Wie Deep Learning Prüfungen in der Life-Science-Branche automatisiert

Die Life-Science-Branche ist für kapitalintensive Forschung und medizinische Geräte bekannt, welche die Praktiken der medizinischen Bildgebung, Probenahme und Arzneimittelherstellung weiterentwickelt haben. Diese Geräte haben Verfahren der industriellen Bildverarbeitung in ihr Design integriert.

Bei bestimmten Laborautomatisierungsanwendungen kann die industrielle Bildverarbeitung jedoch nicht mit der Flexibilität des menschlichen Verstandes mithalten, um urteilsbasierte Entscheidungen zu treffen. Computer sind bekanntlich bei stark belebtem Hintergrund und problematischen Bildqualitäten, wie z. B. spiegelndem Glanz, verwirrt. Dies erschwert es herkömmlichen Bildverarbeitungsalgorithmen unglaublich, ein Objekt oder einen Zielbereich genau zu lokalisieren, insbesondere um Abweichungen in einer nicht strukturierten Szene zu identifizieren. Für automatisierte Systeme kann es zeitaufwändig und schwierig, wenn nicht sogar unmöglich sein, die Zielbereiche erfolgreich zu identifizieren und dabei irrelevante Merkmale zu ignorieren.

Durchbrüche in der Deep-Learning-basierten Bildanalyse können heute jedoch die erwähnten Anwendungen automatisieren, damit diese zuverlässig, wiederholt und — wie man in der industriellen Bildverarbeitung sagt — „robust“ durchgeführt werden.

Defekterkennung in der Life-Science-Branche

Mikroskopie-Anwendungen in Klinik und Forschung, die früher eine Prüfung durch Menschen erforderten, werden mit der Nutzung von Deep-Learning-basierter Bildanalyse neu erfunden. Pathologische und histologische Proben erfordern zum Beispiel trotz der verschiedenen und unvorhersehbaren Muster der Fehler eine genaue Defekterkennung und Segmentierung.

Wenn man die schwierige Erkennung von Zellanomalien und Zellschäden in histologischen Präparaten (Zellgewebe) bedenkt, sind die möglichen visuellen Erscheinungsbilder verwirrend.

Eine Krebszelle könnte in zahlreichen Größen und Formen auftreten, und ihre verschiedenen Formen unterscheiden sich in den meisten Fällen mehr als dass sie einander ähneln. Es ist unmöglich, einem Prüfsystem effektiv beizubringen, alle möglichen Anomalien ohne umfassende Programmierung zu erkennen, und selbst dann ist die Möglichkeit einer Fehlerkennung oder Ablehnung hoch. In einer Situation wie dieser bietet die Deep-Learning-basierte Bildanalyse im nicht überwachten Modus eine extrem genaue und effiziente Prüfmethode.

Im Anwendungsbeispiel der Erkennung von Zellanomalien verwendet man Musterbilder von möglichen Zellanomalien wie Krebs, um der Software beizubringen, das normale Aussehen von Zellen oder Zellhaufen zu konzeptionieren und zu verallgemeinern. Diese Präparate werden als „gute“ Beispiele gesunder Zellen gekennzeichnet und berücksichtigen dabei normale gesunde Zellvarianten, wie zum Beispiel Mitose. Während der Laufzeit werden dann Abweichungen als anomal gekennzeichnet, die wahrscheinlich einen Zellschaden zeigen. Diese Anwendung erfordert einen weiteren Schritt.

Wenn eine Zelle oder ein Zellhaufen gekennzeichnet wurde, muss der jeweilige Zielbereich zur weiteren Überprüfung dynamisch in Echtzeit segmentiert werden. Die Zelle weist schließlich mögliche Schäden auf, da ihr Erscheinungsbild von der Norm abweicht, aber sie muss nicht unbedingt krebsartig sein. Solche Abweichungen könnten durch Ablagerungen auf dem Objektträger verursacht werden.

