Provided are a machine learning device and method which enable machine learning of labeling, in which a plurality of labels are attached, at once and with a high degree of accuracy, to volume data using learning data having label attachments intermingled therein. A probability calculation unit (14) calculates, according to a teacher model (13a) in which learning has been completed, a value (soft label) indicating the likelihood of labeling a class Ci for each voxel of a second slice image. A detection unit (15) detects a "bronchial tube" and a "blood vessel" for the voxels of the second slice image by means of a commonly-known method such as a region expansion method, and performs labeling of the "bronchial tube" and the "blood vessel". A correction probability setting unit (16) replaces the soft label with a hard label of "bronchial tube" or "blood vessel", which was detected by the detection unit (15). A distillation unit (17) carries out distillation of a student model (18a) from the teacher model (13a) using the soft label after correction by the correction probability setting unit (16). Thereby, the student model (18a) in which learning was completed can be obtained.L'invention concerne un dispositif et un procédé d'apprentissage automatique qui permettent l'apprentissage automatique d'un étiquetage, dans lequel une pluralité d'étiquettes sont attachées, immédiatement et avec un degré élevé de précision, à des données de volume à l'aide de données d'apprentissage ayant des attaches d'étiquette entremêlées à l'intérieur de celles-ci. Une unité de calcul de probabilité (14) calcule, selon un modèle d'enseignant (13a), dans lequel l'apprentissage a été achevé, une valeur (étiquette souple) indiquant la probabilité de marquer une catégorie Ci pour chaque voxel d'une seconde image de tranche. Une unité de détection (15) détecte un "tube bronchique" et un "vaisseau sanguin" pour les voxels de la seconde image de tranche au moyen d'un procédé communément connu tel qu'
