进行细胞图像的学习时的存储器容量判定系统和进行细胞图像的学习时的存储器容量判定方法

技术领域

本发明涉及一种进行细胞图像的学习时的存储器容量判定系统和进行细胞图像的学习时的存储器容量判定方法。

背景技术

以往，公开了一种生成用于对细胞图像进行分析的学习模型的技术。这样的生成用于对细胞图像进行分析的学习模型的技术例如在日本特开2021-64115号公报中被公开。

在日本特开2021-64115号公报中公开了如下一种结构：使用将细胞图像作为输入图像且将对细胞骨架进行染色所得到的染色图像作为正解图像的学习数据来进行机器学习，由此生成学习完毕模型。

现有技术文献

专利文献

专利文献1：日本特开2021-64115号公报

发明内容

发明要解决的问题

在此，虽然在日本特开2021-64115号公报中未公开，但机器学习是使用GPU(Graphics Processing Unit：图形处理单元)等处理器以及成为学习时的工作区域的存储器来进行的。在机器学习正常结束的情况下，生成学习完毕模型。另一方面，在机器学习异常结束的情况下，变更在学习中使用的数据、学习条件等来再次进行机器学习。学习时的存储器容量不足被认为是机器学习异常结束的原因之一。然而，在如日本特开2021-64115号公报中公开的那样的进行机器学习的结构中，用户无法掌握由于存储器容量不足而机器学习没有完成这个情况。因此，期望一种用户能够掌握由于存储器容量不足而机器学习没有完成这个情况的技术。

本发明是为了解决上述这样的课题而完成的，本发明的一个目的在于提供一种能够使用户掌握由于存储器容量不足而机器学习没有完成这个情况的进行细胞图像的学习时的存储器容量判定系统和进行细胞图像的学习时的存储器容量判定方法。

用于解决问题的方案

为了达成上述目的，本发明的第一方面的进行细胞图像的学习时的存储器容量判定系统具备：学习处理部，其具备处理器和存储器，处理器使用细胞图像进行预先设定的次数的、基于第一学习条件的学习模型的学习，存储器用作学习模型的学习处理的工作区域；选择部，其在学习模式与验证模式之间进行选择，学习模式是通过由学习处理部进行学习处理来进行学习模型的学习的模式，验证模式是验证在由学习处理部进行学习处理时存储器的容量是否不足的模式；判定部，其判定在验证模式下的学习模型的学习处理中存储器的容量是否变得不足；以及通知部，其进行基于判定部的判定结果的通知。

本发明的第二方面的进行细胞图像的学习时的存储器容量判定方法包括以下步骤：使用细胞图像来进行预先设定的次数的、基于第一学习条件的学习模型的学习；在学习模式与验证模式之间进行选择，学习模式是通过进行学习模型的学习处理来进行学习模型的学习的模式，验证模式是验证在进行学习模型的学习处理时用作工作区域的存储器的容量是否不足的模式；判定在学习模型的学习处理中存储器的容量是否变得不足；以及通知存储器的容量是否变得不足的判定结果。

发明的效果

在上述第一方面的进行细胞图像的学习时的存储器容量判定系统、以及上述第二方面的进行细胞图像的学习时的存储器容量判定方法中，在验证在进行学习模型的学习处理时用作工作区域的存储器的容量是否不足的验证模式下，进行存储器的容量是否变得不足的判定。在此，无论在学习模式下还是在验证模式下，要被确保为工作区域的存储器的容量相同。因而，通过在验证模式下进行验证，能够判定学习模式下存储器的容量是否不足。另外，通知存储器的容量是否变得不足的判定结果。因而，用户通过在学习模式下进行学习模型的学习之前通过验证模式进行验证，能够在进行学习模式下的学习处理之前掌握存储器的容量是否不足。作为这些的结果，用户能够掌握由于存储器容量不足而机器学习没有完成这个情况。另外，由于能够在学习模式与验证模式之间进行选择，因此在无需通过验证模式进行验证的情况下，能够不进行验证模式下的学习处理就在学习模式下使学习模型进行学习。其结果是，能够提高用户的便利性。

附图说明

图1是示出基于本实施方式的具备图像处理装置的存储器容量判定系统的框图。

图2是用于说明学习时的工作区域和存储器的容量的示意图。

图3是用于说明图像处理装置的第二处理器的功能的功能块图。

图4是示出基于本实施方式的在图像处理装置中在进行验证模式下的学习处理时存储器容量没有变得不足的情况下的画面例的图。

图5是示出在验证模式下的学习处理中存储器容量没有变得不足的情况下的画面例的图。

图6是示出基于本实施方式的在图像处理装置中在进行验证模式下的学习处理时存储器容量变得不足的情况下的画面例的图。

图7是示出在验证模式下的学习处理中存储器容量变得不足的情况下的画面例的图。

图8是用于说明基于本实施方式的图像处理装置中的存储器容量验证处理的流程图。

图9是用于说明基于本实施方式的在图像处理装置中一边变更批量大小一边将第一学习条件优化的处理的流程图。

图10是示出基于变形例的具备图像处理装置的存储器容量判定系统的框图。

具体实施方式

下面，基于附图来说明将本发明具体化的实施方式。

参照图1～图7来说明基于本实施方式的具备图像处理装置100的进行细胞图像80的学习时的存储器容量判定系统200的结构和进行细胞图像80的学习时的存储器容量判定方法。

〈图像处理系统〉

图1所示的进行细胞图像80的学习时的存储器容量判定系统200是在进行学习模型21的学习时能够判定存储器10b的容量是否不足的学习时的存储器容量判定系统，其中，学习模型21是用于对由进行细胞培养等的用户拍摄到的细胞图像80进行分析处理的模型。

〈存储器容量判定系统的概要〉

进行细胞图像80的学习时的存储器容量判定系统200具备图像处理装置100、计算机120、以及摄像装置130。

在图1中示出了通过客户端服务器模型构建出的存储器容量判定系统200的例子。计算机120作为存储器容量判定系统200的客户终端发挥功能。图像处理装置100在存储器容量判定系统200中作为服务器发挥功能。图像处理装置100、计算机120、以及摄像装置130经由网络140以彼此能够通信的方式进行连接。图像处理装置100根据来自用户所操作的计算机120的请求(处理请求)来进行各种信息处理。图像处理装置100根据请求进行用于对细胞图像80进行分析的学习模型21的学习。在本实施方式中，图像处理装置100使学习模型21学习进行细胞图像80中拍到的细胞的分类。例如，图像处理装置100使学习模型21学习进行细胞图像80中拍到的细胞是否为正常细胞的分类、细胞图像80中拍到的细胞是否老化的分类。

