Hoe deep learning inspectie automatiseert voor de biowetenschappenindustrie

Hoe deep learning inspectie automatiseert voor de biowetenschappenindustrie

Originele artikelbron: Auteur Brian Benoit

De life sciences-industrie staat bekend om kapitaalintensief onderzoek en medische hulpmiddelen die de praktijken van medische beeldvorming, het testen van monsters en de fabricage van geneesmiddelen hebben bevorderd. Deze apparaten hebben machine vision-mogelijkheden geïntegreerd in hun ontwerp.

Maar voor bepaalde laboratoriumautomatiseringstoepassingen kan machinevisie de flexibiliteit van de menselijke geest niet voldoende evenaren om op oordelen gebaseerde beslissingen te nemen. Computers staan ​​erom bekend in de war te raken door drukke achtergronden en problemen met de beeldkwaliteit, zoals spiegelende verblinding. Dit maakt het ongelooflijk moeilijk voor traditionele machine vision-algoritmen om een ​​object of interessegebied met precisie te lokaliseren, vooral om afwijkingen te identificeren te midden van een ongestructureerde scène. Het kan tijdrovend en moeilijk, zo niet onmogelijk, zijn voor geautomatiseerde systemen om met succes interessegebieden te identificeren terwijl irrelevante kenmerken worden genegeerd.

Tegenwoordig kunnen doorbraken in op deep learning gebaseerde beeldanalyse deze toepassingen echter automatiseren, zodat ze betrouwbaar en herhaaldelijk worden uitgevoerd - in machine vision-termen, "robuust".

DOWNLOAD:Deep Learning for Life Sciences Solutions Guide

Life Sciences-defectdetectie

Klinische en onderzoeksmicroscopietoepassingen die voorheen menselijke inspectie vereisten, worden opnieuw uitgevonden met de toepassing van op deep learning gebaseerde beeldanalyse. Pathologische en histologische monsters vereisen bijvoorbeeld nauwkeurige detectie en segmentatie van defecten, ondanks de variabele en onvoorspelbare patronen van defecten.

Als je nadenkt over de uitdaging van het detecteren van celafwijkingen en celbeschadiging op een histologisch (celweefsel) objectglaasje, zijn de mogelijke visuele verschijnselen verbijsterend.

Een kankercel kan verschijnen in een aantal maten en vormen, en de verschillende vormen verschillen in de meeste gevallen meer van elkaar dan dat ze op elkaar lijken. Het is in feite onmogelijk om een ​​inspectiesysteem te leren alle mogelijke afwijkingen te identificeren zonder uitgebreide programmering, en zelfs dan is de kans op valse identificatie of afwijzing groot. In een situatie als deze biedt op deep learning gebaseerde beeldanalyse in onbewaakte modus een zeer nauwkeurige en efficiënte manier van inspectie.

In onze toepassing voor het detecteren van celafwijkingen gebruikt een trainingstechnicus voorbeeldafbeeldingen van mogelijke celafwijkingen, zoals kanker, om de software te leren het normale uiterlijk van een cel of celclusters te conceptualiseren en te generaliseren. Deze dia's worden bestempeld als "goede" voorbeelden van gezonde cellen en houden rekening met normale gezonde celvarianten, zoals mitose. Vervolgens worden tijdens runtime eventuele variaties gemarkeerd als abnormaal en waarschijnlijk als voorbeeld van celbeschadiging. Deze toepassing vereist nog een stap.

Zodra een cel of celcluster is gemarkeerd, moet het specifieke interessegebied in realtime dynamisch worden gesegmenteerd voor verdere beoordeling. De cel vertoont immers potentiële schade omdat het uiterlijk afwijkt van de norm, maar het is niet noodzakelijkerwijs kankerachtig. Deze afwijkingen kunnen worden veroorzaakt door artefacten op de dia.

Normaal gesproken zou een menselijke inspecteur - waarschijnlijk een patholoog - deze subset van monsters moeten beoordelen om een ​​definitieve diagnose te stellen. Maar nogmaals, de op diep leren gebaseerde software van Cognex kan zijn algoritme opnieuw uitvoeren over de subset-doelzones - dit keer met hertraining in gecontroleerde modus - om te ontleden tussen "goed" (aanvaardbaar, niet beschadigd) en "slecht" (pathologisch, beschadigd). ) cellen.

Life Sciences optische karakterherkenning

Veel medische leveranciers vertrouwen op automatische identificatie voor traceerbaarheid en om te voldoen aan veiligheidsvoorschriften. Door mensen leesbare alfanumerieke tekens kunnen gemakkelijk als vervormd worden weergegeven voor de camera van een geautomatiseerd inspectiesysteem als ze aanwezig zijn op rekbaar, vormbaar materiaal zoals een infuuszak. Spiegelende schittering en weerkaatsing kunnen het systeem ook verwarren, waardoor het natuurlijke uiterlijk van de code wordt verduisterd en veranderd.

Zelfs zonder deze visuele variaties kan het enorm veel tijd kosten om een ​​vision-systeem te leren verschillende lettertypen te herkennen, zoals in het geval van optische karakterverificatie (OCV), wanneer het inspectiesysteem niet kan anticiperen welke lettertypestijl het zal gebruiken. ontmoeting. Dit is waar een vooraf getrainde, omni-lettertypebibliotheek van pas kan komen. Een op deep learning gebaseerde tool die vooraf is getraind om verschillende lettertypen te herkennen, werkt in wezen out-of-the-box; er is vooraf geen op afbeeldingen gebaseerde training vereist, en de minimale training die wel plaatsvindt, vindt alleen plaats op gemiste karakters om de logica van het model te verfijnen.

