗さ曲線を生成し、第１半径を有する第１円が輝度粗さ曲線上を転がる距離である第１距離と、第１半径とは異なる第２半径を有する第２円が輝度粗さ曲線上を転がる距離である第２距離との比である輝度粗さ特徴量を算出し、その輝度粗さ特徴量に基づくことによって、細胞塊がオルガノイドになる前駆体であるか否かを高精度に判定できることを見い出した。

　本発明の一態様のオルガノイド画像解析装置では、前記判定部は、前記細胞塊の画像の輝度粗さ曲線より得られる輝度粗さ特徴量に基づいて、前記細胞塊がオルガノイドになる前駆体であるか否かを判定してもよい。

　本発明の一態様のオルガノイド画像解析装置では、前記テクスチャ解析部は、前記細胞塊の画像を切断する任意の線上における輝度を示す曲線である輝度粗さ曲線を生成する輝度粗さ曲線生成部と、第１半径を有する第１円が前記輝度粗さ曲線上を転がる距離である第１距離と、前記第１半径とは異なる第２半径を有する第２円が前記輝度粗さ曲線上を転がる距離である第２距離との比である輝度粗さ特徴量を算出する輝度粗さ特徴量算出部とを備え、前記判定部は、前記輝度粗さ特徴量算出部によって算出された前記輝度粗さ特徴量に基づいて、前記細胞塊がオルガノイドになる前駆体であるか否かを判定してもよい。

　本発明の一態様のオルガノイド画像解析装置では、前記輝度粗さ特徴量算出部によって算出された前記輝度粗さ特徴量が閾値よりも大きい場合に、前記判定部は、前記細胞塊がオルガノイドになる前駆体であると判定し、前記輝度粗さ特徴量算出部によって算出された前記輝度粗さ特徴量が前記閾値以下である場合に、前記判定部は、前記細胞塊がオルガノイドになる前駆体ではないと判定してもよい。

　本発明の一態様のオルガノイド画像解析装置は、前記細胞塊がオルガノイドになる前駆体であるか否かが既知の前記細胞塊の画像である教師画像を用いることによって前記判定部の機械学習を行う学習部を更に備えてもよい。

　本発明の一態様のオルガノイド画像解析装置は、前記テクスチャ解析部によるテクスチャ解析の対象である前記細胞塊の画像として、撮影装置によって撮影された前記細胞塊の画像を取得する取得部を更に備えてもよい。

　本発明の一態様は、細胞塊の画像に対するテクスチャ解析を実行するテクスチャ解析ステップと、前記テクスチャ解析ステップにおける解析結果に基づいて前記細胞塊がオルガノイドになる前駆体であるか否かを判定する判定ステップとを備えるオルガノイド画像解析方法である。

　本発明の一態様のオルガノイド画像解析方法は、前記細胞塊がオルガノイドになる前駆体であるか否かが既知の前記細胞塊の画像である教師画像を用いることによって機械学習を行う学習ステップを更に備えてもよい。

　本発明の一態様は、コンピュータに、細胞塊の画像に対するテクスチャ解析を実行するテクスチャ解析ステップと、前記テクスチャ解析ステップにおける解析結果に基づいて前記細胞塊がオルガノイドになる前駆体であるか否かを判定する判定ステップとを実行させるためのプログラムである。

　本発明の一態様のプログラムは、前記細胞塊がオルガノイドになる前駆体であるか否かが既知の前記細胞塊の画像である教師画像を用いることによって機械学習を行う学習ステップを更に実行させてもよい。

　本発明によれば、細胞塊がオルガノイドになる前駆体であるか否かを高精度に判定することができるオルガノイド画像解析装置、オルガノイド画像解析方法およびプログラムを提供することができる。

細胞塊の画像の例を示す図である。 サンプリング方法の例などを示す図である。 ＳＩＦＴによって抽出された特徴点の例を示す図である。 第１実施形態のオルガノイド画像解析装置の一例を示す図である。 ＬＢＰ特徴量を説明するための図である。 解析対象画像取得部によって取得された細胞塊の画像と、その画像に対してＬＢＰ特徴量算出部による処理が行われたものとを比較して示す図である。 ＬＢＰヒストグラム生成部によって生成されたＬＢＰヒストグラムの一例を示す図である。 本発明者が生成したＬＢＰヒストグラムなどを示す図である。 第１実施形態のオルガノイド画像解析装置において実行される処理の一例を説明するためのフローチャートである。 第２実施形態のオルガノイド画像解析装置の一例を示す図である。 ＨＯＧヒストグラム生成部による処理を概略的に説明するための図である。 本発明者が生成したＨＯＧヒストグラムを示す図である。 第２実施形態のオルガノイド画像解析装置において実行される処理の一例を説明するためのフローチャートである。 第３実施形態のオルガノイド画像解析装置の一例を示す図である。 輝度粗さ曲線生成部によって生成される輝度粗さ曲線などを説明するための図である。 本発明者が算出した輝度粗さ特徴量などを説明するための図である。 第３実施形態のオルガノイド画像解析装置において実行される処理の一例を説明するためのフローチャートである。 実施例１における培養を概念的に示す図である。 実施例１における「正常」および「異常」を説明するための図である。

　本発明のオルガノイド画像解析装置、オルガノイド画像解析方法およびプログラムの実施形態の説明の前に、本発明のオルガノイド画像解析装置による解析対象である細胞塊の画像について説明する。

　図１は細胞塊の画像の例を示す図である。詳細には、図１（Ａ）は細胞塊が脳オルガノイドになる前駆体である場合における細胞塊の画像の一例を示しており、図１（Ｂ）は細胞塊が脳オルガノイドになる前駆体ではない場合における細胞塊の画像の一例を示している。
　本明細書においては、細胞塊が脳オルガノイドになる前駆体であることを「正常」と称し、細胞塊が脳オルガノイドになる前駆体ではないことを「異常」と称する。
　細胞塊が脳オルガノイドになる前駆体である場合（「正常」の場合）、細胞塊は、図１（Ａ）の円Ａ１の内側に示すような、中心部分が黒く、外側部分が半透明な組織を有する。また、細胞塊は、円Ａ１の内側の組織の外側部分につながった、円Ａ２の内側に示すような小胞組織を有する。矢印Ａ３で示すように、細胞塊の輪郭は、ややはっきりしている。
　一方、細胞塊が脳オルガノイドになる前駆体ではない場合（「異常」の場合）、細胞塊は、図１（Ｂ）の円Ｂ１の内側に示すように、全体的に黒ずんでいる。また、細胞塊は、円Ｂ２の内側に示すような、小さい粒状の模様を有する。矢印Ｂ３で示すように、細胞塊の輪郭は、図１（Ａ）の細胞塊の輪郭と比較して、はっきりしていない。

　次に、図１（Ａ）および図１（Ｂ）に示すような画像から特徴点（特徴量）を抽出する手法（特徴量検出器）の例について説明する。
　特徴量検出器の１つである「ＳＩＦＴ（Scale Invariant Feature Transform）」は、画像から特徴点を抽出して特徴量記述を計算する手法である。ＳＩＦＴでは、「Scale-space extrema detection」と「Keypoint localization」と「Orientation assignment」と「Keypoint descriptor」とが行われる。「Scale-space extrema detection」では、スケールスペースが探索され、特徴点となる候補点が見つけられる。「Keypoint localization」では、ノイズ耐性のない点やエッジ上の点が除外され、候補点の絞り込みが行われる。「Orientation assignment」では、特徴点周辺の強度と向きが計算され、方向ヒストグラムが作成され、特徴点の向きが決定される。「Keypoint descriptor」では、輝度勾配と方向からなる特徴量ベクトルが作成される。ＳＩＦＴでは、ＬｏＧ（Laplacian of Gaussian）がＤｏＧ（Difference of Gaussian）で近似される。ＳＩＦＴは、「ｓｐａｒｓｅ（疎）サンプリング」に分類される。ＳＩＦＴでは、特徴量の特徴が、輝度勾配である。（ＳＩＦＴについては、例えばDavid G. Lowe「Distinctive Image Features from Scale-Invariant Keypoints」International Journal of Computer Vision, 2004参照。）

　特徴量検出器の１つである「ＳＵＲＦ（Speeded Up Robust Features）」は、ＳＩＦＴを高速化したものである。ＳＵＲＦでは、近似ヘッセ行列の算出と、スケールスペースの構築と、極値探索によるキーポイント検出とが行われる。近似ヘッセ行列の算出では、ボックスフィルタ（Box filter）による近似と、積分画像（integral image）による高速化とが行われる。ＳＵＲＦは、「ｓｐａｒｓｅ（疎）サンプリング」に分類される。ＳＵＲＦでは、特徴量の特徴が、輝度勾配である。（ＳＵＲＦについては、例えばHerbert Bay他「SURF: Speeded Up Robust Features」Proceedings of the 9th European Conference on Computer Vision, Springer LNCS volume 3951, part 1, pp 404-417,2006参照。）
　特徴量検出器の１つである「Ａ－ＫＡＺＥ（Ａｃｃｅｌｅｒａｔｅｄ　ＫＡＺＥ）」では、ＦＥＤ（Fast Explicit Diffusion）を用いることによって計算の高速化が図られている。また、Ａ－ＫＡＺＥでは、Ｍ－ＬＤＢ（Modified Local Difference Binary）によってロバスト性の高い特徴量の検出が図られている。Ａ－ＫＡＺＥは、「ｓｐａｒｓｅ（疎）サンプリング」に分類される。Ａ－ＫＡＺＥでは、特徴量の特徴が、輝度勾配である。（Ａ－ＫＡＺＥについては、例えばPablo F. Alcantarilla他「Fast Explicit Diffusion for Accelerated Features in Nonlinear Scale Spaces」In British Machine Vision Conference (BMVC), 2013参照。）

　特徴量検出器の１つである「ＨＯＧ（Histograms of Oriented Gradients）」は、局所領域（セル）の輝度の勾配方向をヒストグラム化したものである。そのヒストグラムを特徴量としたものが、ＨＯＧ特徴量である。ＨＯＧは、勾配を特徴量としているため、画像スケールに対してロバストであるという優れた特徴がある。ＨＯＧでは、輝度の勾配方向と勾配強度との算出が行われ、ヒストグラムが作成され、ブロック領域での正規化が行われる。ＨＯＧは、「ｄｅｎｓｅ（密）サンプリング」に分類される。ＨＯＧでは、特徴量の特徴が、輝度勾配である。（ＨＯＧについては、例えば原田達也著、「機械学習プロフェッショナルシリーズ　画像認識」講談社 pp.64参照。）
　特徴量検出器の１つである「ＬＢＰ（Local Binary Pattern）」は、３×３の画素領域で特徴計算を行い、画像の局所的な特徴を抽出する。ＬＢＰでは、中心画素値と周辺画素値との大小が比較される。ＬＢＰは、「ｄｅｎｓｅ（密）サンプリング」に分類される。ＬＢＰでは、特徴量の特徴が、中心画素値と周辺画素値との大小を比較したことで得られる局所パターンである。（ＬＢＰについては、例えば原田達也著、「機械学習プロフェッショナルシリーズ　画像認識」講談社 pp.60参照。）