另外，图像处理装置100在根据请求来进行用于对细胞图像80进行分析的学习模型21的学习时，判定存储器10b是否不足。另外，图像处理装置100将与存储器10b是否不足的判定结果相应的通知内容30发送给计算机120。关于针对图像处理装置100的操作的受理、以及图像处理装置100分析出的分析结果及分析后的图像的显示，在计算机120的显示部121所显示的GUI(图形用户界面)上进行。

网络140将图像处理装置100、计算机120、以及摄像装置130以彼此能够通信的方式进行连接。网络140能够是例如构建于设施内的LAN(Local Area Network：局域网)。网络140能够是例如因特网。在网络140是因特网的情况下，进行细胞图像80的学习时的存储器容量判定系统200能够是以云计算的方式构建的系统。

计算机120是所谓的个人计算机，具备处理器和存储部。在计算机120连接有显示部121和输入部122。显示部121例如是液晶显示装置。显示部121也可以是电致发光显示装置、投影仪、头戴式显示器。输入部122是例如包括鼠标和键盘的输入装置。输入部122也可以是触摸面板。在进行细胞图像80的学习时的存储器容量判定系统200中设置有一个或多个计算机120。在本实施方式中，显示部121构成为进行基于后述的判定部12d(参照图3)的第一判定结果32的通知。另外，在显示部121显示后述的选择部45。此外，显示部121是权利要求书的“通知部”的一例。

摄像装置130生成拍摄细胞所得到的细胞图像80。摄像装置130能够经由网络140将所生成的细胞图像80发送给计算机120以及/或者图像处理装置100。摄像装置130拍摄细胞的显微镜图像。摄像装置130通过明视野观察法、暗视野观察法、相位差观察法、微分干涉观察法等摄像方法进行图像化。与摄像方法相应地使用一种或多种摄像装置130。能够在进行细胞图像80的学习时的存储器容量判定系统200中设置一个或多个摄像装置130。

图像处理装置100具备学习处理部10、估计部11、第二处理器12以及存储部13。

学习处理部10具备第一处理器10a和存储器10b。

第一处理器10a构成为使用细胞图像80进行预先设定的次数的、基于第一学习条件22的学习模型21的学习。第一处理器10a例如包括GPU、或者构成为用于进行图像处理的FPGA(Field-Programmable Gate Array：现场可编程门阵列)。在本实施方式中，说明第一处理器10a为GPU的例子。

存储器10b用作学习模型21的学习处理的工作区域。存储器10b例如包括RAM(Random Access Memory：随机存取存储器)。

估计部11构成为利用学习完毕模型25进行细胞图像80的估计处理。估计部11例如包括GPU、或者构成为用于进行图像处理的FPGA。

第二处理器12包括CPU(Central Processing Unit：中央处理单元)、FPGA、ASIC(Aplication Specific Integrated Circuit：专用集成电路)等。第二处理器12通过执行规定的程序20，进行作为图像处理装置100的运算处理。

存储部13包括非易失性存储装置。非易失性存储装置例如是硬盘驱动器、固态硬盘等。在存储部13中存储有第二处理器12执行的各种程序20。另外，存储部13存储学习处理部10重复进行学习模式下的学习处理时的次数即轮数(Epoch)23。另外，存储部13存储过去进行验证模式下的学习处理时的学习条件即第二学习条件24、以及第二学习条件24下的第二判定结果33。另外，存储部13存储通知内容30。另外，存储部13存储细胞图像80。

选择部45构成为在学习模式与验证模式之间进行选择，学习模式是通过由学习处理部10进行学习处理来进行学习模型21的学习的模式，验证模式是验证在由学习处理部10进行学习处理时存储器10b的容量是否不足的模式。此外，选择部45是显示于显示部121的GUI上的按钮。在后文叙述选择部45的详情。

图像处理装置100构成为根据来自计算机120的请求，使用存储部13中存储的细胞图像80进行学习模型21的学习。具体地说，图像处理装置100所具备的学习处理部10进行学习模型21的学习。

图像处理装置100通过根据来自用户的请求进行学习模式下的学习处理，来进行学习模型21的学习。具体地说，学习处理部10在学习模式下重复进行预先设定的次数(轮数23)的、基于第一学习条件22的学习处理。学习模式下的学习处理由学习处理部10进行。

在此，如图2所示，在学习处理部10进行学习模型21的学习处理时，使用存储器10b作为工作区域50。存储器10b包括能够使用容量51、以及由于被其它程序等使用而无法在学习处理中使用的不可使用容量52。当在学习处理部10进行学习模型21的学习时要被确保为工作区域50的容量比能够使用容量51大的情况下，发生存储器10b的容量不足(内存溢出)，学习模型21的学习异常结束。

因此，在本实施方式中，图像处理装置100进行验证模式下的学习处理，该验证模式是用于判定在进行学习模型21的学习时存储器10b的容量是否不足的模式。在验证模式下，执行比学习模式下的学习处理的次数少的次数的学习处理。具体地说，在验证模式下，执行一次学习处理。另外，图像处理装置100基于存储器10b的容量是否不足的判定结果来获取通知内容30(参照图1)。另外，图像处理装置100将获取到的通知内容30发送给计算机120(参照图1)。接收到通知内容30的计算机120使显示部121(参照图1)显示通知内容30。此外，学习模型21中的学习处理和验证模式下的学习处理不是并行地进行的。即，图像处理装置100执行学习模式下的学习处理和验证模式下的学习处理中的某一方。

〈由第二处理器进行的判定处理〉

如图3所示，第二处理器12以功能块的形式具备学习条件登记部12a、学习条件变更部12b、图像尺寸增大部12c、判定部12d、通知内容获取部12e。换言之，第二处理器12通过执行存储部13中存储的程序20来作为学习条件登记部12a、学习条件变更部12b、图像尺寸增大部12c、判定部12d、通知内容获取部12e发挥功能。

学习条件登记部12a构成为登记第一学习条件22。此外，登记第一学习条件22是指学习条件登记部12a获取操作者利用输入部122所输入的第一学习条件22，并将获取到的第一学习条件22存储于存储部13。另外，学习条件登记部12a将第一学习条件22输出到学习处理部10。另外，学习条件登记部12a将第一学习条件22输出到判定部12d。