Normalerweise müsste ein menschlicher Prüfer — wahrscheinlich ein Pathologe — einen Teil dieser Proben überprüfen, um eine sichere Diagnose zu erstellen. Aber wieder kann die Deep-Learning-basierte Software von Cognex ihren Algorithmus noch einmal über den Teil der Zielzonen laufen lassen — diesmal mit neuem Trainieren im Überwachungsmodus — um zwischen „guten“ (tolerierbaren, nicht beschädigten) und „schlechten“ (pathologischen, beschädigten) Zellen zu unterscheiden.

Optische Zeichenerkennung in der Life-Science-Branche

Viele Anbieter von Medizintechnik vertrauen bei der Rückverfolgbarkeit auf die automatisierte Identifikation, um die Sicherheitsbestimmungen zu erfüllen. Alphanumerische Zeichen in Klarschrift können sich der Kamera eines automatisierten Prüfsystems leicht als verformt darstellen, wenn sie auf dehn- und formbarem Material wie einem Infusionsbeutel vorhanden sind. Spiegelnder Glanz und Reflexionen können das System ebenfalls irritieren, da sie das natürliche Erscheinungsbild des Codes verdecken und verändern.

Selbst ohne diese optischen Abweichungen kann es immer noch immens zeitintensiv sein, einem Bildverarbeitungssystem verschiedene Schriften beizubringen. Die ist auch bei der optischen Zeichenüberprüfung (OCV) der Fall, wenn das Inspektionssystem nicht vorhersehen kann, auf welche Schriftart es treffen wird. Hier kann eine vorab trainierte Omni-Schriftenbibliothek praktisch sein. Ein Deep-Learning-basiertes Tool, das vorab darauf trainiert wurde, verschiedene Schriften zu erkennen, funktioniert sofort. Es ist im Voraus kein bildbasiertes Training erforderlich und das bisschen Einlernen, das stattfindet, erfolgt nur für übersehene Zeichen, um die Logik des Modells zu verfeinern.

Die schnelle, einfache Implementierung und wenige Anwendungsanpassungen prädestinieren die Deep-Learning-basierte OCR für Anwendungen mit verformten, schiefen und schlecht geätzten Zeichen oder bei Prüfanwendungen, bei denen die Kamera mit Sicherheit auf viele verschiedene unbekannte Schriften trifft.

Bestückungsprüfung in der Life-Science-Branche

Laborautomatisierungsgeräte wie klinische Analyse- und In-vitro-Diagnosegeräte beruhen auf industrieller Bildverarbeitung, um zu gewährleisten, dass die Proben für optimale Testbedingungen richtig eingesetzt und ausgerichtet wurden. Der Erfolg von Diagnosegeräteherstellern beruht auf der Mess- und Ergebnisgenauigkeit ihrer Geräte. Am wichtigsten ist vielleicht, dass sie sich auf genaue Prüfanordnungen und Trägerbestückung stützen, die dem Gerät präzise Daten liefern, so dass die Tests korrekt und einheitlich durchgeführt werden.

Die korrekte Zusammenstellung der Testproben — Blut, Urin oder Gewebe — die sogenannte Prüfung vor der Bestückung, ist entscheidend für die Verringerung möglicher Fehler, die zur Gefahr einer Verunreinigung, zu Verwechslungen oder zur falschen Beschriftung von Diagnosen führen oder teure Geräte verlangsamen oder beschädigen könnten. Das automatisierte System muss während dieser Inspektionen überprüfen, dass es keine falsch ausgerichteten oder fehlenden Proberöhrchen gibt, dass keine Verschlüsse entfernt oder fremde Behälter in den Träger des Analysegeräts eingesetzt wurden. Die Überprüfung, ob der Träger eines Geräts vollständig und richtig bestückt wurde, umfasst die Bewältigung mehrerer Faktoren: Proben- und Reagenzröhrchen und Gefäße unterscheiden sich je nach Hersteller in Form, Größe und Abmessungen, und es kann für das Gerät unmöglich sein, die Position der Proben auf dem Träger vorauszusagen.

