딥러닝을 통해 생명 과학 산업에서 검사 자동화를 구현하는 방법

생명 과학 산업은 거대한 자본이 투입된 연구를 바탕으로 첨단 의료기기를 사용해 의료 이미징, 검체 검사 및 의약품 제조 분야의 진보를 달성하는 데 기여하고 있습니다. 이들 기기에는 머신비전 시스템이 통합되어 있습니다.

하지만 특정 검사실 자동화 애플리케이션에서 머신비전은 사람과 같은 충분한 유연성을 발휘할 수 없기 때문에 판단 기반의 결정을 내릴 수 없습니다. 지금까지 컴퓨터로는 반짝임이나 빛 반사와 같은 복잡한 배경 및 이미지 품질 문제가 있는 경우 정확한 분석이 불가능했습니다. 따라서 기존의 머신비전 알고리즘으로는 비구조적인 장면에서 비정상적인 부분을 식별하기 위해 물체나 관심 지역을 정밀하게 찾는 작업이 매우 어려웠습니다. 자동화된 시스템으로 관련 없는 특징들을 무시하면서 관심 지역을 성공적으로 식별하는 일은 가능하다고 해도 시간이 많이 소비되고 어려운 작업이었습니다.

하지만 오늘날에는 딥러닝 기반 이미지 분석의 도약으로 이러한 분야의 자동화가 가능해졌으며 머신비전 측면에서도 안정적이고 강력하며 반복적으로 작업을 수행할 수 있습니다.

생명 과학 결함 감지

이전에는 사람이 직접 검사해야 했던 임상 및 연구 분야는 딥러닝 기반의 이미지 분석을 적용하여 새로운 모습을 나타내고 있습니다. 예를 들어 병리학적 및 조직구적 검체는 결함의 종류와 예측할 수 없는 패턴에도 불구하고 정확한 결함 감지와 세그먼테이션이 필요합니다.

조직구적(세포 조직) 슬라이드에서 셀의 이상과 셀 손상을 검출해야 함을 고려할 때, 시각적으로 얼마나 복잡할지 상상할 수 있을 것입니다.

암에 걸린 세포는 크기와 모양이 다르고, 형태가 다양하기 때문에 대부분의 경우 각기 다르게 나타납니다. 방대한 프로그래밍 없이는 검사 시스템을 효과적으로 트레이닝하여 가능한 모든 변칙을 식별하기란 불가능하며, 심지어는 잘못된 식별이나 거부가 발생할 확률이 높습니다. 이와 같은 상황에서 비지도학습 모드의 딥러닝 기반 이미지 분석은 매우 정확하고 효율적인 검사 모드를 제공합니다.

코그넥스의 비정형 세포 감지 분야에서 엔지니어는 암과 같이 가능한 비정형 세포의 샘플 이미지를 사용해 소프트웨어를 트레이닝하여 세포 또는 세포 군집의 정상적인 모양을 개념화하여 일반화합니다. 이러한 슬라이드는 건강한 세포의 양호 한 예로 라벨이 부착되고, 유사분열과 같이 정상적이고 건강한 세포 변이로 간주됩니다. 그런 다음, 런타임 동안 모든 변형은 변칙으로 플래그가 지정되며 세포 손상의 전형적인 예가 될 수 있습니다. 이 분야에는 한 가지 단계가 더 필요합니다.

세포 또는 세포 군집에 플래그가 지정된 후, 추가 리뷰를 위해서 실시간으로 특정 관심 영역을 동적으로 세그먼테이션해야 합니다. 어쨌든 모양이 기준과 다르기 때문에 세포에 잠재적인 손상이 존재하는 것으로 보이나, 필연적으로 악성 세포는 아닙니다. 이러한 편차는 슬라이드상의 아티팩트에 의해 발생할 수 있습니다.

일반적으로 병리학자와 같은 검사자는 확실한 진단을 얻기 위해서 이러한 샘플의 하위 세트를 리뷰해야 합니다. 하지만 다시 한 번 말하지만, 코그넥스의 딥러닝 기반 소프트웨어는 하위 세트의 표적 영역에서 알고리즘을 다시 실행할 수 있고, 이번에는 지도학습 모드에서 다시 트레이닝하여 양호 (내성, 손상 없음) 및 불량 (병적, 손상) 세포 간을 구분할 수 있습니다.

생명 과학 광학 문자 인식

많은 의료 공급업체는 이력 추적과 안전 규정을 준수하기 위해 자동 식별 기능을 이용하고 있습니다. 사람이 판독 가능한 영숫자 문자가 IV 백처럼 신축성 있고 성형 가능한 재질에 존재하는- 경우, 자동 검사 시스템의 카메라에서 쉽게 변형된 것으로 나타날 수 있습니다. 반사성 글레어 및 반사 역시 시스템에 혼동을 주어 코드의 본래 외관을 방해하거나 변경할 수 있습니다.