　次に、上述したＤｏＧなどについて説明する。
　図２はサンプリング方法の例などを示す図である。詳細には、図２（Ａ）はＤｏＧを説明するための図である。図２（Ｂ）はランダムサンプリング（Random sampling）を示しており、図２（Ｃ）はグリッドサンプリング（Grid sampling）を示している。
　ＤｏＧ（Difference of Gaussian）とは、σの値が異なる２つのガウシアンフィルタ画像の差分であり、差分画像（ＤｏＧ画像）を作成するフィルタをＤｏＧフィルタと言う。ＤｏＧでは、Keypointの絞り込みが行われ、その後、各Keypointの輝度勾配（信号）が収集される。図２（Ａ）はＤｏＧにおける絞り込みを概念的に示している。図２（Ｂ）に示すランダムサンプリングは、「ｄｅｎｓｅ（密）サンプリング」と呼ばれる。図２（Ｃ）に示すグリッドサンプリングは、「ｄｅｎｓｅ（密）サンプリング」と呼ばれる。上述したＳＩＦＴおよびＳＵＲＦはｓｐａｒｓｅ（疎）なサンプリングに相当し、ＬＢＰはｄｅｎｓｅ（密）なサンプリングに相当する。ＳＩＦＴでは、ＤｏＧフィルタリングによるKeypointの絞り込みが使用される。

　本発明者は、鋭意研究において、脳オルガノイドになる前駆体であるか否かが既知の８０枚の細胞塊の画像を用意し、各画像が、脳オルガノイドになる前駆体の画像であるか、あるいは、脳オルガノイドになる前駆体ではない細胞塊の画像であるかを、上述した特徴量検出器のそれぞれに判別させた。
　その結果、ＳＩＦＴでは、検出率が５５％になり、誤検出率が３６％になり、適中率が４１％になった。ＳＵＲＦでは、検出率が５５％になり、誤検出率が２２％になり、適中率が５４％になった。Ａ－ＫＡＺＥでは、検出率が５２％になり、誤検出率が２９％になり、適中率が４３％になった。ＨＯＧでは、検出率が７１％になり、誤検出率が５．６％になり、適中率が８５％になった。ＬＢＰでは、検出率が８０％になり、誤検出率が１０％になり、適中率が８６％になった。つまり、「ｓｐａｒｓｅ（疎）サンプリング」が行われるＳＩＦＴ、ＳＵＲＦおよびＡ－ＫＡＺＥでは、画像に含まれる細胞塊が、脳オルガノイドになる前駆体であるか、あるいは、脳オルガノイドになる前駆体ではないかを殆ど識別できないことが判明した。

　図３はＳＩＦＴによって抽出された特徴点の例を示す図である。詳細には、図３（Ａ）はＳＩＦＴによってｂｕｄｄｉｎｇ（出芽）を含む細胞塊の画像（「Ｂｕｄ」画像）から抽出された特徴点の一例を示している。図３（Ｂ）はＳＩＦＴによってｂｕｄｄｉｎｇを含まない細胞塊の画像（「Ｎｏ　ｂｕｄ」画像）から抽出された特徴点の一例を示している。
　図３（Ａ）に示す例では、３３個の特徴点が、ＳＩＦＴによって「Ｂｕｄ」画像から抽出された。
　図３（Ｂ）に示す例では、３２個の特徴点が、ＳＩＦＴによって「Ｎｏ　ｂｕｄ」画像から抽出された。
　本発明者の鋭意研究においては、１００７個の特徴点が、ＳＩＦＴによって１ドル紙幣の画像から抽出された。
　本発明者は、鋭意研究において、ＳＩＦＴによって細胞塊の画像から抽出される特徴点の数が少ないこと、および、ＳＩＦＴが細胞塊の最外周の輪郭からしか特徴点を抽出しないことを見い出した。

　また、本発明者の鋭意研究においては、１０８個の特徴点が、ＳＵＲＦによって「Ｂｕｄ」画像から抽出され、９２個の特徴点が、ＳＵＲＦによって「Ｎｏ　ｂｕｄ」画像から抽出され、１７１０個の特徴点が、ＳＵＲＦによって１ドル紙幣の画像から抽出された。
　本発明者は、鋭意研究において、ＳＵＲＦによって細胞塊の画像から抽出される特徴点の数が少ないこと、および、ＳＵＲＦが細胞塊の最外周の輪郭からしか特徴点を抽出しないことを見い出した。

　また、本発明者の鋭意研究においては、０個の特徴点が、Ａ－ＫＡＺＥによって「Ｂｕｄ」画像から抽出され、０個の特徴点が、Ａ－ＫＡＺＥによって「Ｎｏ　ｂｕｄ」画像から抽出され、５７９個の特徴点が、Ａ－ＫＡＺＥによって１ドル紙幣の画像から抽出された。
　本発明者は、鋭意研究において、Ａ－ＫＡＺＥによって細胞塊の画像から抽出される特徴点がないことを見い出した。

　以下、添付図面を参照しつつ、本発明のオルガノイド画像解析装置、オルガノイド画像解析方法およびプログラムの実施形態について説明する。

＜第１実施形態＞
　図４は第１実施形態のオルガノイド画像解析装置１の一例を示す図である。
　図４に示す例では、オルガノイド画像解析装置１が、解析対象画像取得部１１と、テクスチャ解析部１２と、判定部１３と、学習部１４と、教師画像取得部１５とを備えている。
　解析対象画像取得部１１は、テクスチャ解析部１２によるテクスチャ解析の対象である細胞塊の画像として、例えば外部の撮影装置（図示せず）によって撮影され、トリミングなどの処理が行われた後の細胞塊の画像を取得する。
　図４に示す例では、オルガノイド画像解析装置１が解析対象画像取得部１１を備えているが、他の例では、オルガノイド画像解析装置１が、撮影装置を備えており、解析対象画像取得部１１を備えていなくてもよい。

　図４に示す例では、テクスチャ解析部１２が、解析対象画像取得部１１によって取得された細胞塊の画像に対するテクスチャ解析を実行する。テクスチャ解析部１２は、ＬＢＰ特徴量算出部１２Ａ１と、ＬＢＰヒストグラム生成部１２Ａ２とを備えている。ＬＢＰ特徴量算出部１２Ａ１は、細胞塊の画像を分割することにより得られる各画素のＬＢＰ特徴量を算出する。

　図５はＬＢＰ特徴量を説明するための図である。
　ＬＢＰ特徴量算出部１２Ａ１は、図５（Ａ）に示す細胞塊の画像を複数の部分に分割し、複数の部分のうちの１つの部分を取り出す。１つの部分には、図５（Ｂ）に示すように、９（＝３×３）個の画素が含まれる。ＬＢＰ特徴量算出部１２Ａ１は、９個の画素のうちの１個の中心画素の輝度と、中心画素のまわりの８個の周辺画素の輝度とを比較する。
　図５（Ｂ）に示す例では、中心画素の輝度を「１００」とする。８個の周辺画素のうちの、中心画素の左上側に位置する画素の輝度が「１７２」であり、中心画素の輝度よりも高い。そのため、図５（Ｃ）に示すように、中心画素の左上側に位置する画素を値「１」で表現する。
　８個の周辺画素のうちの、中心画素の上側に位置する画素の輝度が「７４」であり、中心画素の輝度よりも低い。そのため、図５（Ｃ）に示すように、中心画素の上側に位置する画素を値「０」で表現する。
　８個の周辺画素のうちの、中心画素の右上側に位置する画素の輝度が「８２」であり、中心画素の輝度よりも低い。そのため、図５（Ｃ）に示すように、中心画素の右上側に位置する画素を値「０」で表現する。

　８個の周辺画素のうちの、中心画素の右側に位置する画素の輝度が「９８」であり、中心画素の輝度よりも低い。そのため、図５（Ｃ）に示すように、中心画素の右側に位置する画素を値「０」で表現する。
　８個の周辺画素のうちの、中心画素の右下側に位置する画素の輝度が「１３２」であり、中心画素の輝度よりも高い。そのため、図５（Ｃ）に示すように、中心画素の右下側に位置する画素を値「１」で表現する。
　８個の周辺画素のうちの、中心画素の下側に位置する画素の輝度が「１１６」であり、中心画素の輝度よりも高い。そのため、図５（Ｃ）に示すように、中心画素の下側に位置する画素を値「１」で表現する。
　８個の周辺画素のうちの、中心画素の左下側に位置する画素の輝度が「７０」であり、中心画素の輝度よりも低い。そのため、図５（Ｃ）に示すように、中心画素の左下側に位置する画素を値「０」で表現する。
　８個の周辺画素のうちの、中心画素の左側に位置する画素の輝度が「７３」であり、中心画素の輝度よりも低い。そのため、図５（Ｃ）に示すように、中心画素の左側に位置する画素を値「０」で表現する。

　次いで、ＬＢＰ特徴量算出部１２Ａ１は、中心画素を８桁の２進数で表現する。図５（Ｃ）に示す例では、ＬＢＰ特徴量算出部１２Ａ１が、中心画素の左上側に位置する画素の値「１」と、中心画素の上側に位置する画素の値「０」と、中心画素の右上側に位置する画素の値「０」と、中心画素の右側に位置する画素の値「０」と、中心画素の右下側に位置する画素の値「１」と、中心画素の下側に位置する画素の値「１」と、中心画素の左下側に位置する画素の値「０」と、中心画素の左側に位置する画素の値「０」とを並べた８桁の２進数「１０００１１００」によって、中心画素を表現する。
　次いで、ＬＢＰ特徴量算出部１２Ａ１は、８桁の２進数「１０００１１００」を１０進数に変換した値「１４０」によって、中心画素のＬＢＰ特徴量を表現する。
　ＬＢＰ特徴量算出部１２Ａ１は、上述した手法を用いることによって、細胞塊の画像を分割することにより得られる複数の画素のそれぞれのＬＢＰ特徴量を算出する。

　図６は解析対象画像取得部１１によって取得された細胞塊の画像と、その画像に対してＬＢＰ特徴量算出部１２Ａ１による処理が行われたものとを比較して示す図である。
　図６（Ａ）は、解析対象画像取得部１１によって取得された細胞塊の画像（撮影装置によって撮影され、トリミングなどの処理が行われた後の細胞塊の画像）を示している。図６（Ｂ）は、図６（Ａ）に示す画像に対してＬＢＰ特徴量算出部１２Ａ１による処理が行われたものを示している。

　図４に示す例では、ＬＢＰヒストグラム生成部１２Ａ２が、ＬＢＰ特徴量算出部１２Ａ１によって算出された各画素のＬＢＰ特徴量をヒストグラム化したものであるＬＢＰヒストグラムを生成する。
　図７はＬＢＰヒストグラム生成部１２Ａ２によって生成されたＬＢＰヒストグラムの一例を示す図である。
　図７において、横軸は、ＬＢＰ特徴量算出部１２Ａ１によって算出されたＬＢＰ特徴量の各値を示している。図７に示す例では、ＬＢＰ特徴量算出部１２Ａ１によって算出されるＬＢＰ特徴量の最小値が値「０」に設定され、ＬＢＰ特徴量算出部１２Ａ１によって算出されるＬＢＰ特徴量の最大値が値「２５」に設定されている。また、図７において、縦軸は、ＬＢＰ特徴量算出部１２Ａ１によって算出されたＬＢＰ特徴量の各値の出現頻度を示している。
　図７に示すＬＢＰヒストグラムは、図６（Ｂ）に示すもの（図６（Ａ）に示す画像に対してＬＢＰ特徴量算出部１２Ａ１による処理が行われたもの）をヒストグラム化したものである。

　本発明者は、鋭意研究において、細胞塊が脳オルガノイドになる前駆体であることが既知の複数の細胞塊の画像のそれぞれを分割することにより得られる各画素のＬＢＰ特徴量を算出し、各画素のＬＢＰ特徴量をヒストグラム化したものであるＬＢＰヒストグラム（脳オルガノイドになる前駆体である細胞塊の画像のＬＢＰヒストグラム）を生成した。
　さらに、本発明者は、鋭意研究において、細胞塊が脳オルガノイドになる前駆体ではないことが既知の複数の細胞塊の画像のそれぞれを分割することにより得られる各画素のＬＢＰ特徴量を算出し、各画素のＬＢＰ特徴量をヒストグラム化したものであるＬＢＰヒストグラム（脳オルガノイドになる前駆体ではない細胞塊の画像のＬＢＰヒストグラム）を生成した。