Angesichts dieser unvorhersehbaren Abweichungen bei den Prüfanordnungen ist es sinnvoll, Deep Learning zur Durchführung der Bestückungsprüfung einzusetzen. Die Deep-Learning-basierte Software von Cognex kann die verschiedenen Erscheinungsbilder unterschiedlicher Proben und Reagenzien sowie ihre unvorhersehbaren und wechselnden Positionen mit einem Satz von Trainingsbildern lernen.

Das Tool verallgemeinert die Unterscheidungsmerkmale der Proben und Reagenzien basierend auf ihrer Größe, Form und Oberflächeneigenschaften und lernt ihr normales Aussehen sowie ihre generelle Lage auf den Trägergestellen oder Mikroplatten. Auf diese Weise ist Deep Learning in der Lage, eine vorher schwer zu programmierende Anwendung zu automatisieren und schnell, extrem genau und benutzerfreundlich zu bewältigen.

Klassifizierung für die Life-Science-Industrie

Die Feststellung der Qualität einer Blutprobe erfordert immer noch ein großes Maß an menschlichem Urteilsvermögen. Denn eine ordnungsgemäß vorbereitete Probe, die zentrifugiert und katalogisiert wurde, muss individuell nach Trübheitsgrad und Plasmafarbe eingestuft werden. Je nachdem, wie Proben in das Analysegerät eingesetzt werden, kann ihr Erscheinungsbild variieren und Blut mehr oder weniger getrennt aussehen. Das beeinflusst die Katalogisierung.

Zum Beispiel würde eine Probe mit deutlicheren Schichten von Plasma, Buffy Coat und roten Blutzellen höher bewertet als eine mit weniger ausgeprägten Phasen. In einer hochautomatisierten Laborumgebung, die auf guten Abläufen basiert, ist dieser Ansatz jedoch nicht ideal. Glücklicherweise kann die Deep-Learning-basierte Bildanalyse die menschliche Intelligenz nachahmen und die Qualität der Trennung einer zentrifugierten Blutprobe beurteilen. Der Qualitätsmanagementprozess umfasst jedoch einen weiteren Schritt: die Klassifizierung.

Es können nur jene Blutproben getestet werden, die als zugelassen eingeordnet sind. Daher ist es für das Inspektionssystem unbedingt erforderlich, das Erscheinungsbild von „guten“ (d. h. klar getrennten) roten Blutzellphasen verallgemeinern und konzeptionieren zu können. Es stützt sich dabei auf Faktoren wie Plasmafarbe, Trübheitsgrad und Buffy-Coat-Volumen, die alle in der Probenverarbeitung verwendete Kriterien sind.

Deep Learning ist das einzige Automatisierungstool, das mehrere Objekte in einem einzigen Bild auf intelligente Weise klassifizieren, sortieren und einstufen kann. In diesem Fall ist Cognex Deep Learning in der Lage, mehrere Klassen in einem einzigen Blutröhrchen zu sortieren, um nur jene Blutproben zu identifizieren und zuzulassen, die die Testkriterien erfüllen.

Als neueste Automatisierungslösung für komplexe Life-Science-Anwendungen sind Deep-Learning-basierte Tools von Cognex praktischerweise sowohl als Standardprodukte als auch als OEM-Systeme verfügbar, die direkt in Laborautomatisierungsgeräte eingebaut werden können. Mit extrem zuverlässigen Ergebnissen und ohne große Anforderungen an zusätzliche Infrastruktur wie CPUs oder eingebettete PCs ist die Deep-Learning-basierte Software von Cognex eine natürliche Ergänzung für das Arsenal an bildverarbeitungsgestützten Prüftools der Life-Science-Industrie.