Как глубокое обучение автоматизирует контроль в медико-биологической отрасли

Как глубокое обучение автоматизирует контроль в медико-биологической отрасли

Исходный источник статьи: Автор Брайан Бенуа

Отрасль медико-биологических наук известна капиталоемкими исследованиями и медицинскими приборами, в которых усовершенствованы методы медицинской визуализации, тестирования образцов и производства лекарств. В эти устройства встроены возможности машинного зрения.

Тем не менее, для некоторых приложений автоматизации лабораторий машинное зрение не может в достаточной степени соответствовать гибкости человеческого разума, чтобы принимать решения на основе суждений. Компьютеры, как известно, сбивают с толку загруженный фон и проблемы с качеством изображения, такие как зеркальные блики. Из-за этого традиционным алгоритмам машинного зрения невероятно сложно точно определить местонахождение интересующего объекта или области, особенно для выявления аномалий среди неструктурированной сцены. Для автоматизированных систем может потребоваться много времени и сложно, если не невозможно, успешно идентифицировать интересующие области, игнорируя ненужные функции.

Однако сегодня прорывы в области анализа изображений на основе глубокого обучения могут автоматизировать эти приложения, чтобы они выполнялись надежно и неоднократно — на языке машинного зрения, «надежно».

ЗАГРУЗИТЬ:Руководство по решениям для глубокого обучения для медико-биологических наук

Обнаружение дефектов биологических наук

Клинические и исследовательские приложения микроскопии, которые ранее требовали осмотра человеком, заново изобретаются с применением анализа изображений на основе глубокого обучения. Например, патологические и гистологические образцы требуют точного обнаружения и сегментации дефектов, несмотря на изменчивый и непредсказуемый характер дефектов.

Когда вы рассматриваете задачу обнаружения аномалий и повреждений клеток на гистологическом предметном стекле (клеточной ткани), потенциальные визуальные эффекты ошеломляют.

Раковая клетка может иметь различные размеры и формы, и ее различные формы в большинстве случаев больше отличаются друг от друга, чем похожи. Фактически невозможно научить систему проверки выявлять все возможные аномалии без обширного программирования, и даже в этом случае вероятность ложной идентификации или отклонения высока. В такой ситуации анализ изображений на основе глубокого обучения в неконтролируемом режиме предлагает высокоточный и эффективный режим проверки.

В нашем приложении для обнаружения клеточных аномалий инженер по обучению использует образцы изображений возможных клеточных аномалий, таких как рак, чтобы научить программное обеспечение концептуализировать и обобщать нормальный вид клетки или клеточных кластеров. Эти слайды помечены как «хорошие» примеры здоровых клеток и учитывают нормальные варианты здоровых клеток, такие как митоз. Затем во время выполнения любые изменения помечаются как аномальные и, вероятно, иллюстрирующие повреждение клеток. Это приложение требует еще одного шага.

После того, как ячейка или кластер клеток помечены, конкретная интересующая область должна быть динамически сегментирована в режиме реального времени для дальнейшего просмотра. В конце концов, клетка демонстрирует потенциальное повреждение, потому что ее внешний вид отклоняется от нормы, но она не обязательно является раковой. Эти отклонения могут быть вызваны артефактами на слайде.

Обычно человек-инспектор — скорее всего патологоанатом — должен просмотреть это подмножество образцов, чтобы поставить точный диагноз. Но опять же, программное обеспечение Cognex, основанное на глубоком обучении, может повторно запустить свой алгоритм для подмножества целевых зон — на этот раз с повторным обучением в контролируемом режиме — для анализа между «хорошими» (допустимыми, неповрежденными) и «плохими» (патологическими, поврежденными). ) ячейки.

Оптическое распознавание символов в биологических науках

Многие медицинские поставщики полагаются на автоматическую идентификацию для отслеживания и соблюдения правил безопасности. Читаемые человеком буквенно-цифровые символы могут легко отображаться деформированными для камеры автоматизированной системы контроля, если они присутствуют на растяжимом, формуемом материале, таком как мешок для внутривенных вливаний. Зеркальные блики и отражения также могут сбивать систему с толку, затеняя и изменяя естественный вид кода.

Даже без этих визуальных вариаций обучение системы технического зрения распознаванию различных шрифтов может занять очень много времени, например, в случае оптической проверки символов (OCV), когда система контроля не может предугадать, какой стиль шрифта она выберет. сталкиваться. Здесь может пригодиться предварительно обученная библиотека омни-шрифтов. Инструмент, основанный на глубоком обучении, предварительно обученный распознавать различные шрифты, по сути, работает «из коробки»; предварительное обучение на основе изображений не требуется, а минимальное обучение, которое происходит, происходит только с пропущенными символами для уточнения логики модели.