　図８は本発明者が生成したＬＢＰヒストグラムなどを示す図である。
　詳細には、図８（Ａ）は、本発明者がＬＢＰヒストグラムの生成に使用した、細胞塊が脳オルガノイドになる前駆体であることが既知の複数の細胞塊の画像（「正常」画像）を示す。図８（Ｂ）は、本発明者がＬＢＰヒストグラムの生成に使用した、細胞塊が脳オルガノイドになる前駆体ではないことが既知の複数の細胞塊の画像（「異常」画像）を示す。図８（Ｃ）は、本発明者が生成した脳オルガノイドになる前駆体である細胞塊の画像のＬＢＰヒストグラムの平均値（「正常」ＬＢＰヒストグラム）と、本発明者が生成した脳オルガノイドになる前駆体ではない細胞塊の画像のＬＢＰヒストグラムの平均値（「異常」ＬＢＰヒストグラム）とを比較して示す。
　図８（Ｃ）に示すように、本発明者は、鋭意研究において、脳オルガノイドになる前駆体である細胞塊の画像のＬＢＰヒストグラムの横軸の中央部（ＬＢＰ特徴量の値が「１２」～「１４」の部分）に対応する出現頻度（「正常」ＬＢＰヒストグラムの縦軸の値「０．０６」～「０．０７」）が、脳オルガノイドになる前駆体ではない細胞塊の画像のＬＢＰヒストグラムの横軸の中央部（ＬＢＰ特徴量の値が「１２」～「１４」の部分）に対応する出現頻度（「異常」ＬＢＰヒストグラムの縦軸の値「０．０４」～「０．０５」）よりも高いことを見い出した。
　また、図８（Ｃ）に示すように、本発明者は、鋭意研究において、脳オルガノイドになる前駆体ではない細胞塊の画像のＬＢＰヒストグラムの横軸の両端部（ＬＢＰ特徴量の値が「１」の部分、および、ＬＢＰ特徴量の値が「２５」の部分）に対応する出現頻度（「異常」ＬＢＰヒストグラムの縦軸の値「０．０４」）が、脳オルガノイドになる前駆体である細胞塊の画像のＬＢＰヒストグラムの横軸の両端部（ＬＢＰ特徴量の値が「１」の部分、および、ＬＢＰ特徴量の値が「２５」の部分）に対応する出現頻度（「正常」ＬＢＰヒストグラムの縦軸の値「０．０３」）よりも高いことを見い出した。

　図４に示す例では、判定部１３が、テクスチャ解析部１２の解析結果に基づいて、テクスチャ解析部１２による解析が実行された画像に含まれる細胞塊がオルガノイドになる前駆体であるか否かを判定する。詳細には、判定部１３は、ＬＢＰヒストグラム生成部１２Ａ２によって生成されたＬＢＰヒストグラムに基づいて、テクスチャ解析部１２による解析が実行された画像に含まれる細胞塊がオルガノイドになる前駆体であるか否かを判定する。
　更に詳細には、判定部１３は、図８（Ｃ）に示す研究結果を反映した判定を行う。
　細胞塊がオルガノイドになる前駆体であると判定部１３によって判定されるＬＢＰヒストグラムの横軸の中央部（ＬＢＰ特徴量の値が中間値の部分）の出現頻度（ＬＢＰヒストグラムの縦軸の値）は、細胞塊がオルガノイドになる前駆体ではないと判定部１３によって判定されるＬＢＰヒストグラムの横軸の中央部（ＬＢＰ特徴量の値が中間値の部分）の出現頻度（ＬＢＰヒストグラムの縦軸の値）より高くなる。
　また、細胞塊がオルガノイドになる前駆体ではないと判定部１３によって判定されるＬＢＰヒストグラムの横軸の両端部（ＬＢＰ特徴量の値が最小値の部分、および、ＬＢＰ特徴量の値が最大値の部分）の出現頻度（ＬＢＰヒストグラムの縦軸の値）は、細胞塊がオルガノイドになる前駆体であると判定部１３によって判定されるＬＢＰヒストグラムの横軸の両端部（ＬＢＰ特徴量の値が最小値の部分、および、ＬＢＰ特徴量の値が最大値の部分）の出現頻度（ＬＢＰヒストグラムの縦軸の値）より高くなる。

　本発明者は、鋭意研究において、図８（Ａ）および図８（Ｂ）に示す細胞塊が脳オルガノイドになる前駆体であるか否かが既知の８０枚の細胞塊の画像（教師画像）を使用し、サポートベクターマシン（ＳＶＭ）にて判定部１３の学習を行った。なお、ＳＶＭ以外にも、例えばグラディエントブースト、ランダムフォレスト、ロジスティック回帰、ニューラルネットワーク、ナイーブベイズ分類機などの公知の任意の学習アルゴリズム、統計的回帰モデル、数理的モデルなどを利用できる。
　学習後において、判定部１３は、３１枚の図８（Ａ）に示す「正常」画像のうちの、２５枚の画像を、「正常」画像であると正しく判定した。
　また、判定部１３は、４９枚の図８（Ｂ）に示す「異常」画像のうちの、４４枚の画像を、「異常」画像であると正しく判定した。
　また、判定部１３は、３１枚の図８（Ａ）に示す「正常」画像のうちの、６枚の画像を、「異常」画像であると誤って判定した。
　また、判定部１３は、４９枚の図８（Ｂ）に示す「異常」画像のうちの、５枚の画像を、「正常」画像であると誤って判定した。
　つまり、判定部１３は、８０枚の画像のうちの６９枚の画像について、「正常」画像であるか、あるいは、「異常」画像であるかを正しく判定した。また、判定部１３は、８０枚の画像のうちの１１枚の画像について、「正常」画像であるか、あるいは、「異常」画像であるかを誤って判定した。
　検出率（＝検出した正解数／全正解数）は８１％になった。誤検出率（＝誤検出した数／全不正解数）は１０％になった。
　すなわち、本発明者は、鋭意研究において、８０％程度の精度で分類できる判定部１３のプログラムを試作した。

　図４に示す例では、学習部１４が、細胞塊がオルガノイドになる前駆体であるか否かが既知の細胞塊の画像である教師画像を用いることによって判定部１３の学習（機械学習）を行う。教師画像取得部１５は、例えば図８（Ａ）および図８（Ｂ）に示すような、細胞塊がオルガノイドになる前駆体であるか否かが既知の細胞塊の画像である教師画像を取得する。
　図４に示す例では、オルガノイド画像解析装置１が学習部１４と教師画像取得部１５とを備えているが、他の例では、オルガノイド画像解析装置１が学習部１４と教師画像取得部１５とを備えていなくてもよい。つまり、他の例では、判定部１３が、図４に示す例における学習後の判定部１３の性能と同等の性能を当初から備えている。

　図９は第１実施形態のオルガノイド画像解析装置１において実行される処理の一例を説明するためのフローチャートである。
　図９に示す例では、ステップＳ１１において、教師画像取得部１５は、細胞塊がオルガノイドになる前駆体であるか否かが既知の細胞塊の画像である教師画像を取得する。
　次いで、ステップＳ１２では、学習部１４が、ステップＳ１１において取得された教師画像を用いることによって判定部１３の学習（機械学習）を行う。
　次いで、ステップＳ１３において、解析対象画像取得部１１は、テクスチャ解析部１２によるテクスチャ解析の対象である細胞塊の画像として、例えば外部の撮影装置（図示せず）によって撮影され、トリミングなどの処理が行われた後の細胞塊の画像を取得する。
　次いで、ステップＳ１４およびステップＳ１５では、テクスチャ解析部１２が、ステップＳ１３において取得された細胞塊の画像に対するテクスチャ解析を実行する。
　詳細には、ステップＳ１４では、ＬＢＰ特徴量算出部１２Ａ１が、ステップＳ１３において取得された細胞塊の画像を分割することにより得られる各画素のＬＢＰ特徴量を算出する。
　次いで、ステップＳ１５では、ＬＢＰヒストグラム生成部１２Ａ２が、ステップＳ１４において算出された各画素のＬＢＰ特徴量をヒストグラム化したものであるＬＢＰヒストグラムを生成する。
　次いで、ステップＳ１６では、判定部１３が、ステップＳ１５において生成されたＬＢＰヒストグラムに基づいて、テクスチャ解析部１２による解析が実行された画像に含まれる細胞塊がオルガノイドになる前駆体であるか否かを判定する。

　上述したように、第１実施形態のオルガノイド画像解析装置１では、ＬＢＰ特徴量算出部１２Ａ１とＬＢＰヒストグラム生成部１２Ａ２とを備えるテクスチャ解析部１２が、解析対象画像取得部１１によって取得された細胞塊の画像に対して、ＳＩＦＴ、ＳＵＲＦおよびＡ－ＫＡＺＥよりも高密度（ｄｅｎｓｅ）なサンプリングを実行し、テクスチャ解析を実行する。
　そのため、第１実施形態のオルガノイド画像解析装置１では、例えばＳＩＦＴ、ＳＵＲＦあるいはＡ－ＫＡＺＥによるテクスチャ解析が実行される場合よりも高精度に、細胞塊がオルガノイドになる前駆体であるか否かを判定することができる。

＜第２実施形態＞
　以下、本発明のオルガノイド画像解析装置、オルガノイド画像解析方法およびプログラムの第２実施形態について説明する。
　第２実施形態のオルガノイド画像解析装置１は、後述する点を除き、上述した第１実施形態のオルガノイド画像解析装置１と同様に構成されている。従って、第２実施形態のオルガノイド画像解析装置１によれば、後述する点を除き、上述した第１実施形態のオルガノイド画像解析装置１と同様の効果を奏することができる。

　図１０は第２実施形態のオルガノイド画像解析装置１の一例を示す図である。
　図１０に示す例では、オルガノイド画像解析装置１が、解析対象画像取得部１１と、テクスチャ解析部１２と、判定部１３と、学習部１４と、教師画像取得部１５とを備えている。
　解析対象画像取得部１１は、第１実施形態のオルガノイド画像解析装置１の解析対象画像取得部１１と同様に、テクスチャ解析部１２によるテクスチャ解析の対象である細胞塊の画像として、例えば外部の撮影装置（図示せず）によって撮影され、トリミングなどの処理が行われた後の細胞塊の画像を取得する。

　図１０に示す例では、テクスチャ解析部１２が、解析対象画像取得部１１によって取得された細胞塊の画像に対するテクスチャ解析を実行する。テクスチャ解析部１２は、ＨＯＧ（Histograms of Oriented Gradients）ヒストグラム生成部１２Ｂを備えている。ＨＯＧヒストグラム生成部１２Ｂは、解析対象画像取得部１１によって取得された細胞塊の画像中の局所領域の輝度の勾配方向をヒストグラム化したものであるＨＯＧヒストグラムを生成する。つまり、ＨＯＧヒストグラム生成部１２Ｂは、解析対象画像取得部１１によって取得された細胞塊の画像に対してＨＯＧヒストグラムを生成する。