第一学习条件22包括学习模型21的种类22a(参照图1)、在学习模型21的学习中使用的细胞图像80的批量大小(BatchSize)22c(参照图1)、细胞图像80的尺寸22b(参照图1)、以及使学习模型21进行学习的识别类的数量22d(参照图1)。批量大小22c是指在学习模型21的学习中使用的细胞图像80的图像数量。此外，学习模型21的种类22a是指学习模型21的算法的分类。另外，识别类的数量22d是在细胞图像80中进行分类的类的数量。另外，细胞图像80的批量大小22c是权利要求书的“细胞图像的图像数量”的一例。

学习条件变更部12b构成为变更第一学习条件22的内容。在本实施方式中，学习条件变更部12b构成为变更第一学习条件22中的、细胞图像80的批量大小22c。学习条件变更部12b将变更后的第一学习条件222输出到学习处理部10。另外，学习条件变更部12b将变更后的第一学习条件222存储于存储部13。另外，学习条件变更部12b将变更后的第一学习条件222输出到判定部12d。此外，由学习条件变更部12b进行的第一学习条件22的内容的变更在进行后述的第一学习条件22的优化时执行。即，在进行验证模式下的第一次学习处理时，不由学习条件变更部12b进行第一学习条件22的内容的变更。

在本实施方式中，在进行验证模式下的学习处理时，要使存储器10b的负荷增大来使要确保为工作区域50(参照图2)的容量增大，因此图像尺寸增大部12c构成为进行将细胞图像80的尺寸22b增大的处理。图像尺寸增大部12c构成为例如将细胞图像80的尺寸增大到1.1倍～1.2倍。图像尺寸增大部12c将尺寸被增大了的细胞图像80a输出到学习处理部10。此外，图像尺寸增大部12c使细胞图像80的尺寸增大的处理仅在验证模式下进行。即，图像尺寸增大部12c使细胞图像80的尺寸增大的处理不在学习模式下进行。

学习处理部10使用从学习条件登记部12a输入的第一学习条件22、从图像尺寸增大部12c输入的尺寸被增大了的细胞图像80a、以及学习模型21，来进行验证模式下的学习处理。即，学习处理部10构成为使用由图像尺寸增大部12c增大了尺寸的细胞图像80a来进行验证模式下的学习处理。此外，在本实施方式中，学习处理部10构成为在验证模式下执行比学习模式下的学习处理的次数少的次数的学习处理。具体地说，学习处理部10构成为在验证模式下执行一次学习处理。

另外，学习处理部10将进行了验证模式下的学习处理时的学习处理结束的信息输出到判定部12d。学习处理结束的信息31是验证模式下的学习处理结束了时的状态的信息。具体地说，学习处理部10在验证模式下的学习处理正常地结束了的情况下，将验证模式下的学习处理正常结束了的状态的信息作为学习处理结束的信息31输出到判定部12d。另外，在进行验证模式下的学习处理时学习处理异常结束了的情况下，学习处理部10将验证模式下的学习处理异常结束了的状态的信息作为学习处理结束的信息31输出到判定部12d。另外，学习处理部10在验证模式下的学习处理异常结束了的情况下，将异常结束的日志信息输出到判定部12d。

判定部12d构成为判定在验证模式下的学习模型21的学习处理中存储器10b的容量是否变得不足。具体地说，判定部12d基于从学习处理部10输入的学习处理结束的信息31来判定存储器10b的容量是否变得不足。即，在被输入了验证模式下的学习处理正常结束了的状态的信息作为学习处理结束的信息31的情况下，判定部12d判定为存储器10b的容量没有变得不足。

另外，在被输入了验证模式下的学习处理异常结束了的状态的信息作为学习处理结束的信息31的情况下，基于异常结束的日志信息获取存储器10b的容量是否不足。具体地说，判定部12d根据异常结束的日志信息中是否包含表示存储器10b的容量变得不足的信息，来判定存储器10b的容量是否变得不足。判定部12d将存储器10b的容量是否变得不足的判定结果即第一判定结果32输出到通知内容获取部12e。此外，第一判定结果32包括未发生内存溢出且验证模式下的学习处理正常结束了的状态的信息、以及发生内存溢出且验证模式下的学习处理异常结束了的状态的信息。另外，由判定部12d进行的存储器10b的容量是否变得不足的判定仅在验证模式下执行，在学习模式下不执行。

通知内容获取部12e构成为基于第一判定结果32来获取存储部13中存储的通知内容30。通知内容30包括内存溢出的验证成功的意思的消息30a(参照图5)、以及内存溢出的验证失败的意思的消息30b(参照图7)。在没有发生内存溢出的情况下，通知内容获取部12e获取内存溢出的验证成功的意思的消息30a作为通知内容30。另外，在发生了内存溢出的情况下，通知内容获取部12e获取内存溢出的验证失败的意思的消息30b作为通知内容30。通知内容获取部12e将通知内容30输出到显示部121。此外，通知内容获取部12e在学习模式下获取学习模型21的学习是正常结束了还是异常结束了的消息作为通知内容30。即，通知内容获取部12e在学习模式下不获取是否发生了内存溢出的通知内容30。

显示部121基于所输入的通知内容30，进行在进行验证模式下的学习处理时存储器10b的容量是否变得不足的通知。具体地说，显示部121构成为显示从通知内容获取部12e输入的通知内容30。

在此，在基于与第一学习条件22相同的第二学习条件24在过去已实施了验证模式下的学习处理的情况下，认为在验证模式下的学习处理中存储器10b的容量是否变得不足的判定结果会得到同样的结果。因此，在本实施方式中，判定部12d构成为判定在存储部13中是否存储有与第一学习条件22相同的第二学习条件24。另外，学习处理部10构成为在存储部13中存储有与第一学习条件22相同的第二学习条件24的情况下，不执行验证模式下的第一学习条件22的学习处理。此外，第二学习条件24是过去进行验证时的第一学习条件22。即，第二学习条件24包括学习模型21的种类、细胞图像80的种类、批量大小、以及识别类的数量。另外，第一学习条件22与第二学习条件24相同是指学习模型21的种类、细胞图像80的种类、批量大小、识别类的数量全部相同。

