菌种鉴定支援方法、多菌落学习模型的生成方法、菌种鉴定支援装置和程序产品与流程

1.本发明涉及菌种鉴定支援方法、多菌落学习模型的生成方法、单菌落学习模型的生成方法、菌种鉴定支援装置和程序产品。


背景技术：

2.传染病是由于细菌等侵入身体而引起的。通过对所感染的细菌进行鉴定，能够确定传染病，采取治疗或防止传染病传播等措施。在医院等医疗设施，对患者进行检查，在怀疑是传染病的情况下，从患者处采集标本，委托检查机构进行检查。检查机构进行检查，以对标本中所含的细菌进行鉴定。针对细菌鉴定检查，开发出了许多鉴定试剂盒，但能用于鉴定试剂盒的标本只有纯分离株。因此，在细菌鉴定检查中，需要首先对细菌进行分离培养。在分离培养之后，能够大致推定出使用哪个鉴定试剂盒是合适的。具体来说，通过检查技师观察分离株培养时的生长性和培养条件、菌落的性质状态(颜色、气味、溶血性、自溶、对培养基的渗透、迁移、滑行、等等)、革兰氏染色结果等来进行检查，能够大致推定菌种。细菌鉴定检查要求准确性、简便性、迅速性和经济效率，因此，根据这样的分离株菌种推定结果，推定适合该菌株判定的鉴定试剂盒，只有在该推定正确的情况下，才能正确鉴定细菌。但在推定不正确的情况下就不能鉴定细菌，需要再次进行推定。菌种的推定依照推定次数被称为一次辨认(一次影像解读)、二次辨认(二次影像解读)等。这样的检查顺序属于一般的细菌鉴定法。另一方面，近年来，已能够通过鉴定基因组核酸序列的测序仪或质量分析装置来鉴定细菌，但准确的菌种鉴定需要分离培养这一点并没有变。另外，细菌通过一个细胞分裂成两个进行增殖，一个细胞用肉眼无法看见，但是，例如增殖到一千万个以上的话，就会在平板培养基(琼脂培养基)上形成群落(菌落)，可用肉眼确认。而且，一个菌落源自一个细胞，因此，通过数菌落数就能确定培养前标本中的菌量(菌数)。
3.日本特开2012-135240号公报公开了一种菌落识别系统，包括可见光照射图像取得部、非可见光照射图像取得部和菌落识别部，可见光照射图像取得部取得可见光照射图像，也就是在对形成于培养基的细菌的菌落照射可见光的状态下拍摄菌落得到的图像，非可见光照射图像取得部取得非可见光照射图像，也就是在对菌落照射非可见光的状态下拍摄菌落所得的图像，菌落识别部根据可见光照射图像和非可见光照射图像识别形成了菌落的细菌。
4.日本特开2020-18249号公报公开了一种细菌菌落的鉴定装置，包括照明装置、透过照明手段、拍摄手段、数据库和信号处理部，照明装置对收纳于光学透明容器的培养基上培养的细菌菌落进行照明，透过照明手段使照明光透过光学透明容器和培养基对该细菌菌落进行照明，拍摄手段对用各照明手段照明的细菌菌落进行拍摄，数据库中存储有多个细菌种类的多个培养时间内的细菌菌落的图像和光谱数据，信号处理部将由拍摄手段拍摄的该细菌菌落的拍摄图像与数据库中保存的信息进行比较，识别该细菌菌落的种类。


技术实现要素：

5.本发明的目的在于，提供能够确定多菌落所含的多个菌种的菌种鉴定支援方法、多菌落学习模型的生成方法、单菌落学习模型的生成方法、菌种鉴定支援装置和程序产品。
6.本发明的菌种鉴定支援方法，取得包含多菌落的培养基的图像，所述多菌落由所培养的多个种类的细菌形成的多个菌落聚集而成，通过将所取得的图像输入多菌落学习模型，确定多菌落所含的多个菌种，所述多菌落学习模型在被输入包含多菌落的图像的情况下，进行图像识别，输出表示形成该多菌落的细菌的种类的信息。
7.本发明的多菌落学习模型的生成方法，该多菌落学习模型在被输入包含多菌落的培养基的图像的情况下，输出表示形成该多菌落的细菌的种类的信息，所述多菌落由所培养的多个种类的细菌形成的多个菌落聚集而成，取得包含由所培养的多个细菌形成的多菌落的图像，通过对所取得的图像附加表示所述多个细菌的菌种的训练数据，做成学习用数据，使学习模型进行机械学习，以在被输入包含多菌落的培养基的图像的情况下，输出该图像的训练数据表示的多个菌种。
8.本发明的单菌落学习模型的生成方法，该单菌落学习模型在被输入包含由所培养的细菌形成的单菌落培养基的图像的情况下，输出表示该单菌落的位置和形成该单菌落的菌种的信息，取得第一图像和第二图像，所述第一图像包含由所培养的第一菌种的细菌形成的单菌落，所述第二图像包含由所培养的第二菌种的细菌形成的单菌落，将所取得的第一图像和第二图像分割成包含一个单菌落的小图像，通过对第一图像和第二图像的各个小图像附加表示第一菌种的训练数据和表示第二菌种的训练数据，做成学习用数据，使学习模型进行机械学习，使得在被输入第一图像的小图像的情况下，输出表示训练数据所示的第一菌种的信息，在被输入第二图像的小图像的情况下，输出表示训练数据所示的第二菌种的信息。
9.本发明的菌种鉴定支援装置，包括取得部和多菌落学习模型，
10.所述取得部取得包含多菌落的培养基的图像，所述多菌落由所培养的多个种类的细菌形成的多个菌落聚集而成；所述多菌落学习模型在被输入包含多菌落的图像的情况下，进行图像识别，输出表示形成该多菌落的细菌的种类的信息，所述菌种鉴定支援装置通过输入所述取得部取得的图像确定多菌落所含的多个菌种。
11.本发明的程序产品，用于使计算机执行下述处理：取得包含多菌落的培养基的图像，所述多菌落由所培养的多个种类的细菌形成的多个菌落聚集而成，通过将所取得的图像输入多菌落学习模型，确定多菌落所含的多个菌种，所述多菌落学习模型在被输入包含多菌落的图像的情况下，进行图像识别，输出表示形成该多菌落的细菌的种类的信息。
12.按照上述各项，能够确定多菌落所含的多个菌种。
附图说明
13.图1是表示实施方式1的菌种鉴定支援装置的结构例的框图。
14.图2是表示实施方式1的菌种鉴定支援方法的概念图。
15.图3是表示多菌落学习模型的结构例的概念图。
16.图4是表示单菌落学习模型的结构例的框图。
17.图5是表示单菌落学习模型的生成处理顺序的流程图。
18.图6是表示单菌落学习模型用的学习用数据的做成方法的概念图。
19.图7是表示多菌落学习模型的生成处理顺序的流程图。
20.图8是表示多菌落学习模型用的学习用数据的做成方法的概念图。
21.图9是表示菌种、含有该菌种的可信度、其菌量的鉴定步骤的概要的流程图。
22.图10是表示实施方式1的菌种鉴定支援方法的图像诊断的处理顺序的流程图。
23.图11是表示实施方式1的显示处理顺序的流程图。
24.图12是表示结果显示画面的一例的示意图。
25.图13是表示隶属概率等显示画面的一例的示意图。
