Provided are a machine learning device and method that are capable of preparing, from volume data for learning, divided data suitable for machine learning. A machine learning unit (15) uses a loss function (Loss) to calculate the detection accuracy of each organ O(j, i) in a prediction mask Pj. However, the machine learning unit (15) does not calculate the detection accuracy of an organ O(k)i having a volume ratio A(k)i<；Th. In other words, the machine learning unit (15) ignores the detection accuracy of an organ O(k)i having a volume ratio that is low to a fixed extent in a prediction mask Pk. The machine learning unit (15) changes each coupling load of a neural network (16) from an output layer side to an input layer side in accordance with the loss function (Loss).L'invention concerne un dispositif et un procédé d'apprentissage machine qui sont capables de préparer, à partir de données de volume pour l'apprentissage, des données divisées appropriées pour un apprentissage machine. Une unité d'apprentissage machine (15) utilise une fonction de perte (Perte) pour calculer la précision de détection de chaque Organe O (j, i) dans un masque de prédiction Pj. Cependant, l'unité d'apprentissage machine (15) ne calcule pas la précision de détection d'un organe O(k)i ayant un rapport de volume A(k)i<；Th. En d'autres termes, l'unité d'apprentissage machine (15) ignore la précision de détection d'un organe O(k)i ayant un rapport de volume qui est faible à une étendue fixe dans un masque de prédiction Pk. L'unité d'apprentissage machine (15) change chaque charge de couplage d'un réseau neuronal (16) d'un côté couche de sortie à un côté couche d'entrée conformément à la fonction de perte (Perte).学習用のボリュームデータから機械学習に適した分割データを用意することの可能な機械学習装置および方法を提供する。機械学習部（１５）は、予測マスクPjにおける各臓器O(j, i)の検出精度を、損失関数Lossを用いて算出する。ただし、体積比A(k)i<；Thとなる臓器O(k)iの検出精度は算出しないものとする。すなわち、予測マスクPkにおいて、体積比が一定程度小さい臓器O(k)iの検出精度は無視する。機械学習部（１５）は、損失関数Lossに応じて、ニューラルネットワーク（１６）の各結合荷重を出力層側から入力層側へ変化させていく。
