情報工学科/バイオメディカル研究センター　武尾英哉 教授　

図1はYOLOの基本的な学習の流れを示した画像である。画像を細かい領域に分け各領域ごとに画素値やエッジを基にした特徴を作成、事前に学習を行ったクラスごとの特徴と照らし合わせることでクラスの特定を行う。この例では、自転車とその手前の犬と後ろの自動車を画面から自動抽出できてい

正常細胞／異常細胞の分類結果を図2に示す。正常細胞のみ青い四角で表示している。事前に正解のわかっている正常および異常画像を用いて学習させ、学習が終えたAIを使って他の未知の画像に適用させる。AIは判断の確信度を表すスコアを出力するので、その値の最も高いもの（この場合はどちらか一方）の分類を最終判断とする。

一方、正常およびスポット異常／蛍光強高度異常／細胞の輪郭異常／細胞全体異常／細胞全体＆スポット異常の6分類の結果を図3に示す。

現在の性能は、画面にある全細胞の約9割は検出可能であり、その分類精度（6分類の正解率）は約8割である。CNNは画像の学習枚数により性能が変化する特性があるので、今後学習画像枚数を増やして性能向上を目指していく。