Wie Deep Learning Inspektionen für die Biowissenschaftsbranche automatisiert

Wie Deep Learning Inspektionen für die Biowissenschaftsbranche automatisiert

Quelle des ursprünglichen Artikels: Autor Brian Benoit

Die Biowissenschaftsbranche ist bekannt für kapitalintensive Forschung und medizinische Geräte, die die Verfahren der medizinischen Bildgebung, der Probenprüfung und der Arzneimittelherstellung vorangebracht haben. Diese Geräte verfügen über in ihr Design integrierte Bildverarbeitungsfunktionen.

Für bestimmte Laborautomatisierungsanwendungen kann die maschinelle Bildverarbeitung jedoch nicht ausreichend mit der Flexibilität des menschlichen Geistes übereinstimmen, um urteilsbasierte Entscheidungen zu treffen. Computer werden bekanntermaßen durch unruhige Hintergründe und Probleme mit der Bildqualität, wie z. B. spiegelnde Blendung, verwirrt. Dies macht es für herkömmliche Bildverarbeitungsalgorithmen unglaublich schwierig, ein Objekt oder einen interessierenden Bereich genau zu lokalisieren, insbesondere um Anomalien inmitten einer unstrukturierten Szene zu identifizieren. Es kann für automatisierte Systeme zeitaufwändig und schwierig, wenn nicht sogar unmöglich sein, Interessenbereiche erfolgreich zu identifizieren, während irrelevante Merkmale ignoriert werden.

Heute können diese Anwendungen jedoch durch Durchbrüche in der auf Deep Learning basierenden Bildanalyse automatisiert werden, sodass sie zuverlässig und wiederholt ausgeführt werden – im Sprachgebrauch der maschinellen Bildverarbeitung „robust“.

DOWNLOAD:Lösungsleitfaden für Deep Learning für Biowissenschaften

Fehlererkennung in den Biowissenschaften

Klinische und Forschungsmikroskopie-Anwendungen, die früher eine menschliche Inspektion erforderten, werden durch die Anwendung von Deep-Learning-basierter Bildanalyse neu erfunden. Pathologische und histologische Proben erfordern beispielsweise eine genaue Fehlererkennung und -segmentierung trotz der variablen und unvorhersehbaren Muster der Fehler.

Wenn Sie die Herausforderung in Betracht ziehen, Zellanomalien und Zellschäden auf einem histologischen Objektträger (Zellgewebe) zu erkennen, sind die potenziellen visuellen Erscheinungen umwerfend.

Eine Krebszelle kann in verschiedenen Größen und Formen auftreten, und ihre verschiedenen Formen sind in den meisten Fällen unterschiedlicher als ähnlich. Es ist praktisch unmöglich, einem Inspektionssystem beizubringen, alle möglichen Anomalien ohne umfangreiche Programmierung zu identifizieren, und selbst dann ist die Möglichkeit einer falschen Identifizierung oder Zurückweisung hoch. In einer solchen Situation bietet die auf Deep Learning basierende Bildanalyse im unbeaufsichtigten Modus eine äußerst genaue und effiziente Inspektionsmethode.

In unserer Anwendung zur Erkennung von Zellanomalien verwendet ein Schulungsingenieur Musterbilder möglicher Zellanomalien wie Krebs, um der Software beizubringen, das normale Erscheinungsbild einer Zelle oder von Zellclustern zu konzeptualisieren und zu verallgemeinern. Diese Objektträger sind als „gute“ Beispiele für gesunde Zellen gekennzeichnet und berücksichtigen normale gesunde Zellvarianten wie Mitose. Dann werden während der Laufzeit alle Variationen als anomal gekennzeichnet und zeigen wahrscheinlich Zellschäden an. Diese Anwendung erfordert einen weiteren Schritt.

Sobald eine Zelle oder ein Zellcluster markiert ist, muss der bestimmte interessierende Bereich zur weiteren Überprüfung in Echtzeit dynamisch segmentiert werden. Die Zelle weist schließlich potenzielle Schäden auf, weil ihr Aussehen von der Norm abweicht, aber sie ist nicht unbedingt krebsartig. Diese Abweichungen könnten durch Artefakte auf dem Objektträger verursacht werden.