　図１１はＨＯＧヒストグラム生成部１２Ｂによる処理を概略的に説明するための図である。
　ＨＯＧヒストグラム生成部１２Ｂは、図１１（Ａ）に示す細胞塊の画像を複数の部分に分割し、複数の部分のうちの１つの部分を取り出す。１つの部分には、図１１（Ｂ）に示すように、例えば２５（＝５×５）個の画素が含まれる。ＨＯＧヒストグラム生成部１２Ｂは、２５個の画素のそれぞれ（局所領域）における輝度の勾配方向（輝度が変化している方向）（図１１（Ｂ）中の矢印の向き）および輝度の勾配強度（輝度の差）（図１１（Ｂ）中の矢印の長さ）を算出する。
　図１１（Ｂ）に示す例では、輝度の勾配強度が大きくなるに従って、図１１（Ｂ）中の矢印が長くなる。

　次いで、ＨＯＧヒストグラム生成部１２Ｂは、２５個の画素のそれぞれにおける輝度の勾配方向および輝度の勾配強度を、図１１（Ｃ）に示すようにヒストグラム化する。図１１（Ｃ）において、横軸は輝度の勾配方向を示しており、縦軸は累積強度（輝度の勾配強度を累積したもの）を示している。
　図１１（Ｃ）に示す例では、輝度の勾配方向（横軸）が、「０°～２０°」の部分と、「２０°～４０°」の部分と、「４０°～６０°」の部分と、「６０°～８０°」の部分と、「８０°～１００°」の部分と、「１００°～１２０°」の部分と、「１２０°～１４０°」の部分と、「１４０°～１６０°」の部分と、「１６０°～１８０°」の部分とに区分されている。

　本発明者は、鋭意研究において、細胞塊が脳オルガノイドになる前駆体であることが既知の複数の細胞塊の画像中の局所領域の輝度の勾配方向をヒストグラム化したものであるＨＯＧヒストグラム（脳オルガノイドになる前駆体である細胞塊の画像のＨＯＧヒストグラム）を生成した。
　さらに、本発明者は、鋭意研究において、細胞塊が脳オルガノイドになる前駆体ではないことが既知の複数の細胞塊の画像中の局所領域の輝度の勾配方向をヒストグラム化したものであるＨＯＧヒストグラム（脳オルガノイドになる前駆体ではない細胞塊の画像のＨＯＧヒストグラム）を生成した。

　図１２は本発明者が生成したＨＯＧヒストグラムを示す図である。図１２において、横軸は輝度の勾配方向を示しており、縦軸は累積強度（輝度の勾配強度を累積したもの）を示している。図１２に示す例では、輝度の勾配方向（横軸）が、値「１」で示す「０°～１０°」の部分と、値「２」で示す「１０°～２０°」の部分と、値「３」で示す「２０°～３０°」の部分と、値「４」で示す「３０°～４０°」の部分と、値「５」で示す「４０°～５０°」の部分と、値「６」で示す「５０°～６０°」の部分と、値「７」で示す「６０°～７０°」の部分と、値「８」で示す「７０°～８０°」の部分と、値「９」で示す「８０°～９０°」の部分と、値「１０」で示す「９０°～１００°」の部分と、値「１１」で示す「１００°～１１０°」の部分と、値「１２」で示す「１１０°～１２０°」の部分と、値「１３」で示す「１２０°～１３０°」の部分と、値「１４」で示す「１３０°～１４０°」の部分と、値「１５」で示す「１４０°～１５０°」の部分と、値「１６」で示す「１５０°～１６０°」の部分と、値「１７」で示す「１６０°～１７０°」の部分と、値「１８」で示す「１７０°～１８０°」の部分とに区分されている。
　本発明者は、鋭意研究において、脳オルガノイドになる前駆体である細胞塊の画像のＨＯＧヒストグラムを生成するために、上述した、細胞塊が脳オルガノイドになる前駆体であることが既知の複数の細胞塊の画像（「正常」画像）（図８（Ａ）参照）を使用した。また、本発明者は、鋭意研究において、脳オルガノイドになる前駆体ではない細胞塊の画像のＨＯＧヒストグラムを生成するために、上述した、細胞塊が脳オルガノイドになる前駆体ではないことが既知の複数の細胞塊の画像（「異常」画像）（図８（Ｂ）参照）を使用した。
　図１２に示すＨＯＧヒストグラムは、本発明者が生成した脳オルガノイドになる前駆体である細胞塊の画像のＨＯＧヒストグラム（「正常」ＨＯＧヒストグラム）と、本発明者が生成した脳オルガノイドになる前駆体ではない細胞塊の画像のＨＯＧヒストグラム（「異常」ＨＯＧヒストグラム）とを比較して示す。

　図１２に示すように、本発明者は、鋭意研究において、脳オルガノイドになる前駆体ではない細胞塊の画像のＨＯＧヒストグラム（「異常」ＨＯＧヒストグラム）の横軸の水平成分を示す部分（値「１」で示す部分）の輝度の勾配強度が、脳オルガノイドになる前駆体である細胞塊の画像のＨＯＧヒストグラム（「正常」ＨＯＧヒストグラム）の横軸の水平成分を示す部分（値「１」で示す部分）の輝度の勾配強度よりも高いことを見い出した。
　また、図１２に示すように、本発明者は、鋭意研究において、脳オルガノイドになる前駆体ではない細胞塊の画像のＨＯＧヒストグラム（「異常」ＨＯＧヒストグラム）の横軸の垂直成分を示す部分（値「１０」で示す部分）の輝度の勾配強度が、脳オルガノイドになる前駆体である細胞塊の画像のＨＯＧヒストグラム（「正常」ＨＯＧヒストグラム）の横軸の垂直成分を示す部分（値「１０」で示す部分）の輝度の勾配強度よりも高いことを見い出した。

　図１０に示す例では、判定部１３が、テクスチャ解析部１２の解析結果に基づいて、テクスチャ解析部１２による解析が実行された画像に含まれる細胞塊がオルガノイドになる前駆体であるか否かを判定する。詳細には、判定部１３は、ＨＯＧヒストグラム生成部１２Ｂによって生成されたＨＯＧヒストグラムに基づいて、テクスチャ解析部１２による解析が実行された画像に含まれる細胞塊がオルガノイドになる前駆体であるか否かを判定する。
　更に詳細には、判定部１３は、図１２に示す研究結果を反映した判定を行う。
　細胞塊がオルガノイドになる前駆体ではないと判定部１３によって判定されるＨＯＧヒストグラムの横軸の水平成分を示す部分（図１２に値「１」で示す部分）の輝度の勾配強度は、細胞塊がオルガノイドになる前駆体であると判定部１３によって判定されるＨＯＧヒストグラムの横軸の水平成分を示す部分（図１２に値「１」で示す部分）の輝度の勾配強度よりも高くなる。
　また、細胞塊がオルガノイドになる前駆体ではないと判定部１３によって判定されるＨＯＧヒストグラムの横軸の垂直成分を示す部分（図１２に値「１０」で示す部分）の輝度の勾配強度は、細胞塊がオルガノイドになる前駆体であると判定部１３によって判定されるＨＯＧヒストグラムの横軸の垂直成分を示す部分（図１２に値「１０」で示す部分）の輝度の勾配強度よりも高くなる。

　図１０に示す例では、学習部１４は、細胞塊がオルガノイドになる前駆体であるか否かが既知の細胞塊の画像である教師画像を用いることによって判定部１３の学習（機械学習）を行う。教師画像取得部１５は、例えば図８（Ａ）および図８（Ｂ）に示すような、細胞塊がオルガノイドになる前駆体であるか否かが既知の細胞塊の画像である教師画像を取得する。
　図１０に示す例では、オルガノイド画像解析装置１が学習部１４と教師画像取得部１５とを備えているが、他の例では、オルガノイド画像解析装置１が学習部１４と教師画像取得部１５とを備えていなくてもよい。つまり、他の例では、判定部１３が、図１０に示す例における学習後の判定部１３の性能と同等の性能を当初から備えている。

　図１３は第２実施形態のオルガノイド画像解析装置１において実行される処理の一例を説明するためのフローチャートである。
　図１３に示す例では、ステップＳ２１において、図９のステップＳ１１と同様に、教師画像取得部１５は、細胞塊がオルガノイドになる前駆体であるか否かが既知の細胞塊の画像である教師画像を取得する。
　次いで、ステップＳ２２では、学習部１４が、ステップＳ２１において取得された教師画像を用いることによって判定部１３の学習（機械学習）を行う。
　次いで、ステップＳ２３において、図９のステップＳ１３と同様に、解析対象画像取得部１１は、テクスチャ解析部１２によるテクスチャ解析の対象である細胞塊の画像として、例えば外部の撮影装置（図示せず）によって撮影され、トリミングなどの処理が行われた後の細胞塊の画像を取得する。
　次いで、ステップＳ２４では、テクスチャ解析部１２が、ステップＳ２３において取得された細胞塊の画像に対するテクスチャ解析を実行する。
　詳細には、ステップＳ２４では、ＨＯＧヒストグラム生成部１２Ｂが、ステップＳ２３において取得された細胞塊の画像中の局所領域の輝度の勾配方向をヒストグラム化したものであるＨＯＧヒストグラムを生成する。
　次いで、ステップＳ２５では、判定部１３が、ステップＳ２４において生成されたＨＯＧヒストグラムに基づいて、テクスチャ解析部１２による解析が実行された画像に含まれる細胞塊がオルガノイドになる前駆体であるか否かを判定する。

　第２実施形態のオルガノイド画像解析装置１では、ＨＯＧヒストグラム生成部１２Ｂを備えるテクスチャ解析部１２が、解析対象画像取得部１１によって取得された細胞塊の画像に対して、ＳＩＦＴ、ＳＵＲＦおよびＡ－ＫＡＺＥよりも高密度（ｄｅｎｓｅ）なサンプリングを実行し、テクスチャ解析を実行する。
　そのため、第２実施形態のオルガノイド画像解析装置１では、例えばＳＩＦＴ、ＳＵＲＦあるいはＡ－ＫＡＺＥによるテクスチャ解析が実行される場合よりも高精度に、細胞塊がオルガノイドになる前駆体であるか否かを判定することができる。

＜第３実施形態＞
　以下、本発明のオルガノイド画像解析装置、オルガノイド画像解析方法およびプログラムの第３実施形態について説明する。
　第３実施形態のオルガノイド画像解析装置１は、後述する点を除き、上述した第１実施形態のオルガノイド画像解析装置１と同様に構成されている。従って、第３実施形態のオルガノイド画像解析装置１によれば、後述する点を除き、上述した第１実施形態のオルガノイド画像解析装置１と同様の効果を奏することができる。

　図１４は第３実施形態のオルガノイド画像解析装置１の一例を示す図である。
　図１４に示す例では、オルガノイド画像解析装置１が、解析対象画像取得部１１と、テクスチャ解析部１２と、判定部１３と、学習部１４と、教師画像取得部１５とを備えている。
　解析対象画像取得部１１は、第１実施形態のオルガノイド画像解析装置１の解析対象画像取得部１１と同様に、テクスチャ解析部１２によるテクスチャ解析の対象である細胞塊の画像として、例えば外部の撮影装置（図示せず）によって撮影され、トリミングなどの処理が行われた後の細胞塊の画像を取得する。

　図１４に示す例では、テクスチャ解析部１２が、解析対象画像取得部１１によって取得された細胞塊の画像に対するテクスチャ解析を実行する。テクスチャ解析部１２は、輝度粗さ曲線生成部１２Ｃ１と、輝度粗さ特徴量算出部１２Ｃ２とを備えている。輝度粗さ曲線生成部１２Ｃ１は、解析対象画像取得部１１によって取得された細胞塊の画像を切断する任意の線上における輝度を示す曲線である輝度粗さ曲線を生成する。

