Come il deep learning automatizza le ispezioni per il settore delle scienze biologiche

deep learning life sciences

Il settore delle scienze biologiche è famoso per la ricerca ad alta intensità di capitale e per i dispositivi medici che hanno fatto progredire le pratiche di diagnostica per immagini, di analisi di campioni e di produzione di farmaci. Tali dispositivi hanno capacità di visione industriale integrate nella loro progettazione.

Eppure, per alcune applicazioni di automazione di laboratorio, la visione industriale non è in grado di eguagliare in maniera sufficiente la flessibilità della mente umana per prendere decisioni di tipo valutativo. I computer vengono notoriamente disorientati da sfondi confusi e da problemi di qualità dell'immagine, quali il riverbero speculare. Ciò rende incredibilmente difficile per gli algoritmi tradizionali di visione industriale localizzare con precisione un oggetto o una regione di interesse, soprattutto per identificare anomalie all'interno di un contesto non strutturato. Può richiedere molto tempo ed essere un compito difficile, se non impossibile, per sistemi automatizzati identificare con successo le regioni di interesse ignorando caratteristiche irrilevanti.

Oggi, tuttavia, i progressi nell'analisi di immagine basata sul deep learning possono automatizzare queste applicazioni in modo che vengano eseguite in maniera affidabile e ripetitiva, per dirla nel linguaggio della visione industriale "in maniera robusta".

Rilevamento di difetti nelle scienze biologiche

Le applicazioni di microscopia clinica e di ricerca che in precedenza richiedevano l'ispezione umana vengono attualmente reinventate con l'applicazione dell'analisi di immagine basata sul deep learning. I campioni patologici e istologici, ad esempio, richiedono accurato rilevamento e accurata segmentazione di difetti nonostante i modelli variabili e imprevedibili dei difetti stessi.

Quando si considera la sfida di rilevare anomalie cellulari e danni cellulari su un vetrino istologico (tessuto cellulare), gli aspetti visivi potenziali sono sbalorditive.

rilevamento di difetti con deep learning per il settore delle scienze biologiche 

Una cellula cancerosa potrebbe presentare numerose dimensioni e forme diverse e, nella maggior parte dei casi, le sue varie forme sono più diverse di quanto non siano simili. È effettivamente impossibile insegnare ad un sistema d'ispezione ad individuare tutte le possibili anomalie senza una programmazione estesa e, anche in questo caso, la possibilità di una falsa identificazione o di un rifiuto è alta. In una situazione come questa, l'analisi di immagine basata sul deep learning in modalità "apprendimento non supervisionato" offre una modalità di ispezione altamente accurata ed efficiente.

Nella nostra applicazione di rilevamento delle anomalie cellulari, un tecnico addetto all'addestramento utilizza immagini campione di possibili anomalie cellulari, quali un tumore, per insegnare al software a concettualizzare e generalizzare l'aspetto normale di una cellula o di cluster di cellule. Questi vetrini sono etichettati come esempi "conformi" di cellule sane e tengono in considerazione varianti normali di cellule sane, quali la mitosi. Poi, durante il funzionamento sul campo, ogni variazione viene segnalata come anomala e probabilmente esemplificativa di un danno cellulare. Questa applicazione richiede un passo ulteriore.

Una volta che una cella o un cluster di cellule viene segnalato, la particolare regione di interesse deve essere segmentata dinamicamente in tempo reale per un ulteriore riesame. La cellula presenta un danno potenziale, in definitiva, perché il suo aspetto si discosta dalla norma, ma non si tratta necessariamente di una cellula cancerogena. Tali deviazioni potrebbero essere causate da effetti sul vetrino.

Di norma, un ispettore umano, probabilmente un patologo, dovrebbe esaminare questo sottoinsieme di campioni per effettuare una diagnosi definitiva. Ma ancora una volta, Il software di Cognex basato sul deep learning può rieseguire nuovamente il suo algoritmo sulle zone interessate del sottoinsieme, questa volta con il riaddestramento in modalità supervisionata, per distinguere le cellule "conformi" (tollerabili, non danneggiate) da quelle "non conformi" (patologiche, danneggiate).

Riconoscimento ottico dei caratteri nelle scienze biologiche

Molti fornitori di prodotti medicali si affidano all'identificazione automatica per la rintracciabilità e per soddisfare le norme di sicurezza. I caratteri alfanumerici leggibili dall'occhio umano possono presentarsi facilmente come deformati alla telecamera di un sistema d'ispezione automatizzata se sono presenti su materiale estensibile e modellabile come una sacca per flebo. Anche il riverbero e il riflesso speculari possono confondere il sistema, oscurando e modificando l'aspetto naturale del codice.

OCR con deep learning per le scienze biologiche

Anche senza queste variazioni visive, può comunque essere estremamente dispendioso in termini di tempo insegnare a un sistema di visione a riconoscere i diversi font, come nel caso della verifica ottica dei caratteri (OCV), quando il sistema d'ispezione non è in grado di prevedere quale stile di font incontrerà. In questo caso può essere utile una libreria preaddestrata di omnifont. Uno strumento basato sul deep learning che è stato preaddestrato per riconoscere i vari font funziona essenzialmente non appena installato; non è necessario un addestramento preventivo basato su immagini e l'addestramento minimo che si verifica avviene soltanto sui caratteri non letti al fine di perfezionare la logica del modello.

