Cómo el aprendizaje profundo automatiza la inspección para la industria de las ciencias biológicas

Cómo el aprendizaje profundo automatiza la inspección para la industria de las ciencias biológicas

Fuente del artículo original: Autor Brian Benoit

La industria de las ciencias de la vida es famosa por la investigación intensiva en capital y los dispositivos médicos que han avanzado en las prácticas de imágenes médicas, análisis de muestras y fabricación de medicamentos. Estos dispositivos tienen capacidades de visión artificial integradas en su diseño.

Sin embargo, para ciertas aplicaciones de automatización de laboratorio, la visión artificial no puede igualar suficientemente la flexibilidad de la mente humana para tomar decisiones basadas en el juicio. Es bien sabido que las computadoras se confunden con los fondos ocupados y los problemas de calidad de imagen, como el resplandor especular. Esto hace que sea increíblemente difícil para los algoritmos de visión artificial tradicionales ubicar un objeto o una región de interés con precisión, especialmente para identificar anomalías en medio de una escena no estructurada. Puede llevar mucho tiempo y ser difícil, si no imposible, que los sistemas automatizados identifiquen con éxito las regiones de interés mientras ignoran las características irrelevantes.

Hoy, sin embargo, los avances en el análisis de imágenes basado en el aprendizaje profundo pueden automatizar estas aplicaciones para que se realicen de manera confiable y repetida, en el lenguaje de la visión artificial, "robustamente".

DESCARGAR:Guía de soluciones de aprendizaje profundo para ciencias biológicas

Detección de defectos en ciencias de la vida

Las aplicaciones de microscopía clínica y de investigación que antes requerían la inspección humana se están reinventando con la aplicación del análisis de imágenes basado en el aprendizaje profundo. Las muestras patológicas e histológicas, por ejemplo, requieren una detección y segmentación precisas de los defectos a pesar de los patrones variables e impredecibles de los defectos.

Cuando considera el desafío de detectar anomalías celulares y daño celular en un portaobjetos histológico (tejido celular), las posibles apariencias visuales son alucinantes.

Una célula cancerosa puede aparecer en varios tamaños y formas, y sus diversas formas son, en la mayoría de los casos, más diferentes que similares. Es imposible enseñar a un sistema de inspección a identificar todas las anomalías posibles sin una programación extensa, e incluso entonces, la posibilidad de identificación falsa o rechazo es alta. En una situación como esta, el análisis de imágenes basado en aprendizaje profundo en modo no supervisado ofrece un modo de inspección altamente preciso y eficiente.

En nuestra aplicación de detección de anomalías celulares, un ingeniero de formación utiliza imágenes de muestra de posibles anomalías celulares, como el cáncer, para enseñar al software a conceptualizar y generalizar la apariencia normal de una célula o grupos de células. Estos portaobjetos están etiquetados como "buenos" ejemplos de células sanas y tienen en cuenta las variantes normales de células sanas, como la mitosis. Luego, durante el tiempo de ejecución, cualquier variación se marca como anómala y probablemente ejemplifique el daño celular. Esta aplicación requiere un paso más.

Una vez que se marca una celda o un grupo de celdas, la región particular de interés debe segmentarse dinámicamente en tiempo real para una revisión adicional. Después de todo, la célula exhibe daño potencial porque su apariencia se desvía de la norma, pero no es necesariamente cancerosa. Estas desviaciones pueden deberse a artefactos en la diapositiva.

Normalmente, un inspector humano, probablemente un patólogo, tendría que revisar este subconjunto de muestras para hacer un diagnóstico firme. Pero nuevamente, el software basado en el aprendizaje profundo de Cognex puede volver a ejecutar su algoritmo sobre las zonas objetivo del subconjunto, esta vez con un nuevo entrenamiento en modo supervisado, para analizar entre "bueno" (tolerable, no dañado) y "malo" (patológico, dañado). ) celdas.

Reconocimiento óptico de caracteres para ciencias de la vida

Muchos proveedores médicos confían en la identificación automática para la trazabilidad y para cumplir con las normas de seguridad. Los caracteres alfanuméricos legibles por humanos pueden presentarse fácilmente como deformados a la cámara de un sistema de inspección automatizado si está presente en un material moldeable y estirable como una bolsa intravenosa. El resplandor y el reflejo especulares también pueden confundir el sistema, oscureciendo y cambiando la apariencia natural del código.

Incluso sin estas variaciones visuales, puede llevar mucho tiempo enseñar a un sistema de visión a reconocer diferentes fuentes, como en el caso de la verificación óptica de caracteres (OCV), cuando el sistema de inspección no puede anticipar qué estilo de fuente utilizará. encontrar. Aquí es donde una biblioteca omni-fuente pre-entrenada puede ser útil. Una herramienta basada en el aprendizaje profundo que se entrenó previamente para reconocer varias fuentes esencialmente funciona de forma inmediata; no se requiere capacitación inicial basada en imágenes, y la capacitación mínima que ocurre solo ocurre en los caracteres perdidos para refinar la lógica del modelo.