　図１５は輝度粗さ曲線生成部１２Ｃ１によって生成される輝度粗さ曲線などを説明するための図である。
　詳細には、図１５（Ａ）は細胞塊が脳オルガノイドになる前駆体である場合における細胞塊の画像の一例を示す図である。図１５（Ｂ）は図１５（Ａ）に示す細胞塊の画像を切断する図１５（Ａ）中のＸ１－Ｘ１線上における輝度を示す輝度粗さ曲線ＢＲＣを示している。図１５（Ｂ）において、横軸は図１５（Ａ）中のＸ１－Ｘ１線上における位置を示しており、縦軸は各位置における輝度を示している。
　図１５（Ｃ）は細胞塊が脳オルガノイドになる前駆体ではない場合における細胞塊の画像の一例を示す図である。図１５（Ｄ）は図１５（Ｃ）に示す細胞塊の画像を切断する図１５（Ｃ）中のＸ２－Ｘ２線上における輝度を示す輝度粗さ曲線ＢＲＣを示している。図１５（Ｄ）において、横軸は図１５（Ｃ）中のＸ２－Ｘ２線上における位置を示しており、縦軸は各位置における輝度を示している。
　本発明者は、鋭意研究において、図１５（Ａ）に示すようにｂｕｄｄｉｎｇ（出芽）が生じ、細胞塊が脳オルガノイドになる前駆体である場合における細胞塊の画像の輝度粗さ曲線ＢＲＣ（図１５（Ｂ）参照）は、図１５（Ｃ）に示すようにｂｕｄｄｉｎｇ（出芽）が生じておらず、細胞塊が脳オルガノイドになる前駆体ではない場合における細胞塊の画像の輝度粗さ曲線ＢＲＣ（図１５（Ｄ）参照）より粗くなる（位置に応じた輝度の増減が顕著になる）ことを見い出した。

　つまり、輝度粗さ曲線生成部１２Ｃ１は、解析対象画像取得部１１によって取得された細胞塊の画像から、例えば図１５（Ａ）および図１５（Ｃ）に示すような細胞塊の画像を切断する任意の線上における輝度を示す輝度粗さ曲線ＢＲＣ（図１５（Ｂ）および図１５（Ｄ）参照）を生成する。
　輝度粗さ特徴量算出部１２Ｃ２は、第１半径を有する第１円Ｃ１（図１５（Ｂ）および図１５（Ｄ）参照）が輝度粗さ曲線ＢＲＣ上を転がる距離である第１距離Ｄ１と、第１半径Ｒ１とは異なる第２半径（図１５（Ｂ）および図１５（Ｄ）に示す例では、第１半径＞第２半径）を有する第２円Ｃ２（図１５（Ｂ）および図１５（Ｄ）参照）が輝度粗さ曲線ＢＲＣ上を転がる距離である第２距離Ｄ２との比である輝度粗さ特徴量ＢＲ（＝Ｄ１／Ｄ２）を算出する。

　本発明者は、鋭意研究において、細胞塊が脳オルガノイドになる前駆体であることが既知の細胞塊の画像（例えば図１５（Ａ）参照）を切断する任意の線上における輝度粗さ曲線ＢＲＣ（例えば図１５（Ｂ）参照）上を第１円Ｃ１（図１５（Ｂ）参照）が転がる距離である第１距離Ｄ１は、その輝度粗さ曲線ＢＲＣ上を第２円Ｃ２（図１５（Ｂ）参照）が転がる距離である第２距離Ｄ２と比較してかなり大きくなり、その輝度粗さ曲線ＢＲＣについての輝度粗さ特徴量ＢＲ（＝Ｄ１／Ｄ２）が、値１．１より大きくなることを見い出した。
　本発明者は、鋭意研究において、細胞塊が脳オルガノイドになる前駆体ではないことが既知の細胞塊の画像（例えば図１５（Ｃ）参照）を切断する任意の線上における輝度粗さ曲線ＢＲＣ（例えば図１５（Ｄ）参照）上を第１円Ｃ１（図１５（Ｄ）参照）が転がる距離である第１距離Ｄ１は、その輝度粗さ曲線ＢＲＣ上を第２円Ｃ２（図１５（Ｄ）参照）が転がる距離である第２距離Ｄ２と比較して僅かに大きくなり、その輝度粗さ曲線ＢＲＣについての輝度粗さ特徴量ＢＲ（＝Ｄ１／Ｄ２）が、値１．０～１．１になることを見い出した。

　図１６は細胞塊が脳オルガノイドになる前駆体であることが既知の複数の細胞塊の画像（「正常」画像）（例えば図１５（Ａ）参照）について本発明者が鋭意研究において算出した輝度粗さ特徴量ＢＲ、細胞塊が脳オルガノイドになる前駆体ではないことが既知の複数の細胞塊の画像（「異常」画像）（例えば図１５（Ｃ）参照）について本発明者が鋭意研究において算出した輝度粗さ特徴量ＢＲなどを説明するための図である。
　詳細には、図１６（Ａ）は細胞塊が脳オルガノイドになる前駆体であることが既知の細胞塊の画像（「正常」画像）、または、細胞塊が脳オルガノイドになる前駆体ではないことが既知の細胞塊の画像（「異常」画像）を切断するＸ－Ｘ線およびＹ－Ｙ線を説明するための図である。

　図１６（Ｂ）は細胞塊が脳オルガノイドになる前駆体であることが既知の複数の細胞塊の画像（「正常」画像）を切断するＸ－Ｘ線（図１６（Ａ）参照）上における輝度粗さ曲線ＢＲＣ＿Ｘ上を第１円Ｃ１が転がる第１距離Ｄ１＿Ｘと、その輝度粗さ曲線ＢＲＣ＿Ｘ上を第２円Ｃ２が転がる第２距離Ｄ２＿Ｘとの比であるＸ方向輝度粗さ特徴量ＢＲ＿Ｘ（＝Ｄ１＿Ｘ／Ｄ２＿Ｘ）と、それらの画像（「正常」画像）を切断するＹ－Ｙ線（図１６（Ａ）参照）上における輝度粗さ曲線ＢＲＣ＿Ｙ上を第１円Ｃ１が転がる第１距離Ｄ１＿Ｙと、その輝度粗さ曲線ＢＲＣ＿Ｙ上を第２円Ｃ２が転がる第２距離Ｄ２＿Ｙとの比であるＹ方向輝度粗さ特徴量ＢＲ＿Ｙ（＝Ｄ１＿Ｙ／Ｄ２＿Ｙ）とを示す複数のプロット（「正常」プロット）を示している。
　また、図１６（Ｂ）は細胞塊が脳オルガノイドになる前駆体ではないことが既知の複数の細胞塊の画像（「異常」画像）を切断するＸ－Ｘ線（図１６（Ａ）参照）上における輝度粗さ曲線ＢＲＣ＿ＸＡ上を第１円Ｃ１が転がる第１距離Ｄ１＿ＸＡと、その輝度粗さ曲線ＢＲＣ＿ＸＡ上を第２円Ｃ２が転がる第２距離Ｄ２＿ＸＡとの比であるＸ方向輝度粗さ特徴量ＢＲ＿ＸＡ（＝Ｄ１＿ＸＡ／Ｄ２＿ＸＡ）と、それらの画像（「異常」画像）を切断するＹ－Ｙ線（図１６（Ａ）参照）上における輝度粗さ曲線ＢＲＣ＿ＹＡ上を第１円Ｃ１が転がる第１距離Ｄ１＿ＹＡと、その輝度粗さ曲線ＢＲＣ＿ＹＡ上を第２円Ｃ２が転がる第２距離Ｄ２＿ＹＡとの比であるＹ方向輝度粗さ特徴量ＢＲ＿ＹＡ（＝Ｄ１＿ＹＡ／Ｄ２＿ＹＡ）とを示す複数のプロット（「異常」プロット）を示している。

　図１６（Ｂ）において、横軸は、「正常」プロットのＸ方向輝度粗さ特徴量ＢＲ＿Ｘ、および、「異常」プロットのＸ方向輝度粗さ特徴量ＢＲ＿ＸＡを示しており、縦軸は、「正常」プロットのＹ方向輝度粗さ特徴量ＢＲ＿Ｙ、および、「異常」プロットのＹ方向輝度粗さ特徴量ＢＲ＿ＹＡを示している。
　図１６に示す例では、第１円Ｃ１の直径が１００［ｐｉｘｅｌ］に設定され、第２円Ｃ２の直径が３［ｐｉｘｅｌ］に設定されている。

　本発明者は、鋭意研究において、図１６（Ｂ）に示すように、細胞塊が脳オルガノイドになる前駆体であることが既知の複数の細胞塊の画像（「正常」画像）について算出した輝度粗さ特徴量ＢＲ＿Ｘ、ＢＲ＿Ｙが、細胞塊が脳オルガノイドになる前駆体ではないことが既知の複数の細胞塊の画像（「異常」画像）について算出した輝度粗さ特徴量ＢＲ＿ＸＡ、ＢＲ＿ＹＡより大きくなることを見い出した。
　つまり、本発明者は、鋭意研究において、図１６（Ｂ）に示すように、細胞塊が脳オルガノイドになる前駆体であることが既知の複数の細胞塊の画像（「正常」画像）に関する「正常」プロットが、図１６（Ｂ）の右上側に分布し、細胞塊が脳オルガノイドになる前駆体ではないことが既知の複数の細胞塊の画像（「異常」画像）に関する「異常」プロットが、図１６（Ｂ）の左下側に分布することを見い出した。

　図１４に示す例では、判定部１３が、テクスチャ解析部１２の解析結果に基づいて、テクスチャ解析部１２による解析が実行された画像に含まれる細胞塊がオルガノイドになる前駆体であるか否かを判定する。詳細には、判定部１３は、輝度粗さ特徴量算出部１２Ｃ２によって算出された輝度粗さ特徴量に基づいて、テクスチャ解析部１２による解析が実行された画像に含まれる細胞塊がオルガノイドになる前駆体であるか否かを判定する。
　更に詳細には、判定部１３は、図１６（Ｂ）に示す研究結果を反映した判定を行う。
　輝度粗さ特徴量算出部１２Ｃ２によって算出された輝度粗さ特徴量ＢＲが閾値よりも大きい場合に、判定部１３は、細胞塊がオルガノイドになる前駆体であると判定する。例えば、Ｘ方向輝度粗さ特徴量ＢＲ＿Ｘが値１．１より大きく、かつ、Ｙ方向輝度粗さ特徴量ＢＲ＿Ｙが値１．１より大きい場合に、判定部１３は、細胞塊がオルガノイドになる前駆体であると判定する。
　輝度粗さ特徴量算出部１２Ｃ２によって算出された輝度粗さ特徴量ＢＲが閾値以下である場合に、判定部１３は、細胞塊がオルガノイドになる前駆体はないと判定する。例えば、Ｘ方向輝度粗さ特徴量ＢＲ＿Ｘが値１．１以下である場合、または、Ｙ方向輝度粗さ特徴量ＢＲ＿Ｙが値１．１以下である場合に、判定部１３は、細胞塊がオルガノイドになる前駆体ではないと判定する。
　つまり、判定部１３は、解析対象画像取得部１１によって取得された細胞塊の画像の輝度粗さ曲線より得られる輝度粗さ特徴量に基づいて、細胞塊がオルガノイドになる前駆体であるか否かを判定する。

