Comment le Deep Learning automatise-t-il les inspections pour le secteur des sciences de la vie ?

Le secteur des sciences de la vie est connu pour le matériel médical et la recherche à forte intensité de capital qui ont fait progresser les pratiques d’imagerie médicale, d’analyse des échantillons et de fabrication de médicaments. Ces appareils intègrent des fonctionnalités de vision industrielle.

Toutefois, dans certaines applications d’automatisation de laboratoire, la vision industrielle ne peut égaler l’esprit humain pour prendre des décisions basées sur le jugement. Les ordinateurs sont souvent confus en présence d’arrière-plans chargés et de problèmes de qualité de l’image, tels que la réflexion spéculaire. Il est ainsi extrêmement difficile pour les algorithmes de vision industrielle classiques de localiser un objet ou une zone d’intérêt avec précision, en particulier pour identifier les anomalies dans une scène non structurée. Identifier les zones d’intérêt tout en ignorant les caractéristiques non pertinentes peut s’avérer long et difficile, voire impossible, pour les systèmes automatiques.

Aujourd’hui, cependant, les avancées dans l’analyse d’images basée sur le Deep Learning peuvent automatiser ces applications afin de garantir leur fiabilité et leur répétabilité.

Détection des défauts pour les sciences de la vie

Les applications de microscopie clinique et expérimentale qui nécessitaient auparavant une inspection humaine sont réinventées avec l’application de l’analyse d’images basée sur le Deep Learning. Les échantillons pathologiques et histologiques, par exemple, requièrent une détection et une segmentation précises des défauts, malgré les motifs variables et imprévisibles des défauts.

Lorsque vous prenez en compte les difficultés de la détection d’anomalies et de détériorations cellulaires sur une lamelle histologique, les aspects visuels potentiels sont impressionnants.

Une cellule cancéreuse peut apparaître dans de nombreuses tailles et formes, qui présentent plus de différences que de similitudes. Il est de fait impossible d’apprendre à un système d’inspection à identifier toutes les anomalies possibles sans programmation intensive mais, là encore, la possibilité d’identification erronée ou de rejet est élevée. Dans une telle situation, l’analyse d’images basée sur le Deep Learning en mode non supervisé offre un mode d’inspection extrêmement précis et efficace.

Dans notre application de détection d’anomalies cellulaires, un ingénieur de formation utilise des échantillons d’images d’anomalies cellulaires possibles, telles que le cancer, pour apprendre au logiciel à conceptualiser et généraliser l’aspect normal d’une cellule ou de groupes de cellules. Ces lamelles sont étiquetées comme bons exemples de cellules saines et prennent en compte les variantes normales des cellules saines, telles que la mitose. Ensuite, lors de l’exécution, toute variation est détectée comme anormale et exemple probable d’une détérioration cellulaire. Cette application nécessite une étape supplémentaire.

Une fois qu’une cellule ou un groupe de cellules a été signalé, la zone d’intérêt particulière doit être segmentée de façon dynamique et en temps réel en vue d’une analyse ultérieure. La cellule présente une détérioration potentielle, après tout, car son aspect s’écarte de la normalité, mais elle n’est pas nécessaire cancéreuse. Ces écarts peuvent être causés par des artéfacts sur la lamelle.

Normalement, un inspecteur humain, probablement un pathologiste, devrait analyser ce sous-ensemble d’échantillons pour pouvoir effectuer un diagnostic. Mais là encore, le logiciel basé sur le Deep Learning de Cognex peut réexécuter son algorithme sur les zones cibles du sous-ensemble (cette fois-ci avec un réapprentissage en mode supervisé) pour distinguer les bonnes (tolérables, non détériorées) des mauvaises cellules (pathologiques, détériorées).

Reconnaissance optique de caractères pour les sciences de la vie

De nombreux fournisseurs de matériel médical s’appuient sur l’identification automatique pour la traçabilité et le respect des réglementations de sécurité. Les caractères alphanumériques interprétables par l’utilisateur peuvent facilement apparaître déformés devant la caméra d’un système d’inspection automatique s’ils sont présents sur des matériaux extensibles et malléables, tels que les sacs pour perfusion intraveineuse. La réflexion spéculaire peut également gêner le système, en masquant et en modifiant l’aspect naturel du code.

Même sans ces variations visuelles, il peut être extrêmement fastidieux d’apprendre à un système de vision à reconnaître différentes polices, notamment dans le cas de la vérification optique des caractères, lorsque le système d’inspection ne peut pas anticiper quel style de police il rencontrera. C’est à ce moment-là qu’une bibliothèque omnipolice prédéfinie peut être utile. Un outil basé sur le Deep Learning qui a appris à reconnaître différentes polices est essentiellement prêt à l’emploi ; aucun apprentissage n’est requis en amont et seuls les caractères manquants doivent être appris par le système pour redéfinir la logique du modèle.