Normalerweise müsste ein menschlicher Inspektor – wahrscheinlich ein Pathologe – diese Untergruppe von Proben überprüfen, um eine sichere Diagnose zu stellen. Aber auch hier kann die auf Deep Learning basierende Software von Cognex ihren Algorithmus erneut über die Teilmenge der Zielzonen laufen lassen – diesmal mit Umschulung im überwachten Modus –, um zwischen „gut“ (tolerierbar, nicht beschädigt) und „schlecht“ (pathologisch, beschädigt) zu analysieren ) Zellen.

Optische Zeichenerkennung für Biowissenschaften

Viele medizinische Anbieter verlassen sich zur Rückverfolgbarkeit und zur Erfüllung von Sicherheitsvorschriften auf die automatische Identifizierung. Von Menschen lesbare alphanumerische Zeichen können der Kamera eines automatisierten Inspektionssystems leicht als deformiert erscheinen, wenn sie auf dehnbarem, formbarem Material wie einem IV-Beutel vorhanden sind. Spiegelungen und Reflexionen können das System ebenfalls verwirren und das natürliche Erscheinungsbild des Codes verdecken und verändern.

Auch ohne diese visuellen Variationen kann es immer noch immens zeitintensiv sein, einem Bildverarbeitungssystem beizubringen, verschiedene Schriftarten zu erkennen, beispielsweise im Fall der optischen Zeichenprüfung (OCV), wenn das Inspektionssystem nicht vorhersehen kann, welchen Schriftartstil es wird begegnen. Hier kann sich eine vortrainierte Omni-Font-Bibliothek als nützlich erweisen. Ein auf Deep Learning basierendes Tool, das für die Erkennung verschiedener Schriftarten vortrainiert ist, funktioniert im Wesentlichen sofort. Es ist kein bildbasiertes Training im Voraus erforderlich, und das minimale Training, das stattfindet, findet nur an fehlenden Zeichen statt, um die Logik des Modells zu verfeinern.

Die schnelle, einfache Implementierung und begrenzte Anwendungsanpassungen machen die auf Deep Learning basierende OCR zu einer offensichtlichen Wahl für Anwendungen mit deformierten, schiefen und schlecht geätzten Zeichen oder in Verifizierungsanwendungen, wenn die Kamera mit Sicherheit auf eine Vielzahl unbekannter Schriftarten trifft.

Verifizierung der Life Sciences Assembly

Laborautomatisierungsgeräte wie klinische Analysegeräte und In-vitro-Diagnosegeräte verlassen sich auf maschinelles Sehen, um sicherzustellen, dass Proben für optimale Testbedingungen perfekt eingeführt und ausgerichtet werden. Der Erfolg der Hersteller von Diagnosegeräten hängt von der Genauigkeit der Messungen und Ergebnisse ihrer Maschinen ab. Am wichtigsten ist vielleicht, dass sie sich auf genaue Testaufbauten und Deckmontagen verlassen, die das Gerät mit präzisen Daten versorgen, sodass die Tests korrekt und einheitlich durchgeführt werden.

Die korrekte Zusammenstellung von Testproben – Blut, Urin oder Gewebe – in einer sogenannten Vormontageverifizierung ist unerlässlich, um potenzielle Fehler zu reduzieren, die eine Kontamination, Verwechslung oder falsche Kennzeichnung von Diagnosen oder eine Verlangsamung oder Beschädigung teurer Geräte zur Folge haben könnten. Während dieser Inspektionen muss das automatisierte System sicherstellen, dass keine falsch ausgerichteten oder fehlenden Reagenzgläser, nicht entfernte Kappen oder fremde Gefäße in das Rack des Analysegeräts geladen wurden. Um zu überprüfen, ob das Rack des Geräts vollständig und korrekt bestückt wurde, müssen mehrere Faktoren berücksichtigt werden:Proben- und Reagenzienröhrchen und -gefäße variieren je nach Hersteller in Form, Größe und Abmessung, und es kann für die Maschine unmöglich sein, die Position der Proben auf dem Deck vorherzusagen .