　本発明者は、鋭意研究において、図８（Ａ）および図８（Ｂ）に示す細胞塊が脳オルガノイドになる前駆体であるか否かが既知の８０枚の細胞塊の画像（教師画像）を使用し、サポートベクターマシン（ＳＶＭ）にて第３実施形態のオルガノイド画像解析装置１の判定部１３の学習を行った。
　学習後において、判定部１３は、３１枚の図８（Ａ）に示す「正常」画像のうちの、２０枚の画像を、「正常」画像であると正しく判定した。
　また、判定部１３は、４９枚の図８（Ｂ）に示す「異常」画像のうちの、４５枚の画像を、「異常」画像であると正しく判定した。
　また、判定部１３は、３１枚の図８（Ａ）に示す「正常」画像のうちの、１１枚の画像を、「異常」画像であると誤って判定した。
　また、判定部１３は、４９枚の図８（Ｂ）に示す「異常」画像のうちの、３枚の画像を、「正常」画像であると誤って判定した。
　つまり、判定部１３は、８０枚の画像のうちの６５枚の画像について、「正常」画像であるか、あるいは、「異常」画像であるかを正しく判定した。また、判定部１３は、８０枚の画像のうちの１４枚の画像について、「正常」画像であるか、あるいは、「異常」画像であるかを誤って判定した。
　検出率（＝検出した正解数／全正解数）は６４．５％になった。誤検出率（＝誤検出した数／全不正解数）は６．３％になった。適中率は８２．３％になった。
　すなわち、本発明者は、鋭意研究において、８０％程度の精度で分類できる第３実施形態のオルガノイド画像解析装置１の判定部１３のプログラムを試作した。

　図１４に示す例では、学習部１４が、細胞塊がオルガノイドになる前駆体であるか否かが既知の細胞塊の画像である教師画像を用いることによって判定部１３の学習（機械学習）を行う。教師画像取得部１５は、例えば図８（Ａ）および図８（Ｂ）に示すような、細胞塊がオルガノイドになる前駆体であるか否かが既知の細胞塊の画像である教師画像を取得する。
　図１４に示す例では、オルガノイド画像解析装置１が学習部１４と教師画像取得部１５とを備えているが、他の例では、オルガノイド画像解析装置１が学習部１４と教師画像取得部１５とを備えていなくてもよい。つまり、他の例では、判定部１３が、図１４に示す例における学習後の判定部１３の性能と同等の性能を当初から備えている。

　図１７は第３実施形態のオルガノイド画像解析装置１において実行される処理の一例を説明するためのフローチャートである。
　図１７に示す例では、ステップＳ３１において、図９のステップＳ１１と同様に、教師画像取得部１５は、細胞塊がオルガノイドになる前駆体であるか否かが既知の細胞塊の画像である教師画像を取得する。
　次いで、ステップＳ３２では、学習部１４が、ステップＳ３１において取得された教師画像を用いることによって判定部１３の学習（機械学習）を行う。
　次いで、ステップＳ３３において、図９のステップＳ１３と同様に、解析対象画像取得部１１は、テクスチャ解析部１２によるテクスチャ解析の対象である細胞塊の画像として、例えば外部の撮影装置（図示せず）によって撮影され、トリミングなどの処理が行われた後の細胞塊の画像を取得する。
　次いで、ステップＳ３４およびステップＳ３５では、テクスチャ解析部１２が、ステップＳ３３において取得された細胞塊の画像に対するテクスチャ解析を実行する。
　詳細には、ステップＳ３４では、輝度粗さ曲線生成部１２Ｃ１が、ステップＳ３３において取得された細胞塊の画像を切断する任意の線上における輝度を示す曲線である輝度粗さ曲線ＢＲＣを生成する。
　次いで、ステップＳ３５では、輝度粗さ特徴量算出部１２Ｃ２が、ステップＳ３４において生成された輝度粗さ曲線ＢＲＣ上を第１円Ｃ１が転がる距離である第１距離Ｄ１と、輝度粗さ曲線ＢＲＣ上を第２円Ｃ２が転がる距離である第２距離Ｄ２との比である輝度粗さ特徴量ＢＲ（＝Ｄ１／Ｄ２）を算出する。
　次いで、ステップＳ３５では、判定部１３が、ステップＳ３５において算出された輝度粗さ特徴量ＢＲに基づいて、テクスチャ解析部１２による解析が実行された画像に含まれる細胞塊がオルガノイドになる前駆体であるか否かを判定する。

　第３実施形態のオルガノイド画像解析装置１では、輝度粗さ曲線生成部１２Ｃ１と輝度粗さ特徴量算出部１２Ｃ２とを備えるテクスチャ解析部１２が、解析対象画像取得部１１によって取得された細胞塊の画像に対して、ＳＩＦＴ、ＳＵＲＦおよびＡ－ＫＡＺＥよりも高密度（ｄｅｎｓｅ）なサンプリングを実行し、テクスチャ解析を実行する。
　そのため、第３実施形態のオルガノイド画像解析装置１では、例えばＳＩＦＴ、ＳＵＲＦあるいはＡ－ＫＡＺＥによるテクスチャ解析が実行される場合よりも高精度に、細胞塊がオルガノイドになる前駆体であるか否かを判定することができる。

　次に実施例を示して本発明を更に詳細に説明するが、本発明は何らこれらに限定されるものではない。

［実施例１］
（１）４８ｗｅｌｌプレート等を用いて下記の培養を行った。
　この工程は、図９のステップＳ１１よりも前に第１実施形態のオルガノイド画像解析装置１の外部において行われる工程、図１３のステップＳ２１よりも前に第２実施形態のオルガノイド画像解析装置１の外部において行われる工程、あるいは、図１７のステップＳ３１よりも前に第３実施形態のオルガノイド画像解析装置１の外部において行われる工程に相当する。

（ヒトｉＰＳ細胞の拡大培養）
　ヒトｉＰＳ細胞（ＰＣｈｉＰＳ７７１株、Ｌｏｔ．Ａ０１ＱＭ２８、リプロセル社製）を、「Nakagawa M., et al., A novel efficient feeder-free culture system for thederivation of human induced pluripotent stem cells, Scientific Reports, 4, 3594, 2014」に記載の方法に準じてフィーダーフリー培養した。フィーダーフリー培地としてはＳｔｅｍＦｉｔ　ＡＫ０２Ｎ（味の素社製）、フィーダーフリー足場にはｉＭａｔｒｉｘ－５１１（ニッピ社製）を用いた。

　具体的な拡大培養操作としては、まず８０％コンフルント（培養面積の８割が細胞に覆われる程度）になったヒトｉＰＳ細胞（ＰＣｈｉＰＳ７７１株、Ｌｏｔ．Ａ０１ＱＭ２８、リプロセル社製）をＰＢＳにて洗浄後、ＴｒｙｐＬＥ　Ｓｅｌｅｃｔ（サーモフィッシャーサイエンティフィック社製）を用いて単一細胞へ分散した。その後、前記単一細胞へ分散されたヒトｉＰＳ細胞を、ｉＭａｔｒｉｘ－５１１（ニッピ社製）にてコートしたプラスチック培養ディッシュに播種し、Ｙ２７６３２（ＲＯＣＫ阻害物質、１０μＭ）存在下、ＳｔｅｍＦｉｔ　ＡＫ０２Ｎ培地にてフィーダーフリー培養した。前記プラスチック培養ディッシュとして、６０ｍｍ　ｄｉｓｈ（イワキ社製、細胞培養用）を用いた場合、前記単一細胞へ分散されたヒトｉＰＳ細胞の播種細胞数は３×１０^４個とした。

　細胞を播種してから１日後に、Ｙ２７６３２を含まないＳｔｅｍＦｉｔ　ＡＫ０２Ｎ培地に交換した。以降、１～２日に一回Ｙ２７６３２を含まないＳｔｅｍＦｉｔ　ＡＫ０２Ｎ培地にて培地交換した。その後、細胞を播種してから６日後に８０％コンフルントになった。

（神経外胚葉マーカー陽性の細胞凝集塊の作製）
　ヒトｉＰＳ細胞（ＰＣｈｉＰＳ７７１株、Ｌｏｔ．Ａ０１ＱＭ２８、リプロセル社製）をＳｔｅｍＦｉｔ　ＡＫ０２Ｎ（味の素社製）を用いて、８０％コンフルントまでフィーダーフリー培養した。続いて、８０％コンフルントのヒトｉＰＳ細胞（ＰＣｈｉＰＳ７７１株、Ｌｏｔ．Ａ０１ＱＭ２８、リプロセル社製）を、Ｙ２７６３２（ＲＯＣＫ阻害物質、１０μＭ）存在下で、２時間処理した。

　続いて、前記ヒトｉＰＳ細胞を、ＴｒｙｐＬＥ　Ｓｅｌｅｃｔ（サーモフィッシャーサイエンティフィック社製）を用いて細胞分散液処理し、さらにピペッティング操作により単一細胞に分散した。続いて、単一細胞に分散されたヒトｉＰＳ細胞を非細胞接着性の９６穴培養プレート（ＰｒｉｍｅＳｕｒｆａｃｅ　９６Ｖ底プレート、住友ベークライト社製）の１ウェルあたり２×１０^４個になるように１００μＬのＡｇｇｒｅｇａｔｉｏｎ培地に浮遊させ、３７℃、５％ＣＯ_２で浮遊培養した。

　Ａｇｇｒｅｇａｔｉｏｎ培地としては、ＳｔｅｍＦｉｔ　ＡＫ０２Ｎ（味の素社製）に、１×Ｎｏｎ－ｅｓｓｅｎｔｉａｌ　Ａｍｉｎｏ　Ａｃｉｄｓ（サーモフィッシャーサイエンティフィック社製）、１×Ｐｅｎｉｃｉｌｌｉｎ／Ｓｔｒｅｐｔｏｍｙｃｉｎ（ナカライテスク社）、１×Ｇｌｕｔａｍａｘ（サーモフィッシャーサイエンティフィック社製）、１×２－Ｍｅｒｃａｐｔｏｅｔｈａｎｏｌ（サーモフィッシャーサイエンティフィック社製）、２μＭ　Ｄｏｒｓｏｍｏｒｐｈｉｎ（シグマ社製）、２μＭ　Ａ８３－０１を添加したものを用いた。

　浮遊培養開始時（培養０日目、以下、特に断らない限り、培養日数は、浮遊培養開始時からの培養日数で表す。）に、Ａｇｇｒｅｇａｔｉｏｎ培地にＹ２７６３２（終濃度３０μＭ）を添加した。また、浮遊培養開始後１日目に、Ｙ２７６３２（終濃度１０μＭ）を含んだＡｇｇｒｅｇａｔｉｏｎ培地を１５０μＬ加え、浮遊培養開始後７日目まで培地交換せずに浮遊培養を続けた。その結果、神経外胚葉マーカー陽性の細胞凝集塊が得られた。

（神経外胚葉マーカー陽性細胞凝集塊の神経オルガノイドへの誘導）
　浮遊培養開始後７日目に、各ウェルからＡｇｇｒｅｇａｔｉｏｎ培地を２３０μＬ取り除いた。続いて、第１のＤｉｆｆｅｒｅｎｔｉａｔｉｏｎ培地を１５０μＬ／ウェルずつ添加し、３７℃、５％ＣＯ_２で浮遊培養した。

