Deep Learning: Inspectie-automatisering in Life Sciences Revolusioneren

Hoe Deep Learning Inspectie Automatiseert Voor Life Sciences Industrie

Originele Artikel Bron: Auteur Brian Benoit

De life sciences industrie is bekend om kapitaal-intensief onderzoek en medische apparaten die de praktijken van medische imaging, steekproeftesten, en farmaproductie hebben gevorderd. Deze apparaten hebben machine vision mogelijkheden geïntegreerd in hun ontwerp.

Toch voor bepaalde lab automatiseringsapplicaties, kan machine vision niet voldoende de flexibiliteit van de menselijke geest matchen om oordeel-gebaseerde beslissingen te maken. Computers zijn beroemd om door drukke achtergronden en beeldkwaliteitskwesties, zoals speculaire weerkaatsing, verward te raken. Dit maakt het ongelooflijk moeilijk voor traditionele machine vision algoritmen om een object of regio van interesse met precisie te lokaliseren, met name om abnormaliteiten te identificeren midden in een ongestructureerde scène. Het kan tijdrovend en moeilijk, zo niet onmogelijk, zijn voor geautomatiseerde systemen om met succes regio's van interesse te identificeren terwijl irrelevante kenmerken genegeerd worden.

Vandaag de dag, echter, doorbraken in deep learning-gebaseerde beeldanalyse kunnen deze applicaties automatiseren zodat ze betrouwbaar en herhaaldelijk uitgevoerd worden – in machine vision terminologie, "robuust."

DOWNLOAD: Deep Learning for Life Sciences Solutions Guide

Life Sciences Defectdetectie

Klinische en onderzoek microscopie applicaties die vroeer menselijke inspectie vereisten, worden heruitgevonden met de toepassing van deep learning-gebaseerde beeldanalyse. Pathologische en histologische monsters, bijvoorbeeld, vereisen accurate defectdetectie en segmentatie ondanks de variable en onvoorspelbare patronen van defecten.

Wanneer u de uitdaging overweegt van het detecteren van celabnormaliteiten en celschade op een histologische (celfweefsel) slide, zijn de potentiële visuele verschijnselen ontzettend.

Een kankerige cel kan in een aantal maten en vormen verschijnen, en de verschillende vormen zijn, in de meeste gevallen, meer verschillend dan ze gelijk zijn. Het is effectief onmogelijk om een inspectiesysteem te leren alle mogelijke anomaliën te identificeren zonder uitgebreide programmering, en zelfs dan is de mogelijkheid van valse identificatie of afkeuring hoog. In een situatie als deze, biedt deep learning-gebaseerde beeldanalyse in unsupervised mode een hoog accuraat en efficiënte inspectiemodus.

In onze celfabnormaliteit detectie applicatie, gebruikt een training engineer steekproefafbeeldingen van mogelijke celfabnormaliteiten, zoals kanker, om de software te leren het normale uiterlijk van een cel of celclusters te conceptualiseren en generaliseren. Deze slides zijn gelabeld als "goede" voorbeelden van gezonde cellen en rekening houdend met normale gezonde celvarianten, zoals mitose. Dan, tijdens runtime, worden afwijkingen gevlagd als anomaal en waarschijnlijk celschade exemplificerend. Deze applicatie vereist één verdere stap.

Eenmaal een cel of celcluster gevlagd is, moet de specifieke regio van interesse dynamisch in real-time gesegmenteerd worden voor verder overzicht. De cel vertoont potentiële schade, immers, omdat het uiterlijk afwijkt van de norm, maar het is niet noodzakelijk kankerig. Deze afwijkingen kunnen veroorzaakt worden door artefacten op de slide.

Normaal zou een menselijke inspector – waarschijnlijk een patholoog – deze subset van monsters moeten herzien om een vaste diagnose te stellen. Maar weer, Cognex's deep learning-gebaseerde software kan zijn algoritme opnieuw uitvoeren over de subset target zones – deze keer met herraining in supervised mode – om te parsussen tussen "goed" (verdragen, niet-beschadigd) en "slecht" (pathologisch, beschadigd) cellen.

Life Sciences Optische Karakterherkenning

Veel medische leveranciers vertrouwen op automatische identificatie voor traceerbaarheid en om veiligheidsregelgeving te halen. Mens-leesbare alfanumerieke karakters kunnen gemakkelijk vervormd aan de camera van een geautomatiseerd inspectiesysteem presenteren als het aanwezig is op rekbare, vormbare materialen zoals een IV zak. Speculaire weerkaatsing en reflectie kunnen het systeem ook verwarren, het code's natuurlijke uiterlijk obscureren en veranderen.

Zelfs zonder deze visuele variaties, kan het nog immer immens tijdsintensief zijn om een visiesysteem te leren verschillende fonts te herkennen, zoals in het geval van optische karaktersverificatie (OCV), wanneer het inspectiesysteem niet kan anticiperen welke fontstijl het zal tegenkomen. Dit is waar een pre-trained, omni-font bibliotheek handig kan komen. Een deep learning-gebaseerde tool die pre-trained is om diverse fonts te herkennen, werkt essentieel out-of-the-box; er is geen voorafgaande opbeeldingsgebaseerde training vereist, en de minimale training die wel plaatsvindt, gebeurt alleen op gemiste karakters om de logica van het model te verfijnen.