通知内容获取部12e在存储部13中存储有与第一学习条件22相同的第二学习条件24的情况下，获取基于第二学习条件24的第二判定结果33。另外，通知内容获取部12e获取基于第二判定结果33的通知内容30，并将获取到的通知内容30输出到显示部121。此外，第二判定结果33包括与第一判定结果32同样的内容。即，通知内容获取部12e在存储部13中存储有与第一学习条件22相同的第二学习条件24的情况下，通过与基于第一判定结果32获取通知内容30的结构相同的结构，来基于第二判定结果33获取通知内容30。

显示部121构成为在存储部13中存储有与第一学习条件22相同的第二学习条件24的情况下，通知基于第二学习条件24的第二判定结果33。具体地说，显示部121显示通知内容获取部12e基于第二判定结果33获取并输入到显示部121的通知内容30。

另外，在本实施方式中，估计部11(参照图1)构成为：在由学习处理部10进行验证模式下的学习处理时，与由学习处理部10进行的学习处理并行地，使用存储器10b执行利用已学习的学习完毕模型25(参照图1)的细胞图像80的估计处理。在本实施方式中，在用于验证模式下的学习处理的工作区域50中还进行估计处理。即，要被确保为工作区域50的存储器10b的容量包括进行验证模式下的学习处理的存储器10b的区域、以及进行估计处理的存储器10b的区域。另外，在本实施方式中，选择要被确保的存储器10b的容量大的学习完毕模型作为用于估计处理的学习完毕模型25。此外，估计处理是例如将细胞图像80中拍到的细胞进行分类、针对细胞图像80的每个像素估计该像素为哪个分类的处理。

〈第一学习条件的优化〉

在此，在进行验证模式下的学习处理的情况下所使用的工作区域50(参照图2)的容量根据第一学习条件22而变化。因而，根据第一学习条件22，有时不将存储器10b的全部能够使用容量51确保为工作区域50。即，即使在变更为使要确保为工作区域50的存储器10b的容量增加这样的第一学习条件22来进行验证模式下的学习处理的情况下，有时存储器10b的能够使用容量51的余量也有富余而不发生内存溢出。

另外，当在进行验证模式下的学习处理时发生了存储器10b的内存溢出的情况下，通过由用户变更第一学习条件22，来调整第一学习条件22使之成为不发生内存溢出的第一学习条件22。然而，在通过由用户手动输入变更第一学习条件22并重复进行验证模式下的学习处理来获取最佳的第一学习条件22的情况下，用户的负担增加。

因此，在本实施方式中，学习处理部10构成为在由学习条件变更部12b变更第一学习条件22的同时重复执行验证模式下的学习处理。即，在本实施方式中，能够通过学习处理部10和学习条件变更部12b来进行第一学习条件22的优化。在本实施方式中，学习处理部10构成为例如在由学习条件变更部12b变更批量大小22c的同时重复执行验证模式下的学习处理。此外，第一学习条件22的优化构成为通过用户的操作输入来进行。

当在验证模式下的学习处理中没有发生内存溢出的情况下，学习处理部10构成为一边使批量大小22c增加一边重复执行验证模式下的学习处理。另外，当在验证模式下的学习处理中发生了内存溢出的情况下，学习处理部10构成为一边使批量大小22c减少一边重复进行验证模式下的学习处理。

另外，判定部12d构成为基于第一判定结果32来获取存储器10b的容量不会不足的最佳的第一学习条件22。判定部12d构成为：作为最佳的第一学习条件22而获取存储器10b的容量不会不足的最大的细胞图像80的批量大小22c。

〈验证模式下的学习处理的画面显示〉

接着，参照图4～图7来说明本实施方式的图像处理装置100进行验证模式下的学习处理的结构。

首先，参照图4和图5来说明验证模式下的学习处理成功了的情况下的画面例。

图4示出了在显示部121(参照图1)显示的学习条件设定画面111a的例子。在学习条件设定画面111a显示有学习名输入栏40、模型选择栏41、数据集选择栏42、轮数输入栏43、批量大小输入栏44、验证按钮45a、学习开始按钮45b、取消按钮46。

学习名输入栏40是用于输入学习名的输入栏。模型选择栏41是用于选择进行学习的学习模型21(参照图1)的选择栏。数据集选择栏42是用于选择在学习模型21的学习中使用的数据集的选择栏。轮数输入栏43是用于输入轮数23的输入栏。批量大小输入栏44是用于输入批量大小22c的输入栏。验证按钮45a是用于开始验证模式下的学习处理的GUI上的按钮。学习开始按钮45b是用于开始学习模式下的学习处理的GUI上的按钮。取消按钮46是用于取消学习处理的GUI上的按钮。

通过利用模型选择栏41选择学习模型21，来设定第一学习条件22(参照图1)中的学习模型21的种类22a(参照图1)。另外，通过利用数据集选择栏42选择数据集，来设定第一学习条件22中的细胞图像80(参照图1)的尺寸22b(参照图1)、以及识别类的数量22d(参照图1)。另外，根据输入到批量大小输入栏44的批量大小的值来设定第一学习条件22中的批量大小22c(参照图1)。此外，将输入到轮数输入栏43的轮数23(参照图1)设定为学习模式下的学习时的轮数。即，在验证模式下的学习处理中不使用输入到轮数输入栏43的轮数23。

在验证按钮45a被按下的情况下，基于所设定的第一学习条件22来执行验证模式下的学习处理。

在验证模式下的学习处理中，在没有发生内存溢出而学习处理正常地结束了的情况下，显示部121显示图5所示的验证结果通知画面111b。具体地说，显示部121显示从图像处理装置100发送的通知内容30作为验证结果通知画面111b。在验证结果通知画面111b显示有内存溢出的验证成功了的意思的消息30a。此外，显示部121例如在显示验证结果通知画面111b时，在图4所示的学习条件设定画面111a上以弹出画面进行显示。

接着，参照图6和图7来说明验证模式下的学习处理失败了的情况下的画面例。

图6所示的学习条件设定画面111c除输入到批量大小输入栏44的批量大小22c不同这一点以外，是与图4所示的学习条件设定画面111a相同的画面。此外，在图6所示的例子中，在验证模式下的学习处理中，作为发生了内存溢出时的批量大小22c的一例，输入了“11”。