Une mise en œuvre facile et rapide et des réglages d’application limités font de la reconnaissance optique de caractères un choix évident pour les applications présentant des caractères déformés, asymétriques et mal gravés ou les applications de vérification dans lesquelles la caméra rencontrera un large éventail de polices inconnues.

Vérification de l’assemblage pour les sciences de la vie

Les appareils d’automatisation de laboratoire, tels que les analyseurs cliniques et les appareils de diagnostic in vitro s’appuient sur la vision industrielle pour garantir l’insertion et l’alignement parfaits des échantillons afin d’optimiser les conditions d’analyse. La réussite des fabricants d’appareils de diagnostic dépend de la précision des mesures et résultats de leurs machines. Peut-être plus important encore, ils s’appuient sur des configurations de test et un assemblage de paillasses précis, qui fournissent des données précises aux appareils de façon à ce que les tests soient réalisés de façon correcte et uniforme.

L’assemblage correct des échantillons de test (sang, urine et tissus) lors de la vérification du pré-assemblage est essentiel pour réduire les erreurs potentielles qui pourraient entraîner des diagnostics de contamination, de confusion ou de mauvais étiquetage, ou encore ralentir ou casser des équipements coûteux. Lors de ces inspections, le système automatique doit détecter l’absence ou le défaut d’alignement des tubes à essai ou bouchons, ou le chargement de récipients étrangers sur le plateau de l’analyseur. La vérification du remplissage complet et correct du plateau de l’équipement implique la gestion de différents facteurs : les récipients et tubes d’échantillons et de réactifs varient en termes de forme, taille et dimensions, selon le fabricant, et il peut être impossible pour la machine de prévoir la position des échantillons sur la paillasse.

Avec ces variations imprévisibles dans les configurations de test, il est judicieux d’utiliser le Deep Learning pour effectuer la vérification de l’assemblage. Le logiciel basé sur le Deep Learning de Cognex peut apprendre l’aspect variable des différents échantillons et réactifs, ainsi que leur position variable et imprévisible, en fonction d’un ensemble d’images d’apprentissage.

L’outil généralise les caractéristiques distinctives des composants en fonction de leur taille, forme et surface, et apprend leur aspect normal, ainsi que leur position générale sur les microplaques ou plateaux des paillasses. Ainsi, le Deep Learning peut automatiser et relever les défis des applications auparavant difficiles à programmer dans une interface rapide, extrêmement précise et facile à déployer.

Classification pour les sciences de la vie

La vérification de la qualité d’un échantillon sanguin nécessite toujours une part importante de jugement humain. En effet, un échantillon correctement préparé qui a été centrifugé et indexé doit recevoir des notes individuelles pour la turbidité et la couleur du plasma. Selon le chargement des échantillons dans l’analyseur, leur aspect peut varier et le sang peut apparaître plus ou moins séparé. Cela affecte l’indexation.

Par exemple, un échantillon contenant du plasma, une couche leucocytaire et des globules rouges plus clairement stratifiés aurait une meilleure note qu’un autre présentant des phases moins distinctes. Mais cette approche n’est pas idéale dans un environnement de laboratoire hautement automatisé qui s’appuie sur des flux de travail opérationnels. Heureusement, l’analyse d’images basée sur le Deep Learning peut imiter l’intelligence humaine et évaluer la qualité de la séparation d’un échantillon centrifugé. Mais le processus de gestion de la qualité comporte une étape supplémentaire : la classification.

Seuls les échantillons ayant reçu une note de passage seront autorisés pour l’analyse. Il est ainsi impératif que le système d’inspection puisse généraliser et conceptualiser l’aspect des phases correctes (c.-à-d. séparées) des globules rouges. Pour cela, il se base sur des facteurs, tels que la couleur du plasma, la turbidité et le volume de la couche leucocytaire, qui sont tous des critères utilisés dans le traitement des échantillons.

Le Deep Learning est l’unique outil d’automatisation capable de classer, trier et évaluer intelligemment plusieurs objets dans une seule image. Dans ce cas, Cognex Deep Learning peut trier plusieurs classes dans un seul flacon de sang pour identifier et valider uniquement les échantillons qui répondent aux critères d’analyse.

En tant que solution d’automatisation la plus récente pour les applications complexes des sciences de la vie, les outils basés sur le Deep Learning de Cognex sont disponibles sous forme de systèmes OEM et prêts à l’emploi qui peuvent être intégrés directement dans les appareils d’automatisation de laboratoire. Avec des résultats extrêmement fiables et de faibles besoins en termes d’infrastructures supplémentaires telles que des unités centrales ou des PC intégrés, le logiciel basé sur le Deep Learning de Cognex est un ajout naturel à l’arsenal d’outils d’inspection par vision industrielle du secteur des sciences de la vie.