26.图14a、图14b和图14c是表示标记和遮挡的一例的示意图。
27.图15是表示实施方式2的学习用数据的做成方法的流程图。
28.图16是表示实施方式3的菌种鉴定支援装置的结构例的框图。
29.图17是表示实施方式3的菌种鉴定支援方法的图像诊断的处理顺序的流程图。
具体实施方式
30.以下，参照附图，对本发明实施方式的菌种鉴定支援方法、多菌落学习模型的生成方法、单菌落学习模型的生成方法、菌种鉴定支援装置和程序产品的具体例子进行说明。此外，本发明不限于这些示例，而是由权利要求书示出，包含与权利要求书等同的意思和范围内的所有变更。另外，也可以任意组合以下记载的实施方式的至少一部分。
31.(实施方式1)
32.图1是表示实施方式1的菌种鉴定支援装置1的结构例的框图。菌种鉴定支援装置1是对医疗机构等从患者处采集的标本所含的菌种的鉴定处理进行支援的装置。由检查机构对标本所含的细菌进行分离培养。在培养后的培养基上，由一个或多个细菌形成单菌落和多菌落。单菌落是由所培养的一个细菌形成的大致圆形或棒状的菌落。多菌落是由所培养的一种或多种细菌形成的多个菌落聚集而成的菌落。本实施方式1的菌种鉴定支援装置1根据至少包含多菌落的培养基的图像(以下成为“培养基图像”)精度良好地对培养基上的细菌进行鉴定。
33.＜菌种鉴定支援装置1的结构＞
34.菌种鉴定支援装置1是个人计算机或服务器装置等计算机。菌种鉴定支援装置1包括运算部11、存储器12、存储部13、操作部14和显示部15。此外，菌种鉴定支援装置1也可以是包含多个计算机而构成的多计算机。也可以是服务器客户机系统、云服务器、由软件虚拟构筑的虚拟机。以下的说明中，将细菌鉴定支援装置作为一台计算机来进行说明。
35.运算部11例如是cpu(central processing unit：中央处理器)、mpu(micro-processing unit：微处理器)、gpu(graphics processing unit：图形处理器)、gpgpu(general-purpose computing on graphics processing units：通用图形处理器)、tpu(tensor processing unit：张量处理器)等运算处理装置。此外，运算部11也可以使用量子计算机构成。运算部11通过读出并运行存储于存储部13的计算机程序(程序产品)131实施本实施方式1的菌种鉴定方法，如确定多菌落所含的菌种、包含该菌种的可信度、隶属概率、其菌量等。
36.存储器12例如是dram(dynamic ram：动态随机存取存储器)、sram(static ram：静
convolutional neural network)、ssd(single shot multibox detector)、yolo(you only look once)等学习模型等检测菌落，对小图像进行分类。形态分类部1b无需确定菌种，菌落的检测精度也不必是高精度。
48.分类后的包含单菌落的小图像被输入单菌落学习模型2。分类后的包含多菌落的小图像被输入多菌落学习模型3。
49.单菌落学习模型2输出单菌落的位置、菌种群和可信度。第一菌量算出部2a算出单菌落的菌量。多菌落学习模型3输出多菌落所含的菌种群和可信度。第二菌量算出部3a算出多菌落的菌量。各学习模型和菌量的算出方法将在后面详述。
50.显示处理部4执行显示处理，将确定出的菌种、可信度、菌量等与培养基图像一起显示于显示部15。修正处理部5执行接受对确定出的菌种的修正的处理。
51.图3是表示多菌落学习模型3的结构例的概念图。多菌落学习模型3是识别形成了多菌落的一个或多个菌种群的图像识别模型，不识别菌落的位置。
52.本实施方式1中，多菌落学习模型3是神经网络，例如具有接受图像输入的输入层31、提取图像特征量的中间层32、和输出形成小图像所含菌落的菌种所属的菌种群的输出层33。本实施方式1的多菌落学习模型3是resnet、densenet等cnn(convolution neural network：卷积神经网络)。菌种确定支援装置通过使cnn的模型进行学习多菌落图像与菌种群关系的深度学习，生成多菌落学习模型3。
53.菌种群是与本实施方式1的菌种鉴定支援处理之后进行的生理
·
生化学试验等的鉴定对象相同的菌群名的分类、或在菌种的系统分类中为同一类的菌种名的分类。前者(基于生理
·
生化学试验等的菌群)的例子有：作为市售细菌鉴定试剂盒的鉴定对象的革兰氏阴性菌、革兰氏阳性球菌、革兰氏阳性杆菌、厌氧菌、酵母样真菌、肠内细菌科、葡萄球菌属、嗜血杆菌属、奈瑟菌属及其类似菌这样的分类。后者(基于系统分类的菌群)的例子有：像属(genus)、种(species)那样的概括多个菌种的菌群名的分类。例如，通常被称为大肠菌的细菌的属为escherichia，种为escherichia coli，最小单位是escherichia coli o157株那样的菌株(strain)。
54.由于前者包含比后者多的菌种，所以菌种鉴定支援装置1学习图像特征量通常是困难的(即，需要多的学习用图像)。而后者通过在属的基础上又限定种、在种的基础上又限定株，图像特征量也被限定，菌种鉴定支援装置1学习图像特征量变得容易(即，学习用图像有比前者少的趋势)。因此，如果不能分离多个菌种，就用前者的学习方法学习，如果能分类，就用后者的方法学习，这样学习效率会变高。
55.神经网络的输入层31具有接受小图像各像素的像素值输入的多个节点，将被输入的像素值传递到中间层32。中间层32具有提取图像特征量的多个节点，将所提取的特征量传递到输出层33。例如，在多菌落学习模型3是cnn的情况下，中间层32具有对输入层31输入的各像素的像素值进行卷积的卷积层和对由卷积层进行卷积后的像素值进行映射的池化层多个连结的结构，一边压缩图像的像素信息，一边最终提取图像的特征量。输出层33具有输出多菌落所含的菌种所属的一个或多个菌种群的一个或多个节点。例如，输出层33包括多个菌种群分别对应的节点等，各节点输出表示形成多菌落的菌种为属于各菌种群的菌种的可能性的值(以下称为可信度)。
56.本实施方式1中，多菌落学习模型3为densenet等cnn，但模型的结构不限于cnn。多
菌落学习模型3例如也可以是cnn以外的神经网络、svm(support vector machine)、贝叶斯网络、或xgboost等决策树等结构的多菌落学习模型3。