当在学习条件设定画面111c中按下了验证按钮45a的情况下，显示部121如图7所示那样显示验证结果通知画面111d。具体地说，显示部121显示从图像处理装置100发送的通知内容30作为验证结果通知画面111d。在验证结果通知画面111d显示有内存溢出的验证失败的意思的消息30b。内存溢出的验证失败的意思的消息30b包含促使减小批量大小22c的信息30c、以及促使减小细胞图像80的尺寸22b的信息30d。即，在本实施方式中，显示部121构成为在存储器10b的容量变得不足的情况下，通知促使减小第一学习条件22中的细胞图像80的批量大小22c的信息30c。另外，显示部121构成为在存储器10b的容量变得不足的情况下，还通知促使减小第一学习条件22中的细胞图像80的尺寸22b的信息30d。

接着，参照图8来说明本实施方式的进行细胞图像80的学习时的存储器容量判定方法中的存储器容量验证处理。

在步骤101中，学习条件登记部12a(参照图3)登记第一学习条件22。具体地说，学习条件登记部12a将通过学习条件设定画面111a(参照图4)设定的第一学习条件22存储于存储部13(参照图1)。

在步骤102中选择学习模式。具体地说，第二处理器12(参照图1)基于选择部45(参照图4)的输入来在通过进行学习模型21的学习处理来进行学习模型21(参照图1)的学习的学习模式与验证在进行学习模型21的学习处理时用作工作区域的存储器10b(参照图1)的容量是否不足的验证模式之间进行选择。更具体地说，第二处理器12在验证按钮45a(参照图4)被按下的情况下，选择验证模式。另外，第二处理器12在学习开始按钮45b(参照图4)被按下的情况下，选择学习模式。

在步骤103中，第二处理器12(参照图1)判定是否选择了验证模式。在没有选择验证模式的情况下，处理进入步骤104。在选择了验证模式的情况下，处理进入步骤105。

在步骤104中，学习处理部10(参照图1)进行学习模式下的学习处理。具体地说，学习处理部10使用细胞图像80来进行预先设定的次数(轮数23)的、基于第一学习条件22的学习模型21的学习。之后，处理结束。此外，预先设定的次数(轮数23)是输入到学习条件设定画面111a(参照图4)的轮数输入栏43的值。

在处理从步骤103进入到步骤105的情况下，在步骤105中，判定部12d(参照图3)判定过去是否基于相同的学习条件进行了验证。具体地说，判定部12d判定在存储部13(参照图1)中是否存储有与第一学习条件22(参照图1)相同的第二学习条件24(参照图1)。在存储部13中存储有与第一学习条件22相同的第二学习条件24的情况下，处理进入步骤106。在存储部13中没有存储与第一学习条件22相同的第二学习条件24的情况下，处理进入步骤107。

在步骤106中，显示部121通知基于第二学习条件24的第二判定结果33(参照图1)。之后，处理结束。

在处理从步骤105进入到步骤107的情况下，在步骤107中，学习处理部10基于第一学习条件22执行验证模式下的学习处理。此外，在本实施方式中，与步骤107中的验证模式下的学习处理并行地由估计部11执行细胞图像80的估计处理。另外，在本实施方式中，验证模式下的学习处理与输入到学习条件设定画面111a(参照图4)的轮数输入栏43的值无关地进行一次学习处理。

在步骤108中，判定部12d判定在验证模式下的学习模型21的学习处理中存储器10b(参照图1)的容量是否变得不足。具体地说，判定部12d基于学习处理结束的信息31(参照图3)来判定存储器10b的容量是否变得不足。在存储器10b的容量变得不足的情况下，处理进入步骤109。在存储器10b的容量没有变得不足的情况下，处理进入步骤110。

在步骤109中，显示部121通知存储器10b的容量是否变得不足的第一判定结果32。在步骤109中，显示部121通知存储器10b的容量变得不足。具体地说，显示部121通过显示验证结果通知画面111d(参照图7)来通知存储器10b的容量变得不足。之后，处理结束。

在处理从步骤108进入到步骤110的情况下，在步骤110中，显示部121通知存储器10b的容量充足。具体地说，显示部121通过显示验证结果通知画面111b(参照图5)来通知存储器10b的容量充足。之后，处理结束。

接着，参照图9来说明基于本实施方式的图像处理装置100将第一学习条件22(参照图1)优化的处理。此外，图9所示的第一学习条件22的优化处理在验证模式下的学习处理执行过一次后执行。

在步骤201中，判定部12d(参照图3)判定在验证模式下的学习处理中是否发生了存储器10b的内存溢出(内存不足)。在发生了内存溢出的情况下，处理进入步骤202。在没有发生内存溢出的情况下，处理进入步骤206。

在步骤202中，学习条件变更部12b(参照图3)使批量大小22c减少一个。

在步骤203中，学习处理部10基于批量大小22c减少了一个后的第一学习条件222(参照图3)来执行验证模式下的学习处理。

在步骤204中，判定部12d判定在步骤203中的基于使批量大小22c减少一个后的第一学习条件222的验证模式下的学习处理中是否发生了存储器10b的内存溢出(内存不足)。在发生了存储器10b的内存溢出的情况下，处理进入步骤202。在没有发生存储器10b的内存溢出的情况下，处理进入步骤205。

在步骤205中，学习条件登记部12a(参照图3)将第一学习条件222存储于存储部13(参照图1)。之后，处理结束。即，步骤202～步骤205的处理是通过一边使批量大小22c减少一边重复执行验证模式下的学习处理来获取最佳的批量大小22c的处理。

另外，在处理从步骤201进入到步骤206的情况下，在步骤206中，学习条件变更部12b(参照图3)使批量大小22c增加一个。

在步骤207中，学习处理部10基于批量大小22c增加一个后的第一学习条件222(参照图3)来执行验证模式下的学习处理。

在步骤208中，判定部12d判定在步骤207中的基于使批量大小22c增加一个后的第一学习条件222的验证模式下的学习处理中是否发生了存储器10b的内存溢出(内存不足)。在发生了存储器10b的内存溢出的情况下，处理进入步骤209。在没有发生存储器10b的内存溢出的情况下，处理进入步骤206。

在步骤209中，学习条件变更部12b(参照图3)使批量大小22c减少一个。

在步骤210中，学习条件登记部12a(参照图3)将在步骤209中使批量大小22c减少了一个的第一学习条件222存储于存储部13(参照图1)。之后，处理结束。即，步骤206～步骤210的处理是通过一边使批量大小22c增加一边重复执行验证模式下的学习处理来获取最佳的批量大小22c的处理。

(本实施方式的效果)

