Глубокое обучение: революция в автоматизации инспекции в живучественных науках

Как глубокое обучение автоматизирует инспекцию для индустрии живучественных наук

Источник оригинальной статьи: Автор Брайан Бенуа

Индустрия живучественных наук славится капиталоемкими исследованиями и медицинскими приборами, продвинувшими практики медицинской визуализации, пробных тестов и фармацевтического производства. Эти приборы имеют встроенные возможности машинного зрения.

Однако для определенных приложений лаб-автоматизации машинное зрение не может достаточно соответствовать гибкости человеческого ума для принятия суждений-ориентированных решений. Компьютеры известны путаницей от загруженных фонов и проблем качества изображения, таких как зеркальное сияние. Это делает невероятно сложным для традиционных алгоритмов машинного зрения точно локализовать объект или область интереса, особенно для идентификации аномалий среди неструктурированной сцены. Для автоматизированных систем может быть затратным по времени и сложным, если не невозможным, успешно идентифицировать области интереса, игнорируя нерелевантные признаки.

Сегодня, однако, прорывы в анализе изображений на базе глубокого обучения могут автоматизировать эти приложения так, чтобы они выполнялись надежно и повторяемо — в терминах машинного зрения, «робастно».

СКАЧАТЬ: Руководство по решениям глубокого обучения для живучественных наук

Детектирование дефектов в живучественных науках

Клинические и исследовательские микроскопические приложения, ранее требовавшие человеческой инспекции, переизобретаются с применением анализа изображений на базе глубокого обучения. Патологические и гистологические образцы, например, требуют точного детектирования дефектов и сегментации несмотря на переменные и непредсказуемые паттерны дефектов.

Когда рассматриваете задачу детектирования аномалий клеток и повреждений клеток на гистологическом (клеточной ткани) слайде, потенциальные визуальные Erscheinungen завораживают.

Раковая клетка может появляться в числе размеров и форм, и её различные формы в большинстве случаев более различны, чем похожи. Эффективно невозможно научить систему инспекции идентифицировать все возможные аномалии без обширного программирования, и даже тогда вероятность ложной идентификации или отклонения высока. В такой ситуации анализ изображений на базе глубокого обучения в неконтролируемом режиме предлагает высокоточный и эффективный режим инспекции.

В нашем приложении детектирования аномалий клеток инженер обучения использует образцы изображений возможных аномалий клеток, как рак, чтобы научить программу концептуализировать и обобщать нормальное внешнее появление клетки или кластеров клеток. Эти слайды помечаются как «хорошие» примеры здоровых клеток и учитывают нормальные варианты здоровых клеток, как митоз. Затем, во время выполнения, любые вариации помечаются как аномальные и, вероятно, иллюстрирующие повреждение клетки. Это приложение требует еще один шаг.

После того как клетка или кластер клеток помечен, конкретная область интереса должна быть динамически сегментирована в реальном времени для дальнейшего обзора. Клетка демонстрирует потенциальное повреждение, в конце концов, потому что её внешний вид отклоняется от нормы, но не обязательно раковая. Эти отклонения могут быть вызваны артефактами на слайде.

Обычно человеческий инспектор — вероятно, патолог — должен был бы пересмотреть это подмножество образцов для постановки твердого диагноза. Но снова, ПО глубокого обучения Cognex может перезапустить свой алгоритм над подмножеством целевых зон — на этот раз с переобучением в контролируемом режиме — чтобы разделить «хорошие» (терпимые, неповрежденные) и «плохие» (патологические, поврежденные) клетки.

Оптическое распознавание символов (OCR) в живучественных науках

Многие медицинские поставщики полагаются на автоматическую идентификацию для прослеживаемости и соблюдения регуляций безопасности. Человеко-читаемые буквенно-цифровые символы могут легко представляться деформированными для камеры автоматизированной системы инспекции, если они присутствуют на растяжимом, формовочном материале вроде IV-мешка. Зеркальное сияние и отражения также могут сбить систему, скрывая и меняя естественный внешний вид кода.

Даже без этих визуальных вариаций, всё ещё может быть невероятно затратным по времени научить систему зрения распознавать разные шрифты, как в случае оптической верификации символов (OCV), когда система инспекции не может предвидеть, какой стиль шрифта встретится. Здесь предобученная omni-шрифтовая библиотека может пригодиться. Инструмент глубокого обучения, предобученный распознавать различные шрифты, по сути работает out-of-the-box; не требуется предварительное обучение на изображениях, и минимальное обучение, которое происходит, только на пропущенных символах для уточнения логики модели.