　第１のＤｉｆｆｅｒｅｎｔｉａｔｉｏｎ培地としては、Ｄｕｌｂｅｃｃｏ’ｓ　Ｍｏｄｉｆｉｅｄ　Ｅａｇｌｅ　Ｍｅｄｉｕｍ：Ｎｕｔｒｉｅｎｔ　Ｍｉｘｔｕｒｅ　Ｆ－１２（サーモフィッシャーサイエンティフィック社製）に、１×Ｎ２　Ｓｕｐｐｌｅｍｅｎｔ（サーモフィッシャーサイエンティフィック社製）、１０μｇ／ｍＬ　Ｈｅｐａｒｉｎ　Ｓｏｄｉｕｍ　Ｓａｌｔ（シグマ社製）、１×Ｎｏｎ－ｅｓｓｅｎｔｉａｌ　Ａｍｉｎｏ　Ａｃｉｄｓ（サーモフィッシャーサイエンティフィック社製）、１×Ｐｅｎｉｃｉｌｌｉｎ／Ｓｔｒｅｐｔｏｍｙｃｉｎ（ナカライテスク社）、１×Ｇｌｕｔａｍａｘ（サーモフィッシャーサイエンティフィック社製）、４ｎｇ／ｍＬ　Ｗｎｔ－３ａ（Ｈｕｍａｎ、Ｒｅｃｏｍｂｉｎａｎｔ、Ｒ＆Ｄシステムズ社製）、１μＭ　ＣＨＩＲ９９０２１（Ａｘｏｎ社製）、１μＭ　ＳＢ－４３１５４２（シグマ社製）、５０体積％マトリゲル（コーニング社製）を添加したものを用いた。
　２～３日後（培養９～１０日後）に細胞塊を顕微鏡で観察し、撮像した。観察、撮像に使用した顕微鏡や撮像方法の詳細は、（２）、（３）に後述した。この観察は、図９のステップＳ１１よりも前に第１実施形態のオルガノイド画像解析装置１の外部において行われる観察、図１３のステップＳ２１よりも前に第２実施形態のオルガノイド画像解析装置１の外部において行われる観察、あるいは、図１７のステップＳ３１よりも前に第３実施形態のオルガノイド画像解析装置１の外部において行われる観察に相当する。

（神経オルガノイドの脳オルガノイドへの誘導）
　培養１４日目に各細胞凝集塊（神経オルガノイド）を各ウェルから回収し、１０ｍＬのＰＢＳが入ったＦａｌｃｏｎ（登録商標）コニカルチューブ５０ｍＬ（コーニング社製）に移した。続いて、５回転倒混和し、上清を除去することにより、マトリゲルを除去した。

　続いて、Ｆａｌｃｏｎ（登録商標）コニカルチューブ５０ｍＬから各神経オルガノイドを回収し、３０ｍＬシングルユースバイオリアクターに移した。続いて、第２のＤｉｆｆｅｒｅｎｔｉａｔｉｏｎ培地を２０ｍＬ加え、撹拌培養を開始した。撹拌培養期間中、撹拌速度は５０ｒｐｍに設定し、培地交換は３～４日に１回行った。

　第２のＤｉｆｆｅｒｅｎｔｉａｔｉｏｎ培地としては、Ｄｕｌｂｅｃｃｏ’ｓ　Ｍｏｄｉｆｉｅｄ　Ｅａｇｌｅ　Ｍｅｄｉｕｍ：Ｎｕｔｒｉｅｎｔ　Ｍｉｘｔｕｒｅ　Ｆ－１２（サーモフィッシャーサイエンティフィック社製）に、１×Ｎ２　Ｓｕｐｐｌｅｍｅｎｔ（サーモフィッシャーサイエンティフィック社製）、５０×Ｂ－２７　Ｓｕｐｐｌｅｍｅｎｔ（サーモフィッシャーサイエンティフィック社製）、１×Ｎｏｎ－ｅｓｓｅｎｔｉａｌ　Ａｍｉｎｏ　Ａｃｉｄｓ（サーモフィッシャーサイエンティフィック社製）、１×Ｐｅｎｉｃｉｌｌｉｎ／Ｓｔｒｅｐｔｏｍｙｃｉｎ（ナカライテスク社製）、１×２－Ｍｅｒｃａｐｔｏｅｔｈａｎｏｌ（サーモフィッシャーサイエンティフィック社製）、２．５μｇ／ｍＬ　Ｉｎｓｕｌｉｎ　Ｓｏｌｕｔｉｏｎ（Ｈｕｍａｎ、ｒｅｃｏｍｂｉｎａｎｔ、和光純薬社製）を添加したものを用いた。

　続いて、浮遊培養開始後４０日目及び７０日目の各細胞凝集塊について、上述したものと同様にして凍結切片を作製し、免疫染色した。具体的には、大脳皮質の第ＶＩ層マーカーであるＰＡＸ６（抗Ｃｈｘ１０抗体、Ｅｘａｌｐｈａ社、ヒツジ）、大脳皮質の第ＩＩ～ＩＶ層マーカーであるＣＴＩＰ２（抗Ｒｘ抗体、タカラバイオ社、ギニアピッグ）、大脳皮質の第ＩＩ層マーカーであるＳＡＴＢ２（抗Ｒｘ抗体、タカラバイオ社、ギニアピッグ）について免疫染色を行い、共焦点顕微鏡（ＺＥＩＳＳ社製）を用いて蛍光顕微鏡観察した。観察の結果、正常なオルガノイドと、異常なオルガノイドとに分類することができた。分類結果と培養９～１０日後に撮影した写真との相関関係がわかれば、培養の初期段階で成否を判断することができ、無駄な培養のためのコストを低減することができる。相関関係の求め方は（４）～（６）に後述した。

（２）ＫＥＹＥＮＣＥ社製倒立顕微鏡（ＢＺ－Ｘ７１０）を用いて、４８ｗｅｌｌプレート中で培養されたオルガノイドの明視野透過像を１ｗｅｌｌずつ撮影した。この撮影は、図９のステップＳ１１よりも前に第１実施形態のオルガノイド画像解析装置１の外部において行われる撮影、図１３のステップＳ２１よりも前に第２実施形態のオルガノイド画像解析装置１の外部において行われる撮影、あるいは、図１７のステップＳ３１よりも前に第３実施形態のオルガノイド画像解析装置１の外部において行われる撮影に相当する。
　対物レンズはＣＦＩ　Ｐｌａｎ　Ａｐｏλ２ｘを使用し、クイックフルフォーカス機能を使用して解像度１９８０×１４４０の画像を取得した。　クイックフルフォーカス機能とは、ＢＺ－Ｘ７１０に搭載されている機能であり、３次元の被写体に対して、ｚ軸方向に複数の画像をあらかじめ取得し、そこからピントが合った部分だけを合成して１枚の画像を生成するモードである。
　倒立顕微鏡によって撮影された画像は、図９のステップＳ１１およびステップＳ１３において第１実施形態のオルガノイド画像解析装置１によって取得されるか、図１３のステップＳ２１およびステップＳ２３において第２実施形態のオルガノイド画像解析装置１によって取得されるか、あるいは、図１７のステップＳ３１およびステップＳ３３において第３実施形態のオルガノイド画像解析装置１によって取得される。

　実施例１においては、上記の「オルガノイド」は、前駆体であり、他に細胞凝集塊という言い方もあり、大脳皮質への分化開始直後の状態である。本明細書における用語「脳オルガノイド」には、上述した「大脳皮質への分化開始直後の状態」が含まれる。
　実施例１においては、培養の期間として、ｉＰＳ細胞をＶ底プレートに播種して７日間培養し、マトリゲルに入れて２～３日目のものを撮像した。７日間の培養でｉＰＳ細胞から分化誘導（ＢＭＰ阻害剤、ＴＧＦβ阻害剤添加）により、外胚葉から神経上皮に誘導され、マトリゲル＋Ｗｎｔ３ａ＋ＣＨＩＲ等により、神経幹細胞から大脳皮質への分化を進めた。Ｂｕｄｄｉｎｇがマトリゲル添加後２日くらいで始まり、３日には神経上皮と神経細胞とが混在した状態になった。
　図１８は実施例１における培養を概念的に示す図である。

（３）ＯｐｅｎＣＶ－Ｐｙｔｈｏｎライブラリを使用し、適切な閾値を設定することで、オルガノイドを一つずつ認識し、撮影したｗｅｌｌ内の画像からオルガノイドを囲む最小の長方形型の範囲を関心領域（ＲＯＩ）として一つずつ取り出した。
　この工程は、図９のステップＳ１１とステップＳ１２との間およびステップＳ１３とステップＳ１４との間に第１実施形態のオルガノイド画像解析装置１において行われる工程、図１３のステップＳ２１とステップＳ２２との間およびステップＳ２３とステップＳ２４との間に第２実施形態のオルガノイド画像解析装置１において行われる工程、あるいは、図１７のステップＳ３１とステップＳ３２との間およびステップＳ３３とステップＳ３４との間に第３実施形態のオルガノイド画像解析装置１において行われる工程に相当する。この工程が、第１から第３実施形態のオルガノイド画像解析装置１の外部において行われてもよい。
（４）取り出したＲＯＩに対して、ＨＯＧ、ＬＢＰ特徴量（それぞれｓｃｉｋｉｔ－ｉｍａｇｅライブラリを使用）ＢＲ特徴量を取り出した。この観察は、図９のステップＳ１４、図１３のステップＳ２４の一部、および、図１７のステップＳ３５に相当する。
　上記（３）の処理が行われた１６０枚の画像データのうち、８０枚を教師データとしてＳＶＭ（ｓｃｉｋｉｔ－ｌｅａｒｎライブラリを使用）のリニアモデルにより学習（この学習は、図９のステップＳ１２、図１３のステップＳ２２、および、図１７のステップＳ３２に相当する。）を行った後、残りの８０枚を用いて、判別精度の評価を行った。この評価は、図９のステップＳ１５およびステップＳ１６、図１３のステップＳ２４の残りおよびステップＳ２５、並びに、図１７のステップＳ３５およびステップＳ３６に相当する。
（５）上記（４）の比較として、ｓｐａｒｓｅな特徴量のサンプリングを行うＳＩＦＴ、ＳＵＲＦ、Ａ－ＫＡＺＥ特徴量（それぞれＯｐｅｎＣＶ－Ｐｙｔｈｏｎライブラリを使用）を取り出した。１６０枚の画像データのうち、８０枚を教師データとしてＳＶＭ（ｓｃｉｋｉｔ－ｌｅａｒｎライブラリを使用）のリニアモデルにより学習を行った後、残りの８０枚を用いて、判別精度の評価を行った。この工程は、第１から第３実施形態のオルガノイド画像解析装置１の外部において行われる工程に相当する。評価結果を下記の表１に示す。

　上記の表１において、「検出率」、「誤検出率」および「適中率」は下記のとおりである。
検出率：真陽性／（真陽性＋偽陰性）　　（正常オルガノイド：陽性）
誤検出率：偽陽性／（真陰性＋偽陽性）
適中率：真陽性／（真陽性＋偽陽性）

　図１９は実施例１における「正常」および「異常」を説明するための図である。
　実施例１における「正常」とは、図１９の左側の「大脳皮質オルガノイド」の免染のように、幹細胞マーカー（ＰＡＸ６）を中心とした階層構造（ＳＡＴＢ２など）が形成されたものを意味する。
　実施例１における「異常」とは、図１９の右側の「神経スフェロイド」のように、各々のマーカーで染まるものの、階層構造を形成していないものを意味する。
　脳オルガノイドの学術的な意味での定義は曖昧であり、幹細胞のマーカー（ＰＡＸ６）が存在すればオルガノイドと呼ぶ場合や、階層構造がきちんと形成されていればオルガノイドと呼ぶ場合がある。
　従って、実施例１においては、大脳皮質の階層構造が形成されたものを「正常」と称する。なお、異常の場合においても、培養されたものが、直ちに死滅するわけではない。階層構造を有する大脳皮質様の部位の割合が少なくなり、神経細胞が大半を占めるものを、実施例１においては「異常」と称する。
　従って、実施例１においては、培養の初期段階（１０日目くらい）の細胞塊の画像から、７０～９０日目のオルガノイドの正常（階層あり、大脳皮質）、異常（階層なし、神経細胞）の判定ができる。