在本实施方式中，能够得到如以下那样的效果。

在本实施方式中，如上述的那样，进行细胞图像80的学习时的存储器容量判定系统200具备：学习处理部10，其具备处理器(第一处理器10a)和存储器10b，处理器(第一处理器10a)使用细胞图像80进行预先设定的次数的、基于第一学习条件22的学习模型21的学习，存储器10b用作学习模型21的学习处理的工作区域；选择部45，其在学习模式与验证模式之间进行选择，学习模式是通过由学习处理部10进行学习处理来进行学习模型21的学习的模式，验证模式是验证在由学习处理部10进行学习处理时存储器10b的容量是否不足的模式；判定部12d，其判定在验证模式下的学习模型21的学习处理中存储器10b的容量是否变得不足；以及通知部(显示部121)，其进行基于判定部12d的判定结果(第一判定结果32)的通知。

在此，无论在学习模式下还是在验证模式下，要被确保为工作区域50的存储器10b的容量相同。因而，通过在验证在进行学习模型21的学习处理时用作工作区域的存储器10b的容量是否不足的验证模式下进行验证，能够判定在学习模式下存储器10b的容量是否不足。另外，通知存储器10b的容量是否变得不足的判定结果(第一判定结果32)。因而，用户通过在学习模式下进行学习模型21的学习之前在验证模式下进行验证，能够在进行学习模式的学习处理之前掌握存储器10b的容量是否不足。作为这些的结果，用户能够掌握由于存储器容量不足而机器学习没有完成这个情况。另外，由于能够在学习模式与验证模式之间进行选择，因此在无需进行验证模式下的验证的情况下，能够不进行验证模式下的学习处理就在学习模式下使学习模型21进行学习。其结果是，能够提高用户的便利性。

另外，在本实施方式中，如上述的那样，进行细胞图像80的学习时的存储器容量判定方法包括以下步骤：使用细胞图像80进行预先设定的次数的、基于第一学习条件22的学习模型21的学习；在学习模式与验证模式之间进行选择，学习模式是通过进行学习模型21的学习处理来进行学习模型21的学习的模式，验证模式是验证在进行学习模型21的学习处理时用作工作区域的存储器10b的容量是否不足的模式；判定在验证模式下的学习模型21的学习处理中存储器10b的容量是否变得不足；以及通知存储器10b的容量是否变得不足的判定结果(第一判定结果32)。

由此，与上述进行细胞图像80的学习时的存储器容量判定系统200同样地，能够提供一种能够使用户掌握由于存储器容量变得不足而机器学习没有完成这个情况的、进行细胞图像80的学习时的存储器容量判定。

另外，在上述实施方式中，通过如以下那样构成，能够得到如下述那样的进一步的效果。

即，在本实施方式中，如上述的那样，学习处理部10构成为在验证模式下执行比学习模式下的学习处理的次数少的次数的学习处理。由此，能够相比于学习模式下的学习处理所需的时间缩短验证模式下的学习处理所需的时间。其结果是，能够缩短进行存储器10b的容量是否不足的判定所需的时间。

另外，在本实施方式中，如上述的那样，学习处理部10构成为在验证模式下执行一次学习处理。由此，能够进一步缩短验证模式下的学习处理所需的时间。其结果是，能够进一步缩短进行存储器10b的容量是否不足的判定所需的时间。

另外，在本实施方式中，如上述的那样，还具备图像尺寸增大部12c，所述图像尺寸增大部12c进行将细胞图像80的尺寸22b增大的处理，学习处理部10构成为使用由图像尺寸增大部12c增大了尺寸的细胞图像80a来进行验证模式下的学习处理。由此，在进行验证模式下的学习处理时，能够使要被确保为工作区域50的存储器10b的容量增加。因而，能够在以有余量的方式确保了作为工作区域50的存储器10b的容量的状态下进行验证模式下的学习处理，因此能够使存储器10b的容量是否不足的判定条件严格。其结果是，能够以更严格的条件进行验证模式下的学习模型21的学习处理，因此能够容易抑制在学习模式下存储器10b的容量变得不足。

另外，在本实施方式中，如上述的那样，还具备存储部13，所述存储部13存储过去进行验证模式下的学习处理时的学习条件即第二学习条件24、以及第二学习条件24下的判定结果(第二判定结果33)，判定部12d构成为判定在存储部13中是否存储有与第一学习条件22相同的第二学习条件24，学习处理部10在存储部13中存储有与第一学习条件22相同的第二学习条件24的情况下，不执行验证模式下的学习处理，通知部(显示部121)构成为在存储部13中存储有与第一学习条件22相同的第二学习条件24的情况下，通知基于第二学习条件24的判定结果(第二判定结果33)。由此，在已基于与第一学习条件22相同的第二学习条件24实施了验证的情况下，不进行验证模式下的学习处理，而进行基于第二判定结果33的通知。因此，不进行验证模式下的学习处理就能够对用户通知存储器10b的容量是否不足。其结果是，能够抑制基于第一学习条件22重复地执行验证模式下的学习处理。

另外，在本实施方式中，如上述的那样，通知部(显示部121)构成为在存储器10b的容量变得不足的情况下，通知促使减小第一学习条件22中的细胞图像80的图像数量(批量大小22c)的信息30c。由此，能够使用户掌握减小第一学习条件22中细胞图像80的图像数量(批量大小22c)以避免存储器10b的容量不足。其结果是，由于能够掌握用于避免存储器10b的容量不足的第一学习条件22的项目，因此即使在户的熟练度低的情况下，也能够容易地进行第一学习条件22的调整。

另外，在本实施方式中，如上述的那样，通知部(显示部121)构成为在存储器10b的容量变得不足的情况下，还通知促使减小第一学习条件22中的细胞图像80的尺寸22b的信息30d。由此，能够使用户掌握除了减小细胞图像80的图像数量(批量大小22c)以外还减小细胞图像80的尺寸22b。其结果是，即使在用户的熟练度低的情况下，也能够更容易地进行用于避免存储器10b的容量不足的第一学习条件22的调整。

另外，在本实施方式中，如上述的那样，还具备估计部11，在由学习处理部10进行验证模式下的学习处理时，与由学习处理部10进行的学习处理并行地，所述估计部11使用存储器10b执行利用已学习的学习完毕模型25的细胞图像80的估计处理。由此，由于与学习模型21的学习处理并行地实施利用学习完毕模型25的细胞图像80的估计处理，因此相比于仅进行学习模型21的学习处理的情况，能够在使存储器10b的负荷增大的状态下进行验证模式下的学习处理。其结果是，即使在进行学习模式下的学习模型21的学习处理时并行地进行利用学习完毕模型25的估计处理的情况下，也能够抑制在学习模式下存储器10b的容量不足。

