Como o aprendizado profundo automatiza a inspeção para o setor de ciências biológicas

Como o aprendizado profundo automatiza a inspeção para o setor de ciências biológicas

Fonte do artigo original: Autor Brian Benoit

A indústria de ciências da vida é famosa por pesquisas de capital intensivo e dispositivos médicos que avançaram as práticas de imagens médicas, testes de amostras e fabricação de medicamentos. Esses dispositivos possuem recursos de visão de máquina integrados em seu design.

No entanto, para certos aplicativos de automação de laboratório, a visão de máquina não pode corresponder suficientemente à flexibilidade da mente humana para tomar decisões baseadas em julgamento. Os computadores são notoriamente confundidos por fundos ocupados e problemas de qualidade de imagem, como brilho especular. Isso torna incrivelmente difícil para os algoritmos tradicionais de visão de máquina localizar um objeto ou região de interesse com precisão, especialmente para identificar anormalidades em uma cena não estruturada. Pode ser demorado e difícil, se não impossível, para sistemas automatizados identificar com sucesso regiões de interesse, ignorando recursos irrelevantes.

Hoje, no entanto, avanços na análise de imagem baseada em aprendizado profundo podem automatizar esses aplicativos para que sejam executados de forma confiável e repetida – no jargão da visão de máquina, “robustamente”.



DOWNLOAD:Guia de Soluções de Deep Learning para Ciências da Vida

Detecção de defeitos em ciências biológicas

Aplicações de microscopia clínica e de pesquisa que anteriormente exigiam inspeção humana estão sendo reinventadas com a aplicação de análise de imagem baseada em aprendizagem profunda. Amostras patológicas e histológicas, por exemplo, requerem detecção e segmentação precisas de defeitos, apesar dos padrões variáveis ​​e imprevisíveis dos defeitos.

Quando você considera o desafio de detectar anormalidades celulares e danos celulares em uma lâmina histológica (tecido celular), as aparências visuais potenciais são impressionantes.

Uma célula cancerígena pode aparecer em vários tamanhos e formas, e suas várias formas são, na maioria dos casos, mais diferentes do que semelhantes. É efetivamente impossível ensinar um sistema de inspeção a identificar todas as possíveis anomalias sem uma extensa programação e, mesmo assim, a possibilidade de falsa identificação ou rejeição é alta. Em uma situação como essa, a análise de imagem baseada em aprendizado profundo no modo não supervisionado oferece um modo de inspeção altamente preciso e eficiente.

Em nosso aplicativo de detecção de anormalidades celulares, um engenheiro de treinamento usa amostras de imagens de possíveis anormalidades celulares, como câncer, para ensinar o software a conceituar e generalizar a aparência normal de uma célula ou grupos de células. Esses slides são rotulados como “bons” exemplos de células saudáveis ​​e levam em consideração variantes normais de células saudáveis, como a mitose. Em seguida, durante o tempo de execução, quaisquer variações são sinalizadas como anômalas e provavelmente exemplificam danos celulares. Esta aplicação requer mais uma etapa.

Depois que uma célula ou cluster de células é sinalizado, a região específica de interesse precisa ser segmentada dinamicamente em tempo real para análise posterior. Afinal, a célula exibe danos potenciais porque sua aparência foge do normal, mas não é necessariamente cancerígena. Esses desvios podem ser causados ​​por artefatos na lâmina.

Normalmente, um inspetor humano – provavelmente um patologista – teria que revisar esse subconjunto de amostras para fazer um diagnóstico firme. Mas, novamente, o software baseado em aprendizado profundo da Cognex pode executar novamente seu algoritmo nas zonas-alvo do subconjunto - desta vez com retreinamento no modo supervisionado - para analisar entre "bom" (tolerável, não danificado) e "ruim" (patológico, danificado ) células.

Reconhecimento óptico de caracteres em ciências biológicas

Muitos fornecedores médicos dependem da identificação automática para rastreabilidade e para atender aos regulamentos de segurança. Caracteres alfanuméricos legíveis por humanos podem facilmente se apresentar como deformados para a câmera de um sistema de inspeção automatizado se estiverem presentes em material elástico e moldável como uma bolsa IV. O brilho especular e o reflexo também podem confundir o sistema, obscurecendo e alterando a aparência natural do código.

Mesmo sem essas variações visuais, ainda pode ser muito demorado ensinar um sistema de visão a reconhecer diferentes fontes, como no caso da verificação ótica de caracteres (OCV), quando o sistema de inspeção não pode antecipar qual estilo de fonte será encontro. É aqui que uma biblioteca omni-fonte pré-treinada pode ser útil. Uma ferramenta baseada em aprendizado profundo que é pré-treinada para reconhecer várias fontes essencialmente funciona imediatamente; não há necessidade de treinamento inicial baseado em imagem, e o treinamento mínimo que ocorre ocorre apenas em caracteres perdidos para refinar a lógica do modelo.