（６）一つの画像特徴量だけでは判別結果が不安定になる場合がある。この問題を解決する手段として、いくつかの画像特徴量を組み合わせて使うことができる。組み合わせる画像特徴量としては、教師用データが十分にある限り、任意に複数の組み合わせで使用することができる。また、上記のような画像特徴量に限らず、オルガノイドのサイズや色の濃淡など単純なパラメーターも組み合わせて使用することができる。

補足
＜１＞ＳＨＩＦＴ、ＳＵＲＦ、Ａ－ＫＡＺＥ：ＯｐｅｎＣＶ－Ｐｙｔｈｏｎライブラリを使用した。それぞれのライブラリを使用して特徴点を決定した後に、各特徴点における輝度勾配のヒストグラムを６４次元のパラメーターとして特徴量を抽出した。
＜２＞ＨＯＧ：ｓｃｉｋｉｔ－ｉｍａｇｅのライブラリを使用した。セルサイズを３×３ピクセル、ボックスサイズを３×３セルとして各セルの輝度勾配の平均を各ボックスごとに取り出し、８次元のパラメーターとして特徴量を抽出した。
＜３＞ＬＢＰ：Ｐｙｔｈｏｎの外部ライブラリであるＳｃｉｋｉｔ－Ｉｍａｇｅパッケージ（Ｖｅｒ．０．１３．１）を使用した。５×５ピクセルの局所領域におけるＬＢＰを２４次元のパラメーターとして特徴量を抽出した。
＜４＞ＢＲ特徴量の抽出
　オリジナルのＰｙｔｈｏｎコードを使用した。画像に対して、縦、横それぞれ３水準（画像高さ、幅、それぞれ、１／３、２／１、２／３の水準)から球の大きさ直径５１ピクセルの球を用いてＢＲ特徴量を６次元のデータとして抽出した。
＊ＢＲ特徴量補足
　画像中の任意の線分上における、グレースケールの輝度（０～２５５）を、線分上での位置を横軸に対してプロットする。このプロット図に対し、任意の大きさの球を上から転がした時の球の軌跡をＴｘとするとき、プロットした点の軌跡（Ｔ０）に対する長さの比（Ｔｘ／Ｔ０）をＢＲ特徴量と定義する。球の大きさが大きいほど、微細間隔での輝度変化を拾いにくくなるため、画像の輝度変化の間隔を代表する特徴量となる。

＜５＞オルガノイドサイズ：ＯｐｅｎＣＶ－Ｐｙｔｈｏｎライブラリを使用した。適切な閾値を設定することで、オルガノイドを一つずつ認識し、各オルガノイドの面積を１次元の特徴量として抽出した。
＜６＞色の濃淡：背景の輝度（Ｌｂ）に対するオルガノイドの輝度の平均（Ｌｏ）（Ｌｏ／Ｌｂ）を一次元の特徴量として抽出した。
＜７＞機械学習：Ｓｃｉｋｉｔ－ｌｅａｒｎのサポートベクトルマシン（ＳＶＭ）ライブラリを使用した。熟練者によるオルガノイドの良否判断結果をラベルとして付与した画像データデータを教師データとしてＳＶＭの直線回帰モデルを使用して学習モデルの作製を行った。その後、作成したＳＶＭのモデルに対して、（画像の前処理）を行った画像を入力し、良否の結果を取得した。

　上述した各例では、脳オルガノイドが本発明のオルガノイド画像解析装置１に適用されているが、他の例では、脳オルガノイド以外のオルガノイドが本発明のオルガノイド画像解析装置１に適用されてもよい。

　以上、本発明を実施するための形態について実施形態を用いて説明したが、本発明はこうした実施形態に何等限定されるものではなく、本発明の要旨を逸脱しない範囲内において種々の変形及び置換を加えることができる。上述した各実施形態および各例に記載の構成を適宜組み合わせてもよい。

　なお、上述した実施形態におけるオルガノイド画像解析装置１が備える各部の機能全体あるいはその一部は、これらの機能を実現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、この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、実行することによって実現しても良い。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、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部のことをいう。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を送信する場合の通信線のように、短時間の間、動的にプログラムを保持するもの、その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のように、一定時間プログラムを保持しているものも含んでも良い。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く、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であっても良い。

１…オルガノイド画像解析装置、１１…解析対象画像取得部、１２…テクスチャ解析部、１２Ａ１…ＬＢＰ特徴量算出部、１２Ａ２…ＬＢＰヒストグラム生成部、１２Ｂ…ＨＯＧヒストグラム生成部、１２Ｃ１…輝度粗さ曲線生成部、１２Ｃ２…輝度粗さ特徴量算出部、１３…判定部、１４…学習部、１５…教師画像取得部

Claims (15)

1. 　細胞塊の画像に対するテクスチャ解析を実行するテクスチャ解析部と、
   　前記テクスチャ解析部の解析結果に基づいて、前記細胞塊がオルガノイドになる前駆体であるか否かを判定する判定部と
   　を備えるオルガノイド画像解析装置。
2. 　前記テクスチャ解析が、高密度なサンプリングによるテクスチャ解析である、
   　請求項１に記載のオルガノイド画像解析装置。
3. 　前記テクスチャ解析部は、
   　前記細胞塊の画像を分割することにより得られる各画素のＬＢＰ（Local Binary Pattern）特徴量を算出するＬＢＰ特徴量算出部と、
   　前記ＬＢＰ特徴量算出部によって算出された各画素のＬＢＰ特徴量をヒストグラム化したものであるＬＢＰヒストグラムを生成するＬＢＰヒストグラム生成部とを備え、
   　前記判定部は、前記ＬＢＰヒストグラム生成部によって生成された前記ＬＢＰヒストグラムに基づいて、前記細胞塊がオルガノイドになる前駆体であるか否かを判定する、
   　請求項２に記載のオルガノイド画像解析装置。
4. 　前記ＬＢＰヒストグラムの一方の軸は、前記ＬＢＰ特徴量算出部によって算出されたＬＢＰ特徴量の各値に対応しており、
   　前記ＬＢＰヒストグラムの他方の軸は、前記ＬＢＰ特徴量算出部によって算出されたＬＢＰ特徴量の各値の出現頻度に対応しており、
   　前記細胞塊がオルガノイドになる前駆体であると前記判定部によって判定される前記ＬＢＰヒストグラムの前記一方の軸の中央部の前記出現頻度は、前記細胞塊がオルガノイドになる前駆体ではないと前記判定部によって判定される前記ＬＢＰヒストグラムの前記一方の軸の前記中央部の前記出現頻度よりも高く、
   　前記細胞塊がオルガノイドになる前駆体ではないと前記判定部によって判定される前記ＬＢＰヒストグラムの前記一方の軸の両端部の前記出現頻度は、前記細胞塊がオルガノイドになる前駆体であると前記判定部によって判定される前記ＬＢＰヒストグラムの前記一方の軸の前記両端部の前記出現頻度よりも高い、
   　請求項３に記載のオルガノイド画像解析装置。
5. 　前記テクスチャ解析部は、
   　前記細胞塊の画像に対してＨＯＧ（Histograms of Oriented Gradients）ヒストグラムを生成するＨＯＧヒストグラム生成部を備え、
   　前記判定部は、前記ＨＯＧヒストグラム生成部によって生成された前記ＨＯＧヒストグラムに基づいて、前記細胞塊がオルガノイドになる前駆体であるか否かを判定する、
   　請求項２に記載のオルガノイド画像解析装置。
6. 　前記ＨＯＧヒストグラムの一方の軸は、輝度の勾配方向に対応しており、
   　前記ＨＯＧヒストグラムの他方の軸は、輝度の勾配強度に対応しており、
   　前記細胞塊がオルガノイドになる前駆体ではないと前記判定部によって判定される前記ＨＯＧヒストグラムの前記一方の軸の水平成分を示す部分の輝度の勾配強度は、前記細胞塊がオルガノイドになる前駆体であると前記判定部によって判定される前記ＨＯＧヒストグラムの前記一方の軸の前記水平成分を示す部分の輝度の勾配強度よりも高く、
   　前記細胞塊がオルガノイドになる前駆体ではないと前記判定部によって判定される前記ＨＯＧヒストグラムの前記一方の軸の垂直成分を示す部分の輝度の勾配強度は、前記細胞塊がオルガノイドになる前駆体であると前記判定部によって判定される前記ＨＯＧヒストグラムの前記一方の軸の前記垂直成分を示す部分の輝度の勾配強度よりも高い、
   　請求項５に記載のオルガノイド画像解析装置。
7. 　前記判定部は、前記細胞塊の画像の輝度粗さ曲線より得られる輝度粗さ特徴量に基づいて、前記細胞塊がオルガノイドになる前駆体であるか否かを判定する、
   　請求項１に記載のオルガノイド画像解析装置。
8. 　前記テクスチャ解析部は、
   　前記細胞塊の画像を切断する任意の線上における輝度を示す曲線である輝度粗さ曲線を生成する輝度粗さ曲線生成部と、
   　第１半径を有する第１円が前記輝度粗さ曲線上を転がる距離である第１距離と、前記第１半径とは異なる第２半径を有する第２円が前記輝度粗さ曲線上を転がる距離である第２距離との比である輝度粗さ特徴量を算出する輝度粗さ特徴量算出部とを備え、
   　前記判定部は、前記輝度粗さ特徴量算出部によって算出された前記輝度粗さ特徴量に基づいて、前記細胞塊がオルガノイドになる前駆体であるか否かを判定する、
   　請求項７に記載のオルガノイド画像解析装置。
9. 　前記輝度粗さ特徴量算出部によって算出された前記輝度粗さ特徴量が閾値よりも大きい場合に、前記判定部は、前記細胞塊がオルガノイドになる前駆体であると判定し、
   　前記輝度粗さ特徴量算出部によって算出された前記輝度粗さ特徴量が前記閾値以下である場合に、前記判定部は、前記細胞塊がオルガノイドになる前駆体ではないと判定する、
   　請求項８に記載のオルガノイド画像解析装置。
10. 　前記細胞塊がオルガノイドになる前駆体であるか否かが既知の前記細胞塊の画像である教師画像を用いることによって前記判定部の機械学習を行う学習部を更に備える、
    　請求項１から請求項９のいずれか一項に記載のオルガノイド画像解析装置。
11. 　前記テクスチャ解析部によるテクスチャ解析の対象である前記細胞塊の画像として、撮影装置によって撮影された前記細胞塊の画像を取得する取得部を更に備える、
    　請求項１から請求項１０のいずれか一項に記載のオルガノイド画像解析装置。
12. 　細胞塊の画像に対するテクスチャ解析を実行するテクスチャ解析ステップと、
    　前記テクスチャ解析ステップにおける解析結果に基づいて前記細胞塊がオルガノイドになる前駆体であるか否かを判定する判定ステップと
    　を備えるオルガノイド画像解析方法。
13. 　前記細胞塊がオルガノイドになる前駆体であるか否かが既知の前記細胞塊の画像である教師画像を用いることによって機械学習を行う学習ステップを更に備える、
    　請求項１２に記載のオルガノイド画像解析方法。
14. 　コンピュータに、
    　細胞塊の画像に対するテクスチャ解析を実行するテクスチャ解析ステップと、
    　前記テクスチャ解析ステップにおける解析結果に基づいて前記細胞塊がオルガノイドになる前駆体であるか否かを判定する判定ステップと
    　を実行させるためのプログラム。
15. 　前記細胞塊がオルガノイドになる前駆体であるか否かが既知の前記細胞塊の画像である教師画像を用いることによって機械学習を行う学習ステップを更に実行させる、
    　請求項１４に記載のプログラム。

Images