57.由多菌落学习模型3输出的可信度是在多菌落学习模型3进行的分类任务中成为分类指标的数值，是从0到1这一范围的实数，但未必与多菌落中包含属于该菌种群的菌种的实际隶属概率一致。因此，菌种鉴定支援装置1只要使用预先存储的变换函数将可信度变换为隶属概率即可。即，将可信度校准为隶属概率。
58.变换函数的做成方法如下。首先，对多个多菌落，由该多菌落所含的菌种属于特定菌种群的可信度的集合做成可信度的频率分布。例如，在刻度为0.1的区间做成可信度的频率分布。另一方面，对上述多个多菌落，算出该多菌落所含的菌种属于特定菌种群的实际隶属概率，即，基于检查技师判断的隶属概率、或基于其它检查确定结果的隶属概率。然后，决定将上述可信度和隶属概率相关联的变换函数。变换函数使用逻辑回归函数或保序回归函数等。通过使用像这样做成的变换函数，能够由可信度的值算出隶属概率。
59.对后述的单菌落学习模型2，也能同样地将可信度变换为隶属概率。
60.此外，权利要求书中记载的概率是包含上述可信度和隶属概率这两者的概念。
61.图4是表示单菌落学习模型2的结构例的框图。单菌落学习模型2包括位置检测部21、菌落区域剪切部22和菌种分类部23。
62.位置检测部21是检测小图像所含的菌落图像的yolov3、u-net、faster rcnn、ssd等物体检测模型。通过物体检测模型可识别小图像所含的所有单菌落图像的位置和范围，物体检测模型至少输出表示单菌落图像的位置和范围的信息。物体检测模型无需识别菌落的菌种。即便是识别菌种的模型，对其辨别精度也不做特别要求。由物体检测模型检测出的菌落图像的位置和范围例如表现为由圆形的边界圆或矩形的边界框(以下称为边界)包围的图像部分。由于菌落形状通常为圆形，所以比起使用矩形的边界框，使用圆形的边界圆更容易准确地检测菌落区域。即，边界圆的话，作为菌落区域和边界区域的重合比例的指标的iou(intersection of union)为更准确的值，因此，通过使物体检测模型中的损失函数包含iou，能够提高菌落的检测精度。在损失函数包含iou的情况下，学习步骤中的损失函数的收敛变得不好的情况多有发生，但通过将像distance iou等那样的附加项赋予损失函数，能够切实且高效地收敛。由物体检测模型检测出的菌落图像的位置和范围被输入菌落区域剪切部22。
63.菌落区域剪切部22从小图像中剪切出由边界圆或边界框所围的图像部分，该边界圆或边界框以由位置检测部21检测出的菌落的中心坐标为中心。剪切时，作为边界圆的半径或边界框的横向尺寸、纵向尺寸，可以按比检测出的菌落的大小大百分之几的半径或横向尺寸、纵向尺寸剪切。一般来说，剪切出的图像以矩形图像的形式保存，因此，在以圆形剪切的情况下，作为圆的外接正方形的图像保存。此时的圆外侧的像素值设定为零(zero-padding)或周边像素值的平均值。菌落的大小因菌落而异，而为了使后续的菌种分类部23的处理更有效率，优选统一为相同的图像尺寸，通过放大到剪切出的菌落图像之中最大的图像尺寸、或比其更大的图像尺寸，统一为全相同的图像尺寸，能够防止图像特征量消失，并且有效率地进行后续的分析。这样得到的菌落图像被输入菌种分类部23。
64.菌种分类部23是vgg、resnet、densenet等图像识别模型，其在被输入了包含一个单菌落且图像尺寸统一了的菌落图像后，对菌落图像进行图像识别处理，确定形成菌落图
像的菌种。由菌种分类部23识别与形成菌落的菌种有关的菌种群，至少输出表示形成菌落的菌种群、和该菌种群形成了该菌落的可信度的信息。菌种分类模型识别菌落的菌种所属的菌种群，不检测位置。
65.这样构成的单菌落学习模型2输出由位置检测部21检测出的单菌落的位置和菌种分类部识别出的菌种群。单菌落的位置例如通过包围菌落的图像部分的圆形或矩形的边界表现。通过将作为物体检测模型的位置检测部21和作为图像识别模型的菌种分类部23分别构成，能够精度良好地识别菌落的位置和菌种群。
66.此外，上述例子中，说明了将培养基图像分割成规定尺寸的小图像输入单菌落学习模型2的例子，但也可以构成为：使用与位置检测部21同样的物体检测模型检测培养基图像所含的单菌落，分割成包含检测出的单个单菌落的小图像，将分割后的小图像输入单菌落学习模型2。在这种情况下，单菌落的位置由物体检测模型确定，因此，单菌落学习模型2执行识别处理，识别形成了单菌落的菌种。单菌落学习模型2无需包括位置检测部21和菌落区域剪切部22。此外，小图像可以是包含由边界圆包围的圆形图像部分的图像，也可以是包含由边界框包围的矩形图像部分的图像。
67.＜单菌落学习模型2的生成方法＞
68.图5是表示单菌落学习模型2的生成处理顺序的流程图，图6是表示单菌落学习模型2用的学习用数据的做成方法的概念图。以下的说明中，说明菌种鉴定支援装置1使单菌落学习模型2进行机械学习的例子，但也可以由外部的其它计算机或服务器生成单菌落学习模型2。
69.首先，培养属于第一菌种群的菌种，取得包含该菌种形成的单菌落的培养基图像(第一图像)(步骤s11)。第一菌种群例如为革兰氏阳性球菌。同样，培养属于第二菌种群的菌种，取得包含该菌种形成的单菌落的培养基图像(第二图像)(步骤s12)。第二菌种群例如为革兰氏阴性球菌。
70.接下来，如图6所示，将在步骤s11和步骤s12取得的培养基图像分别分割成小图像(步骤s13)。然后，对包含属于第一菌种群的菌种的单菌落的小图像，附加表示菌落的位置和其为第一菌种群的训练数据，对包含属于第二菌种群的菌种的单菌落的小图像，附加表示菌落的位置和其为第二菌种群的训练数据，由此，做成学习用数据(步骤s14)。具体的训练数据的附加方法大致有机械式方法和手动式方法这两种，机械式方法是指：对在步骤s13分割出的小图像，通过基于大津算法的图像二值化和边缘检测以及圆检测等，将一定尺寸的圆形区域作为菌落，机械地识别菌落，并在此基础上赋予各菌种群的菌种名。手动式方法是指：对在步骤s13分割出的小图像，检查技师目视确认菌落，将该图像上的菌落坐标和菌落直径与各菌种群的菌种名一起记录。一般来说，通过在进行机械式方法之后进行手动式方法来修正遗漏或错误的顺序是有效率的。对于手动式方法，通过做成并使用软件能够有效率地赋予训练数据，该软件用于将在步骤s13分割出的小图像显示在画面上之后，通过鼠标操作，在该画面上标记菌落的位置和直径。此外，只要能一次做成学习用数据并生成单菌落学习模型2，就能将其也应用在其它菌种上(在这种情况下，包含很多的错误或遗漏)，通过上述手动式方法进行修正，能够有效率地做成训练数据。