A implementação rápida e fácil e os ajustes limitados de aplicativos tornam o OCR baseado em aprendizado profundo uma escolha óbvia para aplicativos que envolvem caracteres deformados, distorcidos e mal gravados ou em aplicativos de verificação quando a câmera certamente encontrará uma ampla variedade de fontes desconhecidas.

Verificação da montagem de ciências biológicas

Dispositivos de automação de laboratório, como analisadores clínicos e dispositivos de diagnóstico in vitro, dependem da visão de máquina para garantir que as amostras sejam perfeitamente inseridas e alinhadas para condições ideais de teste. O sucesso dos fabricantes de dispositivos de diagnóstico depende da precisão das medições e resultados de suas máquinas. Talvez o mais importante, eles contam com configurações de teste precisas e montagem de deck, que fornecem ao dispositivo dados precisos para que os testes sejam executados de maneira correta e uniforme.

A montagem correta das amostras de teste - sangue, urina ou tecido - no que é conhecido como verificação pré-montagem é essencial para reduzir quaisquer erros potenciais que possam ameaçar contaminação, confundir ou rotular erroneamente diagnósticos, ou retardar ou quebrar equipamentos caros. Durante essas inspeções, o sistema automatizado deve verificar se não há tubos de ensaio desalinhados ou ausentes, tampas que não foram removidas ou vasos estranhos carregados no rack do analisador. Verificar se o rack do equipamento foi preenchido completa e corretamente envolve o gerenciamento de vários fatores:tubos e recipientes de amostras e reagentes variam de acordo com o fabricante em forma, tamanho e dimensão, e pode ser impossível para a máquina prever a posição das amostras no deck .

Com essas variações imprevisíveis nas configurações de teste, faz sentido usar o aprendizado profundo para realizar a verificação de montagem. O software baseado em aprendizado profundo da Cognex pode aprender a aparência variável de diferentes amostras e reagentes, bem como seus locais imprevisíveis e variados, com base em um conjunto de imagens de treinamento.

A ferramenta generaliza as características distintivas das amostras e reagentes com base em seu tamanho, forma e características de superfície e aprende sua aparência normal, bem como sua localização geral nos suportes ou microplacas do deck. Dessa forma, o aprendizado profundo é capaz de automatizar e resolver um aplicativo anteriormente difícil de programar de maneira rápida, altamente precisa e fácil de implantar.

Classificação de Ciências da Vida

Determinar a qualidade de uma amostra de sangue ainda requer uma quantidade significativa de julgamento humano. Isso ocorre porque uma amostra adequadamente preparada que foi centrifugada e indexada precisa receber pontuações individuais para turbidez e cor do plasma. Com base em como as amostras são carregadas na máquina do analisador, suas aparências podem variar e o sangue pode parecer relativamente mais ou menos separado. Isso afeta a indexação.

Por exemplo, uma amostra com plasma estratificado mais claramente, camada leucocitária e glóbulos vermelhos teria uma classificação mais alta do que uma com fases menos distintas. Mas em um ambiente de laboratório altamente automatizado que depende de bons fluxos de trabalho, essa abordagem não é ideal. Felizmente, a análise de imagem baseada em aprendizado profundo pode imitar a inteligência humana e avaliar a qualidade da separação de uma amostra centrifugada. Mas o processo de gestão da qualidade envolve mais uma etapa:a classificação.

Somente as amostras com nota de aprovação serão permitidas para teste. Isso torna imperativo que o sistema de inspeção seja capaz de generalizar e conceituar a aparência de fases “boas” (isto é, bem separadas) de glóbulos vermelhos. Ele faz isso com base em fatores como cor do plasma, turbidez e volume da camada leucocitária, critérios usados ​​no processamento de amostras.

O aprendizado profundo é a única ferramenta de automação capaz de classificar, classificar e classificar de forma inteligente vários objetos em uma única imagem. Nesse caso, o Cognex Deep Learning é capaz de classificar várias classes em um único frasco de sangue para identificar e passar apenas as amostras que atendem aos critérios de teste.

Como a mais recente solução de automação para aplicações complexas de ciências biológicas, as ferramentas baseadas em aprendizado profundo da Cognex estão convenientemente disponíveis como sistemas de prateleira e OEM para serem projetadas diretamente em dispositivos de automação de laboratório. Com resultados altamente confiáveis ​​e baixa demanda em infraestruturas adicionais, como CPUs ou PCs incorporados, o software baseado em aprendizado profundo da Cognex é uma adição natural ao arsenal de ferramentas de inspeção de visão de máquina do setor de ciências biológicas.