Snelle, gemakkelijke implementatie en beperkte applicatie-aanpassingen maken deep learning-gebaseerde OCR een duidelijke keuze voor applicaties met vervormde, scheve, en slecht geëtste karakters of in verificatieapplicaties wanneer de camera zeker een breed bereik aan onbekende fonts zal tegenkomen.

Life Sciences Assemblageverificatie

Lab automatiseringsapparaten zoals klinische analyzers en in-vitro diagnostische apparaten vertrouwen op machine vision om te garanderen dat monsters perfect geïnsereerd en uitgelijnd zijn voor optimale testomstandigheden. Diagnostische apparaatfabrikanten's succes is afhankelijk van de nauwkeurigheid van hun machines metingen en resultaten. Misschien het meest belangrijk, vertrouwen ze op accurate testopstellingen en dekassemblage, wat het apparaat voorziet van precieze data zodat de tests correct en uniform uitgevoerd worden.

De correcte assemblage van testmonsters – bloed, urine, of weefsel – in wat bekend is als een pre-assemblage verificatie is essentieel om potentiele fouten te reduceren die contaminatie, mix-up of verkeerde diagnoses kunnen dreigen, of dure apparatuur vertragen of breken. Tijdens deze inspecties, moet het geautomatiseerde systeem verifiëren dat er geen verkeerd uitgelijnde of afwezige testbuisjes zijn, kappen die niet verwijderd zijn, of onnodige vaten geladen in de analyzer's rek. Het verifiëren dat het apparatuur's rek volledig en correct bevolkt is, omvat het managen van diverse factoren: monster- en reagentbuisjes en vaten variëren per fabrikant in vorm, maat, en dimensie, en het kan onmogelijk zijn voor de machine om de positie van monsters op het dek te voorspellen.

Met deze onvoorspelbare variaties in testopstellingen, maakt het zin om deep learning te gebruiken om assemblageverificatie uit te voeren. Cognex deep learning-gebaseerde software kan de varierende uiterlijk van verschillende monsters en reagenten, alsook hun onvoorspelbare en varierende locaties, leren, gebaseerd op een set trainingsafbeeldingen.

Het tool generaliseert de onderscheidende kenmerken van de monsters en reagenten gebaseerd op hun maat, vorm, en oppervlaktekenmerken en leert hun normale uiterlijk, alsmede hun algemene locatie op het dek's rekken of microplaten. Op deze manier kan deep learning een vroeger moeilijk-te-programmeren applicatie automatiseren en oplossen op een snelle, hoog accurate, en gemakkelijk-te-deploy manier.

Life Sciences Classificatie

Het vaststellen van de kwaliteit van een bloedmonster vereist nog steeds een significant hoeveelheid menselijk oordeel. Dit is omdat een correct voorbereid monster dat gecentrifugeerd en geïndexeerd is, individuele scores moet ontvangen voor troebelheid en plasmakleur. Gebaseerd op hoe de monsters in de analyzer machine geladen zijn, kunnen hun uiterlijk variëren en bloed kan relatief meer of minder gescheiden lijken. Dit beïnvloedt indexering.

Bijvoorbeeld, een monster met duidelijker gestratificeerd plasma, buffy coat, en rode bloedcellen zou hoger gewaardeerd worden dan één met minder duidelijke fasen. Maar in een hoog geautomatiseerde labomgeving die vertrouwt op goede workflows, is deze benadering niet ideaal. Gelukkig kan deep learning-gebaseerde beeldanalyse menselijke intelligentie nabootsen en de kwaliteit van een gecentrifugeerd monster scheiding beoordelen. Maar het kwaliteitsmanagementproces omvat één verdere stap: classificatie.

Alleen die monsters met een passende graad zullen toegelaten worden voor testen. Dit maakt het imperatief voor het inspectiesysteem om in staat te zijn het uiterlijk van "goed" (d.w.z., goed gescheiden) rode bloedcelfasen te generaliseren en conceptualiseren. Het doet dit gebaseerd op factoren zoals plasmakleur, troebelheid, en buffy coat volume, wat allemaal criteria zijn gebruikt in monsterverwerking.

Deep learning is het enigste automatiseringstool in staat om intelligent te classificeren, sorteren, en graden meerdere objecten binnen een enkele afbeelding. In dit geval, is Cognex Deep Learning in staat om meerdere klassen binnen een enkele fles bloed te sorteren om te identificeren en door te laten alleen die monsters die aan testcriteria voldoen.

Als de nieuwste automatiseringsoplossing voor complexe life sciences applicaties, zijn Cognex's deep learning-gebaseerde tools comfortabel beschikbaar als zowel off-the-shelf als OEM systemen om direct in lab automatiseringsapparaten te ontwerpen. Met hoog betrouwbare resultaten en lage eis aan additionele infrastructuur zoals CPUs of embedded PCs, is Cognex's deep learning-gebaseerde software een natuurlijke toevoeging aan de life science industrie's arsenaal van machine vision inspectietools.