71.接下来，通过使用在步骤s14中做成的学习用数据使物体检测模型(学习前的单菌落学习模型2)进行机械学习，生成单菌落学习模型2(步骤s15)。
72.具体来说，在输入了作为学习用数据的小图像的情况下，将从物体检测模型的输出层33输出的菌落的位置和菌种群与该小图像所附的训练数据表示的菌落的位置和菌种群相比较，优化物体检测模型的参数，以使输出结果接近正确值。该参数例如是各节点间的权重(结合系数)等。参数优化方法没有特别的限定，例如使用梯度下降法等进行各种参数的优化。
73.通过以上处理，能够生成单菌落学习模型2，其能够在被输入了包含单菌落的小图像的情况下，确定该小图像所含的单菌落的位置和菌种群以及包含该菌种群的可信度。单菌落学习模型2不能检测构成多菌落的一个或多个菌种分别形成的菌落的位置和菌种群，但能够精度良好地确定单菌落的位置和菌种群。
74.通常，构筑机械学习模型需要准备与测试数据同样的训练数据。即，由于成为测试数据的患者标本中含有多个菌种，所以，作为训练数据，需要对培养了多个菌种混合的标本的培养基进行菌种判别的结果，该判别可通过检查技师对菌种进行判别、或进行其它检查来进行。准备这些很花费用和时间，这就成了一个课题。因此，通过在预先分离了一个菌种或一个菌种群的细菌之后培养该菌，能够生成由一个菌种或一个菌种群构成的多个单菌落，能够容易地大量生成菌种或菌种群明确的学习数据。
75.即，通过使用包含一个菌种群的单菌落的小图像的学习用数据使单菌落学习模型2进行机械学习，而不是使用包含由多个菌种群构成的多个单菌落的小图像的学习用数据，能够有效率地对单菌落进行机械学习。另外，单菌落学习模型2由于是被输入将培养基图像以菌落为单位分割出的小图像的结构，所以上述学习方法是合适的，能够提高利用单菌落学习模型2检测菌种群的精度。
76.本实施方式1的菌种鉴定支援装置1确定的并不是准确的菌名分类，而是特定的菌种群。如后所述，在通过菌种鉴定支援装置1的图像处理确定了菌种群之后，通过生理
·
生化学试验、遗传学试验、ms分析等，能对所确定的菌种群进行验证和确定诊断。例如，作为同一生理
·
生化学试验等的对象有菌种a和菌种b的情况下，即便通过图像诊断没能判别出菌种a和菌种b，也能通过后续步骤的生理
·
生化学试验等对菌种a和菌种b进行确定诊断，因此完全不影响检查结果。所以，菌种鉴定支援装置1所要求的分类内容并不是准确的菌名分类，而是基于后续的生理
·
生化学试验等的同一菌种群名的分类。通过将学习用数据作为菌种群名而不是准确的菌名，能够根据菌种群的分类粒度阶段性提高菌种的分类精度，能够有效率地构筑单菌落学习模型2。
77.此外，上述例子中，为了使说明简单，说明了对革兰氏阳性球菌和革兰氏阴性球菌这两种菌种群进行机械学习的例子，但不言而喻，通过使用革兰氏阳性杆菌、革兰氏阴性杆菌、其它菌种群的培养基图像使单菌落学习模型2进行机械学习，能够识别其它菌种群。
78.另外，以上说明了菌种鉴定支援装置1生成单菌落学习模型2的例子，但也可以由外部服务器生成单菌落学习模型2，并将构成单菌落学习模型2所需的各种参数向菌种鉴定支援装置1发送。菌种鉴定支援装置1下载由外部服务器发送的各种参数，基于该参数构成单菌落学习模型2。
79.＜多菌落学习模型3的生成方法＞
80.图7是表示多菌落学习模型3的生成处理顺序的流程图，图8是表示多菌落学习模型3用的学习用数据的做成方法的概念图。以下，说明使用已学习的单菌落学习模型2做成
多菌落学习模型3用的学习用数据并进行机械学习的例子。
81.首先，菌种鉴定支援装置1取得包含单菌落和多菌落的培养基图像(步骤s31)，将所取得的培养基图像分割成小图像(步骤s32)。
82.接下来，菌种鉴定支援装置1通过形态分类部1b将多个小图像分类为包含单菌落的小图像和包含多菌落的小图像(步骤s33)。然后，如图8所示，菌种鉴定支援装置1通过将包含单菌落的小图像输入已学习的单菌落学习模型2，确定培养基图像所含的菌种群和包含该菌种群的可信度(步骤s34)。形成了单菌落的菌种被推定为也形成了多菌落，因此，由单菌落学习模型2确定的菌种群的细菌被认为是构成了多菌落的菌种的菌种群。
83.菌种鉴定支援装置1通过对包含多菌落的小图像附加表示步骤s34中确定出的一个或多个菌种群的训练数据，做成学习用数据(步骤s35)。
84.接下来，使用步骤s35中做成的学习用数据，使图像识别模型(学习前的多菌落学习模型3)进行机械学习，由此生成多菌落学习模型3(步骤s36)。
85.具体来说，在被输入了作为学习用数据的小图像的情况下，比较由图像识别模型的输出层33输出的一个或多个菌种群与该小图像所附的训练数据表示的一个或多个菌种群，优化图像识别模型的参数，以使输出结果接近正确值。该参数例如是节点间的权重(结合系数)等。参数优化方法没有特别的限定，例如使用梯度下降法等进行各种参数的优化。
86.通过以上处理，能够生成多菌落学习模型3，其能够在被输入了包含多菌落的小图像的情况下，确定该小图像所含的多菌落的菌种群和包含该菌种群的可信度。多菌落学习模型3这一模型，不能检测构成多菌落的一个或多个菌种分别形成的菌落的位置，但能够精度良好地识别形成多菌落的一个或多个菌种群。
87.此外，以上说明了菌种鉴定支援装置1生成多菌落学习模型3的例子，但也可以由外部服务器生成多菌落学习模型3，并将构成多菌落学习模型3所需的各种参数向菌种鉴定支援装置1发送。菌种鉴定支援装置1下载由外部服务器发送的各种参数，基于该参数构成多菌落学习模型3。
88.＜菌种鉴定支援方法＞
89.图9是表示菌种、包含该菌种的可信度、其菌量的鉴定步骤概要的流程图。检查技师培养菌种，以鉴定由医疗机构等从患者处采集的标本所含的菌种(步骤s51)。然后，检查技师对通过菌种培养而形成了菌落的培养基进行拍摄(步骤s52)，将拍摄所得的培养基图像输入菌种鉴定支援装置1，由此执行确定菌种群的图像诊断处理(步骤s53)。设定培养基图像含有单菌落和多菌落的。通过菌种鉴定支援装置1的图像诊断处理，可确定单菌落的位置、形成该单菌落的菌种群、包含该菌种群的可信度和隶属概率、及其菌量。另外，还可确定形成多菌落的一个或多个菌种群、包含该菌种群的可信度和隶属概率、及其菌量。
90.检查技师根据图像诊断处理的结果判断是否需要分离培养(步骤s54)。例如，在存在被判定为未形成单菌落而是包含在多菌落中的菌种群的情况下，检查技师判断需要分离培养。
