ブログ

ディープラーニングでライフサイエンス産業の検査を自動化する

deep learning life sciences

ライフサイエンス産業は、資本を投入して研究や医療機器の開発を行い、医療画像、サンプル検査、医薬品製造の実践を進めてきました。これらのデバイスには、その設計にマシンビジョン機能が統合されています。

しかし、特定のラボ自動化アプリケーションでは、マシンビジョンは人間の柔軟な判断のように意思決定を行うことができません。コンピュータは、忙しい背景や反射グレアなどの画質の問題によって混乱することがあります。つまり、従来のマシンビジョンアルゴリズムでは、特に構造化されていない場面で対象物や対象領域を正確に見つけて異常を特定することは非常に困難でした。自動化されたシステムが無関係な特徴を無視しながら対象地域を正常に識別するには、時間がかかり、困難な場合があります。

しかし、今では、ディープラーニングベースの画像解析も進歩し、これらのアプリケーションを自動化して、マシンビジョンの用語で確実かつ繰り返し実行することができるようになっています。

ライフサイエンスの欠陥検出

これまで人による検査が必要であった臨床および研究顕微鏡アプリケーションは、ディープラーニングベースの画像解析を応用して改革されています。例えば、病理学および組織学のサンプルは、欠陥部が変化しやすく、パターンが予測不可能であるため、正確な欠陥検出と区分が必要です。

組織学(細胞組織)のスライドで細胞の異常や損傷を検出することを考えると、潜在的な外観検査は気の遠くなるような作業です。

ライフサイエンス向けディープラーニング欠陥検出 

癌細胞は大きさや形がさまざまで、その形態は、ほとんどの場合、類似することなく異なっています。大規模なプログラミングなしで検査システムがすべての可能な異常を学習して識別することは事実上不可能です。それでも、識別や拒絶を誤る可能性は高いと言わざるを得ません。このような状況では、教師なしモードでのディープラーニングベースの画像解析は、高精度で効率的な検査モードを提供します。

コグネックスの細胞異常検出アプリケーションでは、トレーニングエンジニアは、癌のような細胞異常のサンプル画像を使用して、細胞または細胞クラスタの正常な外観を概念化し、一般化するようにソフトウェアに登録します。これらのスライドは、健康な細胞の「良い」例としてラベル付けされ、有糸分裂のような正常で健康な細胞変異体を考慮に入れています。その後、実行時に、それ以外を異常(細胞損傷)としてフラグが立てられます。このアプリケーションは、もう一つのステップが必要です。

セルまたはセル クラスタにフラグが設定された後、特定の対象領域をリアルタイムで動的にセグメント化して、さらに詳しく確認する必要があります。最終的にその細胞は、外観が標準から外れているため損傷している可能性は高いものの、それが必ずしも癌とは限りません。このような異常は、スライド上のアーティファクトによって引き起こされる可能性もあります。

通常、検査官(病理学者)は、このサンプルのサブセットを見直して確かな診断を行う必要があります。しかし、コグネックスのディープラーニングベースのソフトウェアなら、サブセットの対象ゾーンに対してアルゴリズム(教師ありモードで再登録)を再実行して、「良い」(許容範囲内、損傷なし)細胞と「悪い」(病理的、損傷あり)細胞を解析することができます。

ライフサイエンスにおける光学文字認識

多くの医療サプライヤーは、トレーサビリティと安全規制において自動識別を採用しています。人間が判読できる英数字文字は、IVバッグのような伸縮性のある形が変化しやすい材料に印字されていると、自動検査システムのカメラには変形したように見えることがよくあります。鏡のようなまぶしさや反射は、システムを混乱させ、コードの自然な外観がぼやけたり、変形して見えたりします。

ライフサイエンス向けディープラーニング OCR

このような外観の違いがなくても、ビジョンシステムに異なるフォントを登録して認識させるには、今でも非常に時間がかります。光学式文字検証 (OCV) の場合は特に、検査システムがどのようなフォントスタイルに遭遇するかを予測できません。このような場合には、事前登録されたオムニフォントライブラリが役に立ちます。さまざまなフォントが登録され認識できるようになっているディープラーニングベースのツールは、基本的にすぐに使用が可能です。使用前に画像を登録する必要がありません。文字が読み取れなかった場合でも、文字を再登録してモデルの論理を調整するだけ使えるようになります。