另外，在本实施方式中，如上述的那样，还具备学习条件变更部12b，所述学习条件变更部12b变更第一学习条件22的内容，学习处理部10构成为在由学习条件变更部12b变更第一学习条件22的同时重复执行验证模式下的学习处理，判定部12d构成为基于判定结果(第一判定结果32)来获取存储器10b的容量不会不足的最佳的第一学习条件22。由此，由于获取存储器10b的容量不会不足的最佳的第一学习条件22，因此能够不依赖于用户的熟练度地基于最佳的第一学习条件22进行学习模式下的学习模型21的学习处理。

另外，在本实施方式中，如上述的那样，学习条件变更部12b构成为变更第一学习条件22中的、细胞图像80的图像数量(批量大小22c)，判定部12d构成为作为最佳的第一学习条件22而获取存储器10b的容量不会不足的最大的细胞图像80的图像数量(批量大小22c)。由此，能够基于存储器10b的容量不会不足的最大的细胞图像80的图像数量(批量大小22c)进行学习模型21的学习处理。其结果是，能够防止存储器10b的容量不足，并且能够提高学习模型21的学习精度。

另外，在本实施方式中，如上述的那样，还具备学习条件登记部12a，所述学习条件登记部12a登记包括学习模型21的种类22a、在学习模型21的学习中使用的细胞图像80的图像数量(批量大小22c)、细胞图像80的尺寸22b、以及使学习模型21进行学习的识别类的数量22d的第一学习条件22。由此，在基于所登记的学习模型21的种类22a、在学习模型21的学习中使用的细胞图像80的图像数量(批量大小22c)、细胞图像80的尺寸22b、使学习模型21进行学习的识别类的数量22d来进行学习模型21的学习时，能够掌握存储器10b的容量是否不足。

[变形例]

此外，应当认为本次公开的实施方式在所有方面均是例示，而非限制性的。本发明的范围不由上述的实施方式的说明表示，而由权利要求书表示，并且包括与权利要求书同等的含义和范围内的全部变更(变形例)。

例如，在上述实施方式中，示出了图像处理装置100作为通过客户端服务器模型构建出的进行细胞图像80的学习时的存储器容量判定系统200的服务器发挥功能的例子，但本发明不限于此。在本发明中，例如图10所示，也可以通过独立的计算机构成。在图10的例子中，图像处理装置100由具备第二处理器310和存储部320的计算机300构成。在计算机300连接有显示部330和输入部340。计算机300与摄像装置130以能够通信的方式进行连接。计算机300的第二处理器310以功能块的形式包括上述实施方式(参照图3)所示的学习条件登记部12a、学习条件变更部12b、图像尺寸增大部12c、判定部12d、以及通知内容获取部12e。

另外，在上述实施方式和图10所示的变形例中示出了由单一的第二处理器12(310)来执行作为学习条件登记部12a、学习条件变更部12b、图像尺寸增大部12c、判定部12d、通知内容获取部12e的各处理的例子，但本发明不限于此。进行细胞图像80的学习时的存储器10b的容量是否不足的各处理也可以由多个处理器分担执行。各个处理也可以通过不同的处理器执行。多个处理器也可以设置于不同的计算机。也就是说，图像处理装置100也可以由多台计算机构成。

另外，在上述实施方式中，示出了学习处理部10在验证模式下执行比学习模式下的学习处理少的次数的学习处理的结构的例子，但本发明不限于此。例如，学习处理部10也可以构成为在验证模式下执行与学习模式下的学习处理相同或者更多次数的学习处理。然而，在学习处理部10在验证模式下执行与学习模式下的学习处理相同或者更多次数的学习处理的情况下，存储器10b的容量是否不足的验证所需的时间增加。因而，优选学习处理部10构成为在验证模式下执行比学习模式下的学习处理少的次数的学习处理。

另外，在上述实施方式中，示出了学习处理部10使用由图像尺寸增大部12c增加了尺寸的细胞图像80a来执行验证模式下的学习处理的结构的例子，但本发明不限于此。例如，学习处理部10也可以构成为不是使用尺寸增加了的细胞图像80a而是使用细胞图像80来执行验证模式下的学习处理。在该情况下，第二处理器12也可以不具备图像尺寸增大部12c。

另外，在上述实施方式中，示出了在存储部13中存储有与第一学习条件22相同的第二学习条件24的情况下学习处理部10不基于第一学习条件22执行验证模式下的学习处理的结构的例子，但本发明不限于此。例如，学习处理部10也可以构成为即使在存储部13中存储有与第一学习条件22相同的第二学习条件24的情况下，也基于第一学习条件22执行验证模式下的学习处理。然而，在为学习处理部10即使在存储部13中存储有与第一学习条件22相同的第二学习条件24的情况下也基于第一学习条件22执行验证模式下的学习处理的结构的情况下，进行本来不需要的验证模式下的学习处理。因而，优选学习处理部10构成为在存储部13中存储有与第一学习条件22相同的第二学习条件24的情况下，不基于第一学习条件22执行验证模式下的学习处理。

另外，在上述实施方式中，示出了存储器容量判定系统200具备估计部11的结构的例子，在学习处理部10进行验证模式下的学习处理时，与由学习处理部10进行的学习处理并行地，所述估计部11使用存储器10b执行利用学习完毕模型25的细胞图像80的估计处理，但本发明不限于此。存储器容量判定系统200也可以不具备估计部11。

另外，在上述实施方式中，示出了存储器容量判定系统200具备学习条件变更部12b、学习处理部10在由学习条件变更部12b变更第一学习条件22的同时重复执行验证模式下的学习处理的结构的例子，但本发明不限于此。例如，学习处理部10也可以构成为不在由学习条件变更部12b变更第一学习条件22的同时重复执行验证模式下的学习处理。在该情况下，存储器容量判定系统200也可以不具备学习条件变更部12b。

另外，在上述实施方式中，示出了判定部12d获取存储器10b的容量不会不足的最大的细胞图像80的批量大小22c作为最佳的第一学习条件22的结构的例子，但本发明不限于此。例如，判定部12d也可以构成为获取存储器10b的容量不会不足的最大的细胞图像80的尺寸作为最佳的第一学习条件22。