91.在判断出需要分离培养的情况下(步骤s54：yes)，检查技师从多菌落提取细菌进行分离培养(步骤s55)，返回步骤s52的拍摄步骤。
92.在判定为不需要分离培养的情况下(步骤s54：no)，检查技师在从单菌落提取细菌之后，通过生理
·
生化学试验、遗传学试验、ms分析等(步骤s56)，进行图像诊断处理结果的
验证和确定诊断，鉴定菌种(步骤s57)。
93.图10是表示实施方式1的菌种鉴定支援方法的图像诊断的处理顺序的流程图。步骤s53中，菌种鉴定支援装置1执行以下处理。菌种鉴定支援装置1取得在步骤s52中拍摄的培养基图像(步骤s71)，对所取得的培养基图像执行噪声除去、裁剪等前处理(步骤s72)。
94.接下来，菌种鉴定支援装置1将培养基图像分割为小图像(步骤s73)，将分割出的多个小图像分类为包含单菌落的小图像和包含多菌落的小图像(步骤s74)。
95.菌种鉴定支援装置1通过将包含单菌落的小图像输入到单菌落学习模型2，确定单菌落的位置、菌种群和包含该菌种群的可信度(步骤s75)。
96.接下来，菌种鉴定支援装置1使用上述变换函数，由步骤s75中算出的可信度算出隶属概率(步骤s76)。
97.接下来，菌种鉴定支援装置1算出形成培养基所含的一个或多个单菌落的菌种的菌量(步骤s77)。例如，菌种鉴定支援装置对分割培养基图像而成的多个小图像根据从单菌落学习模型输出的信息按多个菌种群的每一个统计单菌落的数，由此能够算出菌量。对一个菌种群，统计各小图像所含的单菌落的数。然后，合计各小图像所含的单菌落的数，由此，能够求出属于培养基图像所含的一个菌种群的菌种形成的单菌落的数。这样算出的单菌落的数相当于属于一个菌种群的菌种的菌量。对一个或多个其它菌种群也能同样地求出菌量。
98.另外，菌种鉴定支援装置1通过将包含多菌落的小图像输入多菌落学习模型3，确定形成多菌落的一个或多个菌种群和包含该菌种群的可信度(步骤s78)。
99.接下来，菌种鉴定支援装置1使用上述变换函数，由步骤s78中算出的可信度算出隶属概率(步骤s79)。
100.接下来，菌种鉴定支援装置1算出形成培养基所含的一个或多个多菌落的菌种的菌量(步骤s80)。
101.例如，菌种鉴定支援装置1根据培养基图像所含的多菌落的面积推定形成多菌落的菌种的菌量。具体来说，菌种鉴定支援装置1中存储有将多菌落的面积和菌量建立对应关系的对应表或函数，菌种鉴定支援装置1使用该对应表或函数由多菌落的面积算出该多菌落所含的菌种的菌量。在多菌落中包含多个菌种的情况下，根据该多个菌种形成的单菌落的比例，将形成多菌落的各菌种的菌量的总数按该比例分配给各菌种算出近似菌量即可。
102.在使用多菌落面积的方法中，将预先调整了菌液浓度的菌液涂布到培养基上，在一定的培养时间后，在测定菌落覆盖培养基表面的多个面积的基础上，做成菌液浓度与面积的对应表，或者，计算以面积为解释变量、以菌液浓度为目标变量的线形回归方程，由此能够由面积算出菌液浓度。通过将菌液浓度与标本量相乘，能够算出菌量。
103.作为其它方法，菌种鉴定支援装置1根据培养基图像中的单菌落的分布密度推定形成多菌落的菌种的菌量。具体来说，菌种鉴定支援装置1中存储有将特定菌种形成的单菌落的分布密度与形成多菌落的该菌种的菌量建立了对应关系的对应表或函数，菌种鉴定支援装置1使用该对应表或函数，由单菌落的分布密度算出该多菌落所含的菌种的菌量。
104.使用分布密度的方法如下：在将预先调整了菌液浓度的菌液用接种环或磁珠等涂布到培养基上时，设定每次相同的涂布路径，在一定的培养时间之后，统计可检测出的单菌落的数，求出单菌落数与菌液浓度的对应关系(对应表或线性回归方程)。此外，通过将菌液
浓度与标本量相乘，能够算出菌量。
105.接下来，对各个菌种或菌种群，菌种鉴定支援装置1通过将步骤s77中算出的菌量和步骤s80中算出的菌量相加，算出各菌种和菌种群的菌量(步骤s81)。
106.接下来，菌种鉴定支援装置1执行确定固有菌等后处理(步骤s82)。菌种鉴定支援装置1受理作为分析对象的标本的种类。菌种鉴定支援装置1中存储有将标本的种类与固有菌的种类及浓度建立了对应关系的对应表。菌种鉴定支援装置1将受理的标本的种类作为关键字，由对应表确定固有菌。
107.接下来，菌种鉴定支援装置1执行将图像处理结果显示于显示部15的显示处理(步骤s83)，结束处理。
108.图11是表示实施方式1的显示处理顺序的流程图。菌种鉴定支援装置1将结果显示画面6显示于显示部15(步骤s91)。
109.图12是表示结果显示画面6的一例的示意图，图13是表示菌种隶属概率等显示部62的一例的示意图。结果显示画面6包含培养基图像显示部61、菌种隶属概率等显示部62、和修正操作部63，培养基图像显示部61显示培养基图像，菌种隶属概率等显示部62显示确定出的菌种群、隶属概率和菌量等，修正操作部63用于修正确定出的菌种。
110.如图13所示，菌种隶属概率等显示部62将形成单菌落或多菌落的多个菌种群的菌种名一览显示。与各菌种名对应地显示该菌种群的隶属概率显示部、菌量、菌量的比例。
111.隶属概率显示部包含表示0～1的值的标尺。标尺上可显示表示该菌种群的隶属概率的最大值的图像，例如上箭头图像。另外，标尺上可显示表示指定概率的下箭头图像，该指定概率用于指定要做标记或遮挡的单菌落的对象。用户通过将下箭头图像左右拖动能够改变指定概率。另外，标尺上可显示形成培养基图像所含菌落的各菌种群的隶属概率的频率分布。
112.另外，菌种隶属概率等显示部62与各菌种名对应地显示复选框，该复选框用于表示是否为固有菌。对于步骤s82中确定为固有菌的菌种，可在复选框中显示选中图像。用户能够通过手动操作对表示是否为固有菌的复选框实施选中、取消选中，并记录选中内容。
113.另外，菌种隶属概率等显示部62与各菌种名对应地显示用于对特定单菌落显示标记图像61a或遮挡图像61b、61c的第一复选框和第二复选框，第一复选框用“显示(低概率)”表现，第二复选框由“显示(高概率)”表现。在第一复选框被勾选的情况下，对由具有指定概率以下隶属概率的菌种群的菌种形成的单菌落显示标记图像61a等。在第二复选框被勾选的情况下，对由具有指定概率以上隶属概率的菌种群的菌种形成的单菌落显示标记图像61a等。在第一和第二复选框的勾选被取消的情况下，标记图像61a等不再显示。