Быстрая, простая реализация и ограниченные настройки приложения делают распознавание текста на основе глубокого обучения очевидным выбором для приложений, в которых используются деформированные, перекошенные и плохо выгравированные символы, или для приложений проверки, когда камера наверняка обнаружит широкий спектр неизвестных шрифтов.

Проверка медико-биологической сборки

Устройства автоматизации лабораторий, такие как клинические анализаторы и устройства для диагностики in vitro, основаны на машинном зрении, чтобы обеспечить идеальную вставку и выравнивание образцов для оптимальных условий тестирования. Успех производителей диагностических устройств зависит от точности измерений и результатов их машин. Возможно, наиболее важно то, что они полагаются на точную настройку тестов и сборку деки, которые обеспечивают устройство точными данными, чтобы тесты выполнялись правильно и единообразно.

Правильная сборка образцов для тестирования — крови, мочи или ткани — при так называемой проверке перед сборкой имеет важное значение для уменьшения любых потенциальных ошибок, которые могут угрожать загрязнением, путаницей или неправильной маркировкой диагнозов, а также замедлением или поломкой дорогостоящего оборудования. Во время этих проверок автоматизированная система должна проверять отсутствие смещенных или отсутствующих пробирок, неснятых крышек или посторонних сосудов, загруженных в штатив анализатора. Проверка того, что стойка оборудования заполнена полностью и правильно, включает в себя учет нескольких факторов:пробирки и сосуды для образцов и реагентов различаются в зависимости от производителя по форме, размеру и размерам, и машина может быть не в состоянии предсказать положение образцов на платформе. .

При таких непредсказуемых вариациях тестовых настроек имеет смысл использовать глубокое обучение для проверки сборки. Программное обеспечение Cognex, основанное на глубоком обучении, может изучать различный внешний вид различных образцов и реагентов, а также их непредсказуемое и изменчивое расположение на основе набора обучающих изображений.

Инструмент обобщает отличительные признаки образцов и реагентов на основе их размера, формы и особенностей поверхности и запоминает их нормальный внешний вид, а также их общее расположение на штативах деки или микропланшетах. Таким образом, глубокое обучение позволяет автоматизировать и решить ранее сложно программируемое приложение быстро, с высокой точностью и простотой в развертывании.

Классификация биологических наук

Установление качества образца крови по-прежнему требует значительного количества человеческих суждений. Это связано с тем, что правильно подготовленный образец, который был центрифугирован и проиндексирован, должен получить индивидуальные баллы по мутности и цвету плазмы. В зависимости от того, как образцы загружаются в анализатор, их внешний вид может различаться, и кровь может казаться относительно более или менее разделенной. Это влияет на индексацию.

Например, образец с более четко стратифицированной плазмой, лейкоцитарной пленкой и эритроцитами будет оценен выше, чем образец с менее отчетливыми фазами. Но в высокоавтоматизированной лабораторной среде, основанной на хороших рабочих процессах, этот подход не идеален. К счастью, анализ изображений на основе глубокого обучения может имитировать человеческий интеллект и оценивать качество разделения центрифугированного образца. Но процесс управления качеством включает еще один этап:классификацию.

К испытаниям допускаются только те образцы, которые имеют проходной балл. Это обязывает систему контроля обобщать и концептуализировать внешний вид «хороших» (то есть хорошо разделенных) фаз эритроцитов. Это делается на основе таких факторов, как цвет плазмы, мутность и объем лейкоцитарной пленки, которые являются критериями, используемыми при обработке образцов.

Глубокое обучение — единственный инструмент автоматизации, способный интеллектуально классифицировать, сортировать и оценивать несколько объектов на одном изображении. В этом случае Cognex Deep Learning может сортировать несколько классов в одном флаконе с кровью, чтобы идентифицировать и передать только те образцы, которые соответствуют критериям тестирования.

В качестве новейшего решения по автоматизации для сложных приложений медико-биологических наук инструменты Cognex, основанные на глубоком обучении, удобно доступны как в виде готовых, так и OEM-систем, которые можно встраивать непосредственно в устройства автоматизации лабораторий. Благодаря высоконадежным результатам и низкой потребности в дополнительных инфраструктурах, таких как ЦП или встроенные ПК, программное обеспечение Cognex, основанное на глубоком обучении, является естественным дополнением к арсеналу инструментов машинного зрения для медико-биологической отрасли.