另外，在上述实施方式中，示出了将第一处理器10a和估计部11设为不同的处理器的结构的例子，但本发明不限于此。例如，第一处理器10a和估计部11也可以由同一处理器构成。

另外，在上述实施方式中，示出了图像处理装置100进行学习模型21的学习以及细胞图像80的分析的结构的例子，但本发明不限于此。例如，图像处理装置100也可以构成为仅进行学习模型21的学习的学习装置。

另外，在上述实施方式中，示出了图像处理装置100使学习模型21学习进行细胞图像80中拍到的细胞的分类的结构的处理，但本发明不限于此。例如，图像处理装置100也可以构成为使学习模型学习提高细胞图像80中拍到的细胞的分辨率。图像处理装置100使学习模型进行学习的内容能够由用户任意地设定。

[方式]

本领域技术人员应该理解上述的例示性的实施方式是以下的方式的具体例。

(项目1)

一种存储器容量判定系统，具备：

学习处理部，其具备处理器和存储器，所述处理器使用细胞图像来进行预先设定的次数的、基于第一学习条件的学习模型的学习，所述存储器用作所述学习模型的学习处理的工作区域；

选择部，其在学习模式与验证模式之间进行选择，所述学习模式是通过由所述学习处理部进行学习处理来进行所述学习模型的学习的模式，所述验证模式是验证在由所述学习处理部进行学习处理时所述存储器的容量是否不足的模式；

判定部，其判定在所述验证模式下的所述学习模型的学习处理中所述存储器的容量是否变得不足；以及

通知部，其进行基于所述判定部的判定结果的通知。

(项目2)

在项目1所记载的进行细胞图像的学习时的存储器容量判定系统中，所述学习处理部构成为在所述验证模式下执行比所述学习模式下的学习处理的次数少的次数的学习处理。

(项目3)

在项目2所记载的进行细胞图像的学习时的存储器容量判定系统中，所述学习处理部构成为在所述验证模式下执行一次学习处理。

(项目4)

在项目1～3中的任一项所记载的进行细胞图像的学习时的存储器容量判定系统中，

还具备图像尺寸增大部，所述图像尺寸增大部进行将所述细胞图像的尺寸增大的处理，

所述学习处理部构成为使用由所述图像尺寸增大部增大了尺寸的所述细胞图像，来进行所述验证模式下的学习处理。

(项目5)

在项目1～4中的任一项所记载的进行细胞图像的学习时的存储器容量判定系统中，

还具备存储部，所述存储部存储过去进行所述验证模式下的学习处理时的学习条件即第二学习条件、以及所述第二学习条件下的所述判定结果，

所述判定部构成为判定在所述存储部中是否存储有与所述第一学习条件相同的所述第二学习条件，

所述学习处理部构成为在所述存储部中存储有与所述第一学习条件相同的所述第二学习条件的情况下，不执行所述验证模式下的学习处理，

所述通知部构成为在所述存储部中存储有与所述第一学习条件相同的所述第二学习条件的情况下，通知基于所述第二学习条件的所述判定结果。

(项目6)

在项目1～5中的任一项所记载的进行细胞图像的学习时的存储器容量判定系统中，所述通知部构成为在所述存储器的容量变得不足的情况下，通知促使减小所述第一学习条件中的所述细胞图像的批量大小的信息。

(项目7)

在项目6所记载的进行细胞图像的学习时的存储器容量判定系统中，

所述通知部构成为在所述存储器的容量变得不足的情况下，还通知促使减小所述第一学习条件中的所述细胞图像的尺寸的信息。

(项目8)

在项目1～7中的任一项所记载的进行细胞图像的学习时的存储器容量判定系统中，

还具备估计部，在由所述学习处理部进行所述验证模式下的学习处理时，与由所述学习处理部进行的学习处理并行地，所述估计部使用所述存储器执行利用已学习的学习完毕模型的所述细胞图像的估计处理。

(项目9)

在项目1～8中的任一项所记载的进行细胞图像的学习时的存储器容量判定系统中，

还具备学习条件变更部，所述学习条件变更部变更所述第一学习条件的内容，

所述学习处理部构成为在由所述学习条件变更部变更所述第一学习条件的同时重复执行所述验证模式下的学习处理，

所述判定部构成为基于所述判定结果来获取所述存储器的容量不会不足的最佳的所述第一学习条件。

(项目10)

在项目9所记载的进行细胞图像的学习时的存储器容量判定系统中，

所述学习条件变更部构成为变更所述第一学习条件中的、所述细胞图像的批量大小，

所述判定部构成为：作为所述最佳的所述第一学习条件而获取所述存储器的容量不会不足的最大的所述细胞图像的批量大小。

(项目11)

在项目1～10中的任一项所记载的进行细胞图像的学习时的存储器容量判定系统中，

还具备学习条件登记部，所述学习条件登记部登记包括学习模型的种类、在所述学习模型的学习中使用的细胞图像的批量大小、所述细胞图像的尺寸、以及使所述学习模型进行学习的识别类的数量的所述第一学习条件。

(项目12)

一种进行细胞图像的学习时的存储器容量判定方法，包括以下步骤：

使用细胞图像来进行预先设定的次数的、基于第一学习条件的学习模型的学习；

在学习模式与验证模式之间进行选择，所述学习模式是通过进行所述学习模型的学习处理来进行所述学习模型的学习的模式，所述验证模式是验证在进行所述学习模型的学习处理时用作工作区域的存储器的容量是否不足的模式；

判定在所述验证模式下的所述学习模型的学习处理中所述存储器的容量是否变得不足；以及

通知所述存储器的容量是否变得不足的判定结果。

附图标记说明

10：学习处理部；10a：第一处理器；10b：存储器；12a：学习条件登记部；12b：学习条件变更部；12c：图像尺寸增大部；12d：判定部；13：存储部；21：学习模型；22：第一学习条件；22a：学习模型的种类；22b：细胞图像的尺寸；22c：批量大小(细胞图像的图像数量)；22d：识别类的数量；23：轮数(预先设定的次数)；24：第二学习条件；25：学习完毕模型；32：第一判定结果(判定结果)；33：第二判定结果(判定结果)；45：选择部；45a：验证按钮；45b：学习开始按钮；50：工作区域；80：细胞图像；80a：尺寸增加了的细胞图像；121、330：显示部(通知部)；200：进行细胞图像的学习时的存储器容量判定系统。