114.另外，菌种隶属概率等显示部62与各菌种名对应地显示多个复选框，该多个复选框用于指定在勾选了第一复选框或第二复选框时显示的标记或遮挡等的显示方式，用“突出”、“遮挡(其它)”、“遮挡(目标)”表现。
115.图14a、图14b和图14c是表示标记和遮挡的一例的示意图。在“突出”的复选框被勾选的情况下，如图14a所示，菌种鉴定支援装置1将标记图像61a显示在培养基图像中，该标记图像61a包围具有指定概率以上或不足指定概率的隶属概率的单菌落。在“遮挡(其它)”的复选框被勾选的情况下，如图14b所示，菌种鉴定支援装置1显示遮挡图像61b，该遮挡图像61b遮挡具有指定概率以上或不足指定概率的隶属概率的单菌落以外的图像部分。在“遮
挡(目标)”的复选框被勾选的情况下，如图14c所示，菌种鉴定支援装置1显示遮挡图像61c，该遮挡图像61c遮挡具有指定概率以上或不足指定概率的隶属概率的单菌落。
116.回到图11，结束步骤s91的处理后的菌种鉴定支援装置1，如上所述，在菌种隶属概率等显示部62显示形成单菌落和多菌落的菌种所属的菌种群的菌种名、隶属概率、菌量等(步骤s92)。
117.对在框图像中显示的菌种群的菌种名，菌种鉴定支援装置1将其菌量或全菌量中的菌量比例以降序或升序列表显示，由此，检查技师能够容易地把握标本所含的菌种群的比例。尤其是通过把握形成单菌落和多菌落的菌种群，步骤s54中分离培养的必要性判断变得容易，有助于防止菌种判定错误。
118.在进行分析以确定患者感染的细菌时，固有菌的存在有时会成为阻碍，因此根据需要设定为不显示一定数的菌量以下的固有菌。已知的固有菌有多种，例如，喀痰标本中的α-streptococcus、鼻涕中的凝固酶阴性葡萄球菌等。在菌量多的情况下，有时不会判断为固有菌，因此，要通过标本材料、菌量、菌种的组合判断是否为固有菌(步骤s82中确定)，通过将固有菌在上述框图像中的颜色等设定为与其它菌种群不同，来实现不妨碍分析的显示设定。
119.结束步骤s92的处理的菌种鉴定支援装置1，通过菌种隶属概率等显示部62的标尺中显示的下箭头图像接受指定概率(步骤s93)。另外，菌种鉴定支援装置1通过“突出”、“遮挡(其它)”、“遮挡(目标)”的复选框接受显示方式(步骤s94)。然后，菌种鉴定支援装置1将与所接受的指定概率和显示方式对应的标记图像61a或遮挡图像61b、61c重叠显示在培养基图像上(步骤s95)。
120.菌种鉴定支援装置1执行处理，将通过步骤s75的处理确定的单菌落的位置变换为小图像分割前的培养基图像中的位置。
121.然后，菌种鉴定支援装置1将表示步骤s75等的处理结果的图像重叠显示在培养基图像上、或与培养基图像并排显示。例如，菌种鉴定支援装置1将表示单菌落的位置、大小和菌种群的圆形或矩形的边界与培养基图像重叠显示。边界包括：包围单菌落的图像部分的圆形或矩形的框图像、和表示菌种群的文字或记号或框图像的颜色或框图像内侧区域的表示菌种群的透明色。菌种鉴定支援装置1在多菌落的图像部分或其附近显示表示形成多菌落的一个或多个菌种群的文字或记号或框图像的颜色或框图像内侧区域的表示菌种群的透明色。表示菌种群的框图像的颜色或透明色，根据由步骤s75和步骤s76的处理输出的、各菌落的菌种群的可信度和隶属概率设定颜色的浓淡或从蓝到红的色彩梯度等，并且，对于比所设定的阈值大或小的可信度和隶属概率，设定为可通过切换按钮切换是否显示框图像的颜色或透明色。
122.另外，菌种鉴定支援装置1通过修正操作部63接受对所确定的菌种的修正(步骤s96)。
123.例如，菌种鉴定支援装置1接受对培养基图像上的特定单菌落图像的选择。例如，通过鼠标指针双击，用户能够选择特定的单菌落图像。在选择了特定的单菌落图像的情况下，如图12所示，菌种鉴定支援装置1显示修正操作部63。
124.修正操作部63显示确认复选框、可形成所选择的单菌落的多个菌种群的菌种名、以及各菌种群形成了单菌落的可信度或隶属概率。另外，修正操作部63显示菌种名输入部，
菌种名输入部用于输入列表显示的菌种名以外的菌种群的名称。
125.在将菌种鉴定支援装置1实施的菌种推定作为一次影像解读的情况下，检查技师确认其结果相当于二次影像解读，进行二次影像解读的检查技师能够通过修正操作部63确认作为候选的菌种名、可信度或隶属概率。检查技师确认菌落图像和菌种名的对应关系正确，通过对确认复选按钮进行操作，能够存储检查技师的确认历史记录。检查技师通过选中与单菌落学习模型2确定出的可信度最高的菌种名不同的菌种名的确认复选按钮，能够指示对菌种名的修正。另外，检查技师能够将未列表显示在修正操作部63的菌种名输入菌种名输入部。菌种名输入部例如是下拉列表，检查技师能够从下拉列表中一览显示的菌种中选择合适的菌种。
126.也可以与菌种名输入部对应地显示确认复选按钮。在其他检查技师进行三次影像解读时，能够在菌种名输入部判断为正确的情况下选中该复选按钮。
127.菌种鉴定支援装置1存储步骤s96中接受的二次影像解读的确认结果、确定出的菌种的变更内容(步骤s97)。
128.按照这样构成的菌种鉴定支援装置1等，能够确定多菌落所含的多个菌种群、包含该菌种群的可信度和隶属概率、以及菌量。另外，能够确定形成单菌落的菌种群、包含该菌种群的可信度和隶属概率、以及菌量。
129.一般来说，通过拍摄装置能获得高分辨率的图像，而图像检测和分类所需的计算机存储器和gpu等的处理能力相对低，容易成为计算机处理的瓶颈。因此，一般会通过缩小培养基图像来实现计算机处理，但在这种情况下，对菌种鉴定来说重要的图像特征量有可能丢失。为此，本实施方式1中，并不缩小培养基图像，而是将其分割成多个小图像，通过将该小图像输入单菌落学习模型2和多菌落学习模型3，能够提高检测精度。
130.单菌落学习模型2包括主要进行菌落的位置检测的位置检测部21、和通过图像识别来确定形成菌落的菌种群及包含该菌种群的可信度的菌种分类部23，通过使检测处理和分类处理相独立，能够提高菌种群的确定精度。
131.另外，单菌落学习模型2和多菌落学习模型3构成为确定菌种群而非准确的菌名分类，由此能够提高菌种的分类精度。
132.另外，本实施方式1中，如图6所示，分别培养多个菌种群做成学习用数据，使单菌落学习模型2进行学习。因此，能够容易地做成单菌落学习模型2用的学习用数据。另外，通过对单菌落学习模型2输入包含单菌落的小图像，使用上述学习用数据生成的单菌落学习模型2能够高精度地确定单菌落的位置和菌种群、包含该菌种群的可信度。通过精度良好地确定出的可信度，能够算出高精度的隶属概率。另外，根据精度良好地确定出的单菌落的位置和菌种群、包含该菌种群的可信度，也能够精度良好地算出菌量。