L'implementazione rapida e semplice e le limitate regolazioni delle applicazioni rendono l'OCR basato sul deep learning una scelta ovvia per applicazioni che coinvolgono caratteri deformati, storti e con incisione di scarsa qualità o nel caso di applicazioni di verifica quando la telecamera è sicura di incontrare una vasta gamma di font sconosciuti.

Verifica di assemblaggi nelle scienze biologiche

I dispositivi di automazione di laboratorio, come gli analizzatori clinici e i dispositivi per la diagnostica in vitro, si affidano alla visione industriale per garantire che i campioni siano perfettamente inseriti e allineati per condizioni di test ottimali. Il successo dei produttori di dispositivi diagnostici si basa sulla precisione delle misurazioni e dei risultati delle loro macchine. Forse la cosa più importante è che si affidano a impostazioni accurate delle prove e a un assemblaggio preciso della piastra, che forniscono al dispositivo dati precisi affinché i test siano eseguiti in modo corretto e uniforme.

verifica di assemblaggi con deep learning per il settore delle scienze biologiche

L'assemblaggio corretto dei campioni da analizzare (sangue, urine o tessuti) nel contesto di quella che è conosciuta come la verifica pre-assemblaggio è essenziale per ridurre eventuali errori che potrebbero causare minacce di contaminazione, creare confusione o diagnosi errate oppure rallentare o causare rotture di apparecchiature costose. Durante queste ispezioni, il sistema automatizzato deve verificare che non ci siano provette disallineate o assenti, tappi non rimossi o recipienti estranei caricati nel rack dell'analizzatore. Verificare che il rack dell'apparecchiatura sia stato popolato completamente e correttamente comporta la gestione di numerosi fattori: le provette e i recipienti di campioni e reagenti variano a seconda del produttore in termini di forma, formato e dimensioni e può essere impossibile per la macchina prevedere la posizione dei campioni sulla piastra.

In ragione di queste variazioni imprevedibili nelle impostazioni di prova, ha senso utilizzare il deep learning per eseguire la verifica di assemblaggi. Il software basato sul deep learning Cognex può apprendere a riconoscere l'aspetto variabile dei diversi campioni e reagenti, così come la loro posizione imprevedibile e variabile, sulla base di una serie di immagini di addestramento.

Lo strumento generalizza le diverse caratteristiche di campioni e reagenti in base a dimensione, forma e superficie, e apprende a riconoscere l'aspetto normale e la posizione generale sui rack della piastra o sulle micropiastre. In questo modo, il deep learning è in grado di automatizzare e risolvere un'applicazione precedentemente difficile da programmare in modo rapido, altamente accurato e facile da implementare.

Classificazione per le scienze biologiche

L'analisi della qualità di un campione di sangue richiede comunque un notevole grado di giudizio umano. Questo perché un campione adeguatamente preparato, centrifugato e indicizzato, deve ricevere punteggi individuali in termini di torbidità e colore del plasma. In base a come i campioni vengono caricati nell'analizzatore, il loro aspetto può variare e il sangue può apparire relativamente più o meno separato. Ciò incide sull'indicizzazione.

classificazione con deep learning per il settore delle scienze biologiche

Ad esempio, un campione con plasma, buffy coat e globuli rossi stratificati in maniera più chiara verrebbe valutato con un punteggio superiore rispetto ad uno con fasi meno distinte. Ma in un ambiente di laboratorio altamente automatizzato che si basa su buoni flussi di lavoro, questo approccio non è ideale. Fortunatamente, l'analisi di immagini basata sul deep learning può imitare l'intelligenza umana e valutare la qualità della separazione di un campione centrifugato. Tuttavia il processo di gestione della qualità comporta un passo ulteriore: la classificazione.

Soltanto i campioni con un punteggio sufficiente saranno ammessi all'esecuzione delle prove. Ciò rende indispensabile che il sistema d'ispezione sia in grado di generalizzare e concettualizzare l'aspetto delle fasi dei globuli rossi "conformi" (ossia ben separate). Ciò si basa su fattori quali il colore del plasma, la torbidità e il volume del buffy coat, che sono tutti criteri utilizzati nel trattamento dei campioni.

Il deep learning è l'unico strumento di automazione in grado di classificare, smistare e valutare in modo intelligente più oggetti all'interno di una singola immagine. In questo caso, Cognex Deep Learning è in grado di smistare più classi all'interno di una singola fiala di sangue per identificare e considerare come conformi soltanto i campioni che soddisfano i criteri di analisi.

Trattandosi della soluzione più recente di automazione per applicazioni complesse nel settore delle scienze biologiche, gli strumenti basati sul deep learning di Cognex sono comodamente disponibili tanto come sistemi disponibili in commercio quanto come sistemi OEM da progettare direttamente nei dispositivi di automazione di laboratorio. Con risultati altamente affidabili e bassa richiesta di infrastrutture aggiuntive quali CPU o PC integrati, il software di Cognex, basato sul deep learning, è un'aggiunta naturale all'arsenale di strumenti di ispezione attraverso la visione industriale del settore delle scienze biologiche.

Contatto vendite

Altri post in merito a

OTTIENI L’ACCESSO AD ASSISTENZA E FORMAZIONE IN MERITO AI PRODOTTI E MOLTO ALTRO ANCORA

Entra a far parte di MyCognex