La implementación rápida y fácil y los ajustes de aplicación limitados hacen que el OCR basado en aprendizaje profundo sea una opción obvia para aplicaciones que involucran caracteres deformados, sesgados y mal grabados o en aplicaciones de verificación cuando la cámara seguramente encontrará una amplia gama de fuentes desconocidas.

Verificación de ensamblaje de ciencias biológicas

Los dispositivos de automatización de laboratorio, como los analizadores clínicos y los dispositivos de diagnóstico in vitro, se basan en la visión artificial para garantizar que las muestras se inserten y alineen perfectamente para obtener condiciones de prueba óptimas. El éxito de los fabricantes de dispositivos de diagnóstico depende de la precisión de las medidas y los resultados de sus máquinas. Quizás lo más importante es que se basan en configuraciones de prueba precisas y ensamblaje de la plataforma, que proporcionan al dispositivo datos precisos para que las pruebas se realicen de manera correcta y uniforme.

El ensamblaje correcto de las muestras de prueba (sangre, orina o tejido) en lo que se conoce como verificación previa al ensamblaje es esencial para reducir cualquier error potencial que pueda amenazar la contaminación, confundir o etiquetar incorrectamente los diagnósticos, o ralentizar o romper equipos costosos. Durante estas inspecciones, el sistema automatizado debe verificar que no haya tubos de ensayo desalineados o ausentes, tapas que no se hayan quitado o recipientes extraños cargados en la gradilla del analizador. Verificar que la gradilla del equipo se haya llenado completa y correctamente implica gestionar varios factores:los tubos y recipientes de muestras y reactivos varían según el fabricante en forma, tamaño y dimensión, y puede ser imposible que la máquina prediga la posición de las muestras en la plataforma .

Con estas variaciones impredecibles en las configuraciones de prueba, tiene sentido utilizar el aprendizaje profundo para realizar la verificación del ensamblaje. El software basado en aprendizaje profundo de Cognex puede aprender la apariencia variable de diferentes muestras y reactivos, así como también sus ubicaciones impredecibles y variables, según un conjunto de imágenes de entrenamiento.

La herramienta generaliza las características distintivas de las muestras y los reactivos en función de su tamaño, forma y características de la superficie y aprende su apariencia normal, así como su ubicación general en los racks o microplacas de la plataforma. De esta manera, el aprendizaje profundo puede automatizar y resolver una aplicación que antes era difícil de programar de una manera rápida, altamente precisa y fácil de implementar.

Clasificación de Ciencias de la Vida

Determinar la calidad de una muestra de sangre aún requiere una cantidad significativa de juicio humano. Esto se debe a que una muestra debidamente preparada que ha sido centrifugada e indexada necesita recibir puntajes individuales de turbidez y color del plasma. Según cómo se carguen las muestras en la máquina analizadora, su apariencia puede variar y la sangre puede aparecer relativamente más o menos separada. Esto afecta la indexación.

Por ejemplo, una muestra con plasma más claramente estratificado, capa leucocitaria y glóbulos rojos se clasificaría mejor que una con fases menos diferenciadas. Pero en un entorno de laboratorio altamente automatizado que se basa en buenos flujos de trabajo, este enfoque no es ideal. Afortunadamente, el análisis de imágenes basado en el aprendizaje profundo puede imitar la inteligencia humana y evaluar la calidad de la separación de una muestra centrifugada. Pero el proceso de gestión de la calidad implica un paso más:la clasificación.

Solo aquellas muestras con una calificación aprobatoria se permitirán para la prueba. Esto hace que sea imperativo que el sistema de inspección pueda generalizar y conceptualizar la apariencia de fases de glóbulos rojos "buenas" (es decir, bien separadas). Lo hace en función de factores como el color del plasma, la turbidez y el volumen de la capa leucocitaria, que son criterios utilizados en el procesamiento de muestras.

El aprendizaje profundo es la única herramienta de automatización capaz de clasificar, ordenar y calificar de manera inteligente múltiples objetos dentro de una sola imagen. En este caso, el aprendizaje profundo de Cognex puede clasificar múltiples clases dentro de un solo vial de sangre para identificar y aprobar solo aquellas muestras que cumplen con los criterios de prueba.

Como la última solución de automatización para aplicaciones complejas de ciencias de la vida, las herramientas basadas en el aprendizaje profundo de Cognex están convenientemente disponibles como sistemas estándar y OEM para diseñarse directamente en dispositivos de automatización de laboratorio. Con resultados altamente confiables y baja demanda de infraestructuras adicionales como CPU o PC integradas, el software basado en aprendizaje profundo de Cognex es una adición natural al arsenal de herramientas de inspección de visión artificial de la industria de las ciencias de la vida.