133.另外，本实施方式1中，如图8所示，通过利用单菌落学习模型2，能够容易地做成多菌落学习模型3用的学习用数据。
134.此外，实施方式1中，说明了鉴定菌种群的例子，但也可以确定菌种。
135.(实施方式2)
136.实施方式2的菌种鉴定支援装置1与实施方式1的不同之处在于学习用数据的做成方法。菌种鉴定支援装置1的其它结构与实施方式1的菌种鉴定支援装置1相同，因此对同样的部位标注同一附图标记，并省略详细的说明。
137.图15是表示实施方式2的学习用数据的做成方法的流程图。实施方式2中，检查技师为了做成学习用数据，开始多个种类的菌种群的单独培养(步骤s211)，在第一时刻拍摄培养基图像(步骤s212)。第一时刻是相当于单菌落被形成的初期阶段的时刻。在这一时刻，能够精度良好地检测培养基图像中的单菌落的中心位置，但难以确定菌种群。
138.菌种鉴定支援装置1取得在第一时刻拍摄的培养基图像(步骤s213)，根据所取得的培养基图像检测单菌落的中心位置(步骤s214)。
139.接下来，检查技师在第二时刻拍摄培养基图像(步骤s215)。第二时刻是单菌落成为足够的大小、菌种群能确定的时刻。在第二时刻，多菌落尚未形成。
140.菌种鉴定支援装置1取得在第二时刻拍摄的培养基图像(步骤s216)，确定单菌落的菌种群和隶属概率(步骤s217)。
141.接下来，检查技师在第三时刻拍摄培养基图像(步骤s218)。在第三时刻，多菌落被形成。
142.菌种鉴定支援装置1取得在第三时刻拍摄的培养基图像(步骤s219)，通过确定多菌落的图像部分，并将该图像部分分割为小图像，做成多菌落的小图像(步骤s220)。
143.菌种鉴定支援装置1通过对包含多菌落的小图像附加表示在步骤s217中确定出的一个或多个菌种群的训练数据，做成学习用数据(步骤s221)。
144.此外，在第三时刻，也有可能生长为具有能确定菌种群的尺寸的单菌落。因此，也可以将在步骤s217中确定的菌种群和基于第三时刻的培养基图像确定的菌种群作为训练数据附加到多菌落的小图像。
145.在此，能用于确定单菌落的菌种群的培养基图像有第一时刻、第二时刻、第三时刻这三种，也可以对每种都推定单菌落的位置和菌种群，将推定出的菌种群的隶属概率在多个时刻进行比较，采用具有最高隶属概率的菌种群名作为该位置的单菌落的菌种群名。
146.接下来，通过使用在步骤s221中做成的学习用数据，使图像识别模型(学习前的多菌落学习模型3)进行机械学习，生成多菌落学习模型3(步骤s222)。
147.按照实施方式2的菌种鉴定支援装置1，能够提高多菌落学习模型3用的训练数据的精度，即菌种群的准确性。因此，能够提高多菌落学习模型3的识别精度，菌种鉴定支援装置1能够精度更好地确定多菌落所含的一个或多个菌种群。另外，通过统计第三时刻的多菌落所含的单菌落(第一时刻)的数，确定第三时刻的形成多菌落的菌种(第二时刻)，能够按菌种对第三时刻的形成了多菌落的单菌落进行计数。进一步，通过使该数加上按菌种对在第三时刻未形成多菌落的单菌落计数得到的数，能够确定在涂布到培养基的时刻的、标本中的各菌种的菌量(菌数)。此外，在将标本涂布到培养基之前稀释了标本的情况下，通过乘以其稀释率的倒数，能够确定标本中各菌种的菌量的浓度。
148.此外，这里说明了多菌落学习模型3的生成方法，但也可以使用步骤s214和步骤s217中检测和确定出的单菌落的位置和菌种群作为训练数据，使单菌落学习模型2进行机械学习。
149.(实施方式3)
150.实施方式3的菌种鉴定支援装置301与实施方式1的不同之处在于多菌落学习模型3的结构。菌种鉴定支援装置301的其它结构与实施方式1的菌种鉴定支援装置1相同，因此，对同样的部位标注同一附图标记，并省略详细说明。
151.图16是表示实施方式3的菌种鉴定支援装置301的结构例的框图。实施方式3的菌种鉴定支援装置301的存储部13包括第一多菌落学习模型303a和第二多菌落学习模型303b。
152.第一多菌落学习模型303a是与实施方式1的多菌落学习模型3相同的图像识别模型，精度良好地确定多菌落所含的一个或多个菌种群及其可信度。
153.第二多菌落学习模型303b是yolov3、u-net、faster rcnn、ssd等物体检测模型或图像分割模型，其检测形成多菌落的多个菌落区域，算出形成了各菌落的菌种群及其可信度。由第二多菌落学习模型303b检测出的菌落图像的位置和区域被表现为例如由圆形或矩形的边界、或不规则形状的边界线包围的图像部分。但是，与单菌落学习模型2或第一多菌落学习模型303a相比，第二多菌落学习模型303b要学习的图像特征量容易变得复杂，区域检测精度、菌种群的确定精度容易变低。
154.第二多菌落学习模型303b的生成方法如下。将包含多菌落的培养基图像分割成小图像。然后，通过对小图像附加表示小图像所含的菌落的区域和菌种群的训练数据，做成学习用数据。训练数据在确认培养基图像和小图像后手动做成。接下来，通过使用做成的学习用数据使物体检测模型(学习前的第二多菌落学习模型303b)进行机械学习，生成第二多菌落学习模型303b。
155.图17是表示实施方式3的菌种鉴定支援方法的图像诊断处理顺序的流程图。实施方式3的菌种鉴定支援装置301在步骤s371至步骤s375中执行与实施方式1的步骤s71至步骤s77同样的处理。但是，在图17中，省略了对隶属概率和菌量的算出处理的图示。
156.接下来，菌种鉴定支援装置301通过将包含多菌落的小图像输入第一多菌落学习模型303a，确定形成多菌落的一个或多个菌种群和包含该菌种群的可信度(步骤s376)。另外，与实施方式1同样算出隶属概率和菌量，图17中省略了其图示。
157.然后，菌种鉴定支援装置301基于步骤s375和步骤s376的确定结果，判定有无单菌落中不含但多菌落中包含的菌种群(步骤s377)。接下来，菌种鉴定支援装置301通过将包含多菌落的小图像输入第二多菌落学习模型303b，确定形成多菌落的各菌落的位置和菌种群及其可信度或隶属概率(步骤s378)。步骤s378的处理可以仅在单菌落中不含但多菌落中包含的菌种群存在的情况下执行。此外，步骤s377中得到的、单菌落中不含但多菌落中包含的菌种群是否真的存在，能够通过以下方法确定，即，将作为候选的菌种群另行分离培养，在作为单菌落分离之后，通过实施方式1的方法确定该单菌落的菌种群。通过将步骤s377中的输出数据替换为该确定出的菌种群，能够提高第二多菌落学习模型303b的判别精度。