ディープラーニングベースのOCRは、素早く簡単に設置でき、アプリケーションの調整は最小限で済むため、変形、歪み、エッチング不良のある文字を扱うアプリケーションや、カメラが幅広い未知のフォントに遭遇することが確実である検証アプリケーションにおいて最適な選択肢となるはずです。

ライフサイエンスにおけるアセンブリ検証

臨床用分析装置や体外診断装置など、ラボオートメーションデバイスには、マシンビジョンが導入され、最適なテスト条件でサンプルが完全に挿入および整列されていることを確認しています。診断デバイスメーカーの成功は、機械の測定および結果の精度に依存します。おそらく最も重要なことは、正確なテスト環境と装置の準備であり、正確なデータをデバイスに提供し、テストが正しく均一に実行されるようにすることです。

ライフサイエンス向けディープラーニングアセンブリ検証

アセンブリ前検証と呼ばれる検査サンプル(血液、尿、組織)の正しい集合体を準備することは、潜在的なエラーを減らすために不可欠であり、それが適切に行われていないと、汚染、診断の取り違えや誤ラベル、高価な機器の停止や破損を引き起こす可能性があります。検査時、自動化されたシステムは、試験管のズレや不足、キャップの外し忘れ、不要な容器などが分析器のラックにないかなどを確認する必要があります。装置のラックが適切に収納され、余分な物がないかどうかを確認するには、いくつかの要因を管理します。サンプルや試薬の試験管や容器はメーカーによって形状、サイズ、寸法が異なるため、卓上のサンプルの位置を装置が予測することは不可能です。

試験環境にはこのような予測不可能な要素がたくさんあるため、アセンブリ検証を実行するためにディープラーニングを使用することが適切であると考えます。コグネックスのディープラーニングベースのソフトウェアは、一連の登録画像に基づいて、さまざまなサンプルや試薬の外観、さらには予測不可能な位置を学習できます。

このツールは、サイズ、形状、表面の顕著な特徴を基にサンプルと試薬の特徴を一般化し、通常の外観と卓上または顕微鏡上の一般的な位置を学習します。このように、ディープラーニングは、以前はプログラムが難しかったアプリケーションを展開しやすい方法で迅速かつ正確に自動化し、解決できます。

ライフサイエンスによる分類

血液サンプルの品質を確認するには、今でも多くの人の判断が必要です。これは、遠心分離してからインデックス化されるという工程で適切に調製されたサンプルは、濁度と血漿の色に対して個々のスコアを受け取る必要があるためです。検体が分析機に投入される方法によって、その外観は変化し、血液はある程度の範囲で分離して見える可能性があります。これはインデックスに影響します。

ライフサイエンス向けディープラーニングによる分類

例えば、血漿、軟膜、赤血球が明確に層状化されているサンプルは、区別が曖昧なサンプルより高く評価されます。しかし、優れたワークフローで高度に自動化されたラボ環境では、この方法は理想的ではありません。しかし、ディープラーニングベースの画像解析は、人間の知性を模倣し、遠心分離されたサンプルの分離の質を評価することができます。しかし、品質管理プロセスには、分類というもう 1 つのステップが必要です。

その分類を通過したサンプルのみがテストを許可されます。つまり、検査システムは、「良い」(よく分離された)赤血球相の外観を一般化し、概念化することが必要です。これは、サンプル処理における基準である血漿の色、濁度、軟膜の体積などの要因に基づいて行われます。

ディープラーニングは、1つの画像から複数の対象物を知的に分類、並べ替え、評価できる唯一の自動化ツールです。この場合、コグネックスのディープラーニングは、1つの血液のバイアルから複数のクラスをソートして、検査基準を満たすサンプルのみを識別して渡すことができます。

複雑なライフサイエンスアプリケーション向けの最新の自動化ソリューションであるコグネックスのディープラーニングベースのツールは、市販のシステムとOEMシステムの両方でラボオートメーションデバイスに直接導入可能です。信頼性の高い結果と、CPUや組み込みPCなどの追加インフラストラクチャの必要性が低いコグネックスのディープラーニングベースのソフトウェアは、ライフサイエンス産業のマシンビジョン検査ツールとして大いに役立ちます。

お問い合わせ

他の投稿

製品のサポートやトレーニングなどの詳細を見る

マイコグネックスに参加

お気軽にお問合せください

Cognex は世界中でお客様のビジョンと工業用バーコドリーダのあらゆるニーズをサポートしています。

お問合わせ
Loading...