Snelle, eenvoudige implementatie en beperkte toepassingsaanpassingen maken op diep leren gebaseerde OCR een voor de hand liggende keuze voor toepassingen met vervormde, scheve en slecht geëtste tekens of in verificatietoepassingen wanneer de camera zeker een groot aantal onbekende lettertypen zal tegenkomen.

Verificatie van de Life Sciences-assemblage

Apparaten voor laboratoriumautomatisering, zoals klinische analysatoren en in-vitro-diagnostische apparaten, vertrouwen op machinevisie om ervoor te zorgen dat monsters perfect worden ingebracht en uitgelijnd voor optimale testomstandigheden. Het succes van fabrikanten van diagnostische apparaten hangt af van de nauwkeurigheid van de metingen en resultaten van hun machines. Misschien wel het belangrijkste is dat ze vertrouwen op nauwkeurige testopstellingen en dekmontage, die het apparaat voorzien van nauwkeurige gegevens zodat de tests correct en uniform worden uitgevoerd.

De juiste assemblage van testmonsters - bloed, urine of weefsel - in wat bekend staat als een pre-assemblageverificatie is essentieel om mogelijke fouten te verminderen die besmetting kunnen bedreigen, diagnoses kunnen verwisselen of verkeerd kunnen labelen, of dure apparatuur kunnen vertragen of kapot kunnen maken. Tijdens deze inspecties moet het geautomatiseerde systeem controleren of er geen verkeerd uitgelijnde of ontbrekende reageerbuizen zijn, doppen die niet zijn verwijderd of vreemde vaten die in het rek van de analysator zijn geladen. Om te controleren of het rek van de apparatuur volledig en correct is gevuld, moeten verschillende factoren worden beheerd:monster- en reagensbuizen en -vaten variëren per fabrikant in vorm, grootte en afmeting, en het kan voor de machine onmogelijk zijn om de positie van monsters op het dek te voorspellen .

Met deze onvoorspelbare variaties in testopstellingen is het zinvol om deep learning te gebruiken om assemblageverificatie uit te voeren. De op deep learning gebaseerde software van Cognex kan het variërende uiterlijk van verschillende monsters en reagentia leren, evenals hun onvoorspelbare en variërende locaties, op basis van een reeks trainingsbeelden.

De tool generaliseert de onderscheidende kenmerken van de monsters en reagentia op basis van hun grootte, vorm en oppervlaktekenmerken en leert hun normale uiterlijk kennen, evenals hun algemene locatie op de rekken of microplaten van het dek. Op deze manier kan deep learning een voorheen moeilijk te programmeren applicatie automatiseren en oplossen op een snelle, zeer nauwkeurige en eenvoudig te implementeren manier.

Life Sciences-classificatie

Het vaststellen van de kwaliteit van een bloedmonster vereist nog steeds een aanzienlijke hoeveelheid menselijk oordeel. Dit komt omdat een goed voorbereid monster dat is gecentrifugeerd en geïndexeerd, individuele scores voor troebelheid en plasmakleur moet krijgen. Op basis van hoe de monsters in de analysator worden geladen, kan hun uiterlijk variëren en kan het bloed relatief meer of minder gescheiden lijken. Dit heeft invloed op de indexering.

Een monster met duidelijker gestratificeerd plasma, buffy coat en rode bloedcellen zou bijvoorbeeld hoger worden beoordeeld dan een monster met minder verschillende fasen. Maar in een sterk geautomatiseerde labomgeving die afhankelijk is van goede workflows, is deze aanpak niet ideaal. Gelukkig kan op deep learning gebaseerde beeldanalyse menselijke intelligentie nabootsen en de kwaliteit van de scheiding van een gecentrifugeerd monster beoordelen. Maar het kwaliteitsmanagementproces omvat nog een stap:classificatie.

Alleen die monsters met een voldoende cijfer worden toegestaan ​​voor testen. Dit maakt het absoluut noodzakelijk dat het inspectiesysteem het uiterlijk van "goede" (d.w.z. goed gescheiden) rode bloedcelfasen kan generaliseren en conceptualiseren. Het doet dit op basis van factoren zoals plasmakleur, troebelheid en buffy coat-volume, allemaal criteria die worden gebruikt bij de verwerking van monsters.

Deep learning is de enige automatiseringstool die in staat is om op intelligente wijze meerdere objecten binnen één afbeelding te classificeren, sorteren en beoordelen. In dit geval is Cognex Deep Learning in staat om meerdere klassen binnen een enkel bloedflesje te sorteren om alleen die monsters te identificeren en door te geven die aan de testcriteria voldoen.

Als de nieuwste automatiseringsoplossing voor complexe life sciences-toepassingen, zijn de op deep learning gebaseerde tools van Cognex gemakkelijk verkrijgbaar als kant-en-klare en OEM-systemen die rechtstreeks in laboratoriumautomatiseringsapparaten kunnen worden ontworpen. Met zeer betrouwbare resultaten en weinig vraag naar aanvullende infrastructuren zoals CPU's of ingebedde pc's, is de op deep learning gebaseerde software van Cognex een natuurlijke aanvulling op het arsenaal aan machine vision-inspectietools van de life science-industrie.