158.菌种鉴定支援装置301执行确定固有菌等的后处理(步骤s379)，将图像处理结果显示于显示部15(步骤s380)，结束处理。
159.例如，菌种鉴定支援装置301可以将步骤s378中确定出的、形成多菌落的菌落的位置和菌种群的信息与步骤s377的判定结果一起显示于显示部15。具体来说，菌种鉴定支援装置301可以在多菌落的图像部分或其附近，作为第一多菌落学习模型303a的识别结果，显示表示形成多菌落的一个或多个菌种群的文字、符号、框图像的颜色，或在框图像内侧的区域显示表示该菌种群的透明色，并且，作为第二多菌落学习模型303b的识别结果，显示包围形成多菌落的多个菌落的不规则形状的区域(以下称为不规则形状的边界)。该区域包含包围形成多菌落的各菌落的图像部分的框图像、以及对表示菌种群的文字或符号或框图像的
颜色或框图像内侧区域上的表示菌种群的透明色。此外，无需将所有的菌落都用不规则形状的边界包围起来，只要对一部分菌落显示不规则形状的边界即可。另外，菌种鉴定支援装置301也可以将表示单菌落中不含但多菌落中包含的菌种群的不规则形状的边界选择性地重叠显示在培养基图像上。
160.检查技师以菌种鉴定支援装置301的输出结果为参考，对埋没在多菌落中未被充分分离和鉴定的菌种群，能够从多菌落中提取细菌进行分离培养。具体来说，根据步骤s377的判定结果，检查技师能够确认单菌落中不含但埋没在多菌落中的菌种群存在的可能性。另外，根据步骤s378的确定结果，能够推定这样的菌种群的存在位置。
161.除了上述说明，还附记以下事项。
162.(附记1)
163.一种菌种鉴定支援方法，
164.取得包含多菌落的培养基的图像，所述多菌落由所培养的多个种类的细菌形成的多个菌落聚集而成，
165.通过将所取得的图像输入多菌落学习模型，确定多菌落所含的多个菌种，所述多菌落学习模型在被输入包含多菌落的图像的情况下，进行图像识别，输出表示形成该多菌落的细菌的种类的信息。
166.(附记2)
167.根据附记1所述的菌种鉴定支援方法，
168.取得包含单菌落和多菌落的培养基的图像，所述单菌落由所培养的细菌形成，所述多菌落由所培养的多个种类的细菌形成的多个菌落聚集而成，
169.通过将所取得的图像输入单菌落学习模型，确定单菌落的位置和菌种，所述单菌落学习模型在被输入包含单菌落的图像的情况下，输出表示该单菌落的位置和形成该单菌落的菌种的信息，
170.通过将所取得的图像输入所述多菌落学习模型，确定多菌落所含的多个菌种。
171.(附记3)
172.根据附记2所述的菌种鉴定支援方法，
173.所述多菌落学习模型输出表示多菌落所含的多个菌种的信息，不识别构成多菌落的多个菌种的菌落的位置。
174.(附记4)
175.根据附记2或附记3所述的菌种鉴定支援方法，
176.将所取得的培养基的图像分割成多个小图像，
177.通过所分割的小图像输入所述单菌落学习模型，确定单菌落的位置和菌种。
178.(附记5)
179.根据附记2至附记4中任意一项所述的菌种鉴定支援方法，
180.所述单菌落学习模型，
181.使用物体检测模型检测单菌落的位置和大小，
182.剪切包含单个单菌落的图像，
183.通过将剪切出的图像输入图像识别模型，确定单菌落的菌种。
184.(附记6)
185.根据附记2或附记3所述的菌种鉴定支援方法，
186.将所取得的培养基的图像分割成包含单个单菌落的多个小图像，
187.通过将所分割的小图像输入所述单菌落学习模型，确定单菌落的位置和菌种。
188.(附记7)
189.根据附记6所述的菌种鉴定支援方法，
190.将比确定出的单菌落大的菌落确定为多菌落，
191.通过将确定出的多菌落的图像输入所述多菌落学习模型，确定多菌落所含的多个菌种。
192.(附记8)
193.根据附记2至附记7中任意一项所述的菌种鉴定支援方法，
194.所述单菌落学习模型输出的表示菌种的信息是表示特定的菌种的群的信息。
195.(附记9)
196.根据附记2至附记8中任意一项所述的菌种鉴定支援方法，
197.确定菌种形成单菌落的概率，该菌种是被确定为形成该单菌落的菌种。
198.(附记10)
199.根据附记9所述的菌种鉴定支援方法，
200.显示确定出的菌种和所述概率。
201.(附记11)
202.根据附记10所述的菌种鉴定支援方法，
203.接受指定概率，
204.与培养基的图像一起显示下述图像：
205.标记具有所接受的指定概率以上或指定概率以下的所述概率的单菌落的图像、
206.遮挡具有指定概率以上或指定概率以下的所述概率的单菌落以外图像的图像、或者
207.遮挡具有指定概率以上或指定概率以下的所述概率的单菌落的图像。
208.(附记12)
209.根据附记2至附记11中任意一项所述的菌种鉴定支援方法，
210.算出形成培养基所含的一个或多个单菌落的菌种的菌量。
211.(附记13)
212.根据附记1至附记12中任意一项所述的菌种鉴定支援方法，
213.算出被确定为形成多菌落的所述多个菌种形成了该多菌落的概率。
214.(附记14)
215.根据附记1至附记8中任意一项所述的菌种鉴定支援方法，
216.算出形成培养基所含的一个或多个多菌落的菌种的菌量。
217.(附记15)
218.根据附记1至附记14中任意一项所述的菌种鉴定支援方法，
219.接受对确定出的菌种的种类的修正，
220.在接受了修正的情况下，改变确定出的菌种的种类。
221.(附记16)
222.一种单菌落学习模型的生成方法，该单菌落学习模型在被输入包含由所培养的细菌形成的单菌落培养基的图像的情况下，输出表示该单菌落的位置和形成该单菌落的菌种的信息，
223.取得第一图像和第二图像，所述第一图像包含由所培养的第一菌种的细菌形成的单菌落，所述第二图像包含由所培养的第二菌种的细菌形成的单菌落，
224.将所取得的第一图像和第二图像分割成包含一个单菌落的小图像，
225.通过对第一图像和第二图像的各个小图像附加表示第一菌种的训练数据和表示第二菌种的训练数据，做成学习用数据，
226.使学习模型进行机械学习，使得在被输入第一图像的小图像的情况下，输出表示训练数据所示的第一菌种的信息，在被输入第二图像的小图像的情况下，输出表示训练数据所示的第二菌种的信息。