Angesichts dieser unvorhersehbaren Variationen in den Testaufbauten ist es sinnvoll, Deep Learning zur Durchführung der Baugruppenverifizierung einzusetzen. Die auf Deep Learning basierende Software von Cognex kann das unterschiedliche Erscheinungsbild verschiedener Proben und Reagenzien sowie ihre unvorhersehbaren und unterschiedlichen Positionen auf der Grundlage einer Reihe von Trainingsbildern lernen.

Das Tool verallgemeinert die Unterscheidungsmerkmale der Proben und Reagenzien basierend auf ihrer Größe, Form und Oberflächenmerkmalen und lernt ihr normales Aussehen sowie ihre allgemeine Position auf den Gestellen oder Mikroplatten des Decks. Auf diese Weise ist Deep Learning in der Lage, eine zuvor schwer zu programmierende Anwendung schnell, hochpräzise und einfach bereitzustellen zu automatisieren und zu lösen.

Klassifizierung der Biowissenschaften

Die Bestimmung der Qualität einer Blutprobe erfordert immer noch ein erhebliches Maß an menschlichem Urteilsvermögen. Dies liegt daran, dass eine ordnungsgemäß vorbereitete Probe, die zentrifugiert und indiziert wurde, individuelle Bewertungen für Trübung und Plasmafarbe erhalten muss. Abhängig davon, wie die Proben in das Analysegerät geladen werden, kann ihr Aussehen variieren und Blut kann relativ mehr oder weniger getrennt erscheinen. Dies wirkt sich auf die Indizierung aus.

Beispielsweise würde eine Probe mit deutlicher geschichtetem Plasma, Buffy Coat und roten Blutkörperchen höher bewertet werden als eine mit weniger ausgeprägten Phasen. Aber in einer hochautomatisierten Laborumgebung, die auf gute Arbeitsabläufe angewiesen ist, ist dieser Ansatz nicht ideal. Glücklicherweise kann die auf Deep Learning basierende Bildanalyse die menschliche Intelligenz nachahmen und die Qualität der Trennung einer zentrifugierten Probe beurteilen. Der Qualitätsmanagementprozess umfasst jedoch einen weiteren Schritt:die Klassifizierung.

Nur die Proben mit einer bestandenen Note werden zum Testen zugelassen. Daher ist es zwingend erforderlich, dass das Inspektionssystem in der Lage ist, das Erscheinungsbild „guter“ (d. h. gut getrennter) Phasen roter Blutkörperchen zu verallgemeinern und zu konzeptualisieren. Dies geschieht auf der Grundlage von Faktoren wie Plasmafarbe, Trübung und Buffy-Coat-Volumen, die alles Kriterien sind, die bei der Probenverarbeitung verwendet werden.

Deep Learning ist das einzige Automatisierungstool, das mehrere Objekte in einem einzigen Bild intelligent klassifizieren, sortieren und bewerten kann. In diesem Fall ist Cognex Deep Learning in der Lage, mehrere Klassen innerhalb eines einzigen Blutfläschchens zu sortieren, um nur die Proben zu identifizieren und zu bestehen, die die Testkriterien erfüllen.

Als neueste Automatisierungslösung für komplexe Life-Science-Anwendungen sind die auf Deep Learning basierenden Tools von Cognex sowohl als Standard- als auch als OEM-Systeme erhältlich, die direkt in Laborautomatisierungsgeräte integriert werden können. Mit äußerst zuverlässigen Ergebnissen und geringem Bedarf an zusätzlichen Infrastrukturen wie CPUs oder eingebetteten PCs ist die auf Deep Learning basierende Software von Cognex eine natürliche Ergänzung des Arsenals an Machine-Vision-Inspektionstools der Life-Science-Branche.