Быстрая, легкая реализация и ограниченные корректировки приложения делают OCR на базе глубокого обучения очевидным выбором для приложений с деформированными, скошенными, плохо вытравленными символами или в приложениях верификации, когда камера обязательно встретит широкий диапазон неизвестных шрифтов.

Верификация сборки в живучественных науках

Устройства лаб-автоматизации, такие как клинические анализаторы и in-vitro диагностические приборы, полагаются на машинное зрение для обеспечения идеальной вставки и выравнивания образцов для оптимальных условий тестирования. Успех производителей диагностических приборов опирается на точность измерений и результатов их машин. Возможно, наиболее важно — они полагаются на точные тестовые установки и сборку деки, которые обеспечивают прибор точными данными для правильного и единообразного выполнения тестов.

Правильная сборка тестовых образцов — крови, мочи, ткани — в так называемой предсборочной верификации — необходима для снижения потенциальных ошибок, которые могли бы угрожать загрязнением, перепутыванием или ошибочной диагностикой, или замедлением/поломкой дорогого оборудования. Во время этих инспекций автоматизированная система должна верифицировать отсутствие дезалинированных или отсутствующих пробирок, непойманных колпачков или посторонних сосудов, загруженных в стойку анализатора. Верификация того, что стойка оборудования полностью и правильно заполнена, включает управление несколькими факторами: пробирки образцов и реактивов и сосуды варьируются по производителю в форме, размере и измерениях, и может быть невозможно для машины предсказать позицию образцов на деке.

С этими непредсказуемыми вариациями в тестовых установках имеет смысл использовать глубокое обучение для верификации сборки. ПО Cognex на базе глубокого обучения может выучить варирующее внешнее появление разных образцов и реактивов, а также их непредсказуемые и варирующие местоположения, на наборе обучающих изображений.

Инструмент обобщает отличительные признаки образцов и реактивов на основе их размера, формы и поверхностных признаков и учится их нормальному внешнему виду, а также их общему местоположению на стойках деки или микроплитах. Таким образом, глубокое обучение способно автоматизировать и решить ранее трудно-программируемое приложение быстрым, высокоточным и легко внедряемым способом.

Классификация в живучественных науках

Определение качества образца крови всё еще требует значительного человеческого суждения. Это потому, что правильно подготовленный образец, который был центрифугирован и индексирован, нуждается в индивидуальных оценках за мутность и цвет плазмы. Основываясь на том, как образцы загружены в анализатор, их внешний вид может варьироваться и кровь может появляться относительно более или менее разделенной. Это влияет на индексацию.

Например, образец с более четко стратифицированной плазмой, буффа-коутом (buffy coat) и эритроцитами будет оценен выше, чем с менее четкими фазами. Но в высокоавтоматизированной лабораторной среде, полагающейся на хорошие рабочие процессы, этот подход не идеален. К счастью, анализ изображений на базе глубокого обучения может имитировать человеческий интеллект и оценить качество разделения центрифугированного образца. Но процесс управления качеством включает еще один шаг: классификацию.

Только образцы с проходным баллом будут допущены к тестированию. Это делает императивным для системы инспекции уметь обобщать и концептуализировать внешний вид «хороших» (хорошо разделенных) фаз эритроцитов. Она делает это на основе факторов вроде цвета плазмы, мутности и объема буффа-коута, которые все являются критериями в обработке образцов.

Глубокое обучение — единственный инструмент автоматизации, способный интеллектуально классифицировать, сортировать и оценивать множественные объекты в одном изображении. В этом случае Cognex Deep Learning способен сортировать множественные классы в одной пробирке крови для идентификации и пропуска только тех образцов, которые соответствуют критериям тестирования.

Как последнее решение автоматизации для сложных приложений живучественных наук, инструменты Cognex на базе глубокого обучения удобно доступны как готовые (off-the-shelf) и OEM системы для проектирования непосредственно в устройства лаб-автоматизации. С высоконадежными результатами и низкими требованиями к дополнительной инфраструктуре вроде CPU или встроенных ПК, ПО Cognex на базе глубокого обучения — естественное дополнение к арсеналу инструментов машинного зрения инспекции индустрии живучественных наук.