이러한 시각적 변화가 없더라도, 광학 문자 검증(OCV)에서와 같이 검사 시스템이 어떤 글꼴 스타일이 나타날지 예측할 수 없는 경우에는 비전 시스템이 서로 다른 글꼴을 인식하도록 트레이닝하는 데는 엄청난 시간이 소요될 수 있습니다. 이 때문에 전체 글꼴을 포함하여 사전 트레이닝된 라이브러리가 쓸모가 있습니다. 다양한 글꼴을 인식하도록 사전 트레이닝된 딥러닝 기반 툴은 획기적인 역할을 수행합니다. 미리 이미지 기반 트레이닝이 필요하지 않고, 누락된 문자가 발생했을 때에만 최소한의 트레이닝을 통해 모델의 논리를 재정의하면 됩니다.

빠르고, 구현이 간편하며, 최소한의 애플리케이션 조정이 필요한 이유로 딥러닝 기반 OCR은 카메라가 광범위한 알 수 없는 글꼴에 부딪혔을 때 변형되고, 비뚤어지거나, 잘못 에칭된 문자가 수반되는 분야나 검증 분야에서 확실한 선택이 됩니다.

생명 과학 조립 검증

임상 분석기, 체외 진단 장비와 같은 검사실 자동화 장비는 최적의 검사 조건을 위해 검체를 완벽히 삽입해서 정렬하기 위해 머신비전을 이용하고 있습니다. 진단 장비 제조업체의 성공은 장비가 제공하는 측정 및 결과의 정확성에 달려 있습니다. 아마도 가장 중요하게는, 정확한 검사 셋업과 데크 조립이 필요하며, 이는 검사를 올바르고 균일하게 수행할 수 있도록 장비에 정밀한 데이터를 제공합니다.

사전 조립 검증으로 알려진 혈액, 소변, 조직 등 검사 검체의 올바른 집합은 오염, 잘못된 섞임, 잘못된 라벨 진단, 속도 저하, 고가의 장비 파손 등을 초래할 수 있는 가능한 오류를 줄이는 데 필수적입니다. 이러한 검사 중 자동화 시스템이 잘못 정렬되거나 누락된 검사 튜브, 제거되지 않은 마개, 분석기의 랙에 장착된 관련 없는 용기 등이 없는지 확인해야 합니다. 장비의 랙이 완전하고 올바르게 채워졌는지 확인하는 작업은 여러 가지 요인을 관리하는 일이 수반됩니다. 검체 및 시약 튜브와 용기가 제조업체마다 형태, 크기, 치수가 다르기 때문에 검사 장비가 데크 위에 검체 위치를 예측하는 것이 불가능할 수 있습니다.

검사 셋업에서 이와 같이 예측 불가능한 변형 때문에 조립 검증을 수행하기 위해서는 딥러닝이 필요합니다. 코그넥스 딥러닝 기반 소프트웨어는 트레이닝된 이미지 세트를 토대로, 서로 다른 검체와 시약 모양뿐 아니라 예측 불가능한 다양한 위치를 학습할 수 있습니다.

이 툴은 검체 및 시약의 크기, 형태, 표면 특징에 기초해서 부품에서 구분 가능한 특징을 일반화하고 정상적인 외형 및 데크의 랙이나 마이크로플레이트 상의 일반적인 위치를 학습합니다. 이런 식으로 딥러닝은 이전에는 프로그래밍하기 어려웠던 분야를 빠르고 정확하며, 배포하기 쉬운 방식으로 자동화하고 해결할 수 있습니다.

생명 과학 분류

혈액 검체의 품질을 확인하기 위해서는 그래도 상당 부분 사람의 판단이 필요합니다. 그 이유는 원심분리와 인덱싱을 거쳐 올바로 준비된 검체에 탁도 및 혈장 색에 대한 개별 점수를 매겨야 하기 때문입니다. 검체가 분석기 장비에 장착된 방식에 따라 모양이 다를 수 있고, 혈액이 상대적으로 더 많이 또는 더 적게 분리되어 나타날 수 있습니다. 이는 인덱싱에 영향을 줍니다.

예를 들어 더 명확하게 층화된 혈장, 연막, 적혈구를 가진 검체가 분명하지 않은 혈장을 가진 검체보다 더 높은 점수를 갖게 됩니다. 그러나 우수한 워크플로를 이용하는 자동화 검사실 환경에서는 이러한 접근방식이 적합하지 않습니다. 다행스럽게도, 딥러닝 기반 이미지 분석이 사람의 지능을 모방하여 원심분리된 검체의 분리 품질을 평가할 수 있습니다. 그러나 품질 관리 공정에는 한 가지 추가 단계인 분류가 포함됩니다.

통과 등급을 가진 검체만 검사에 사용이 가능합니다. 따라서 검사 시스템이 반드시 양호 (즉, 확실히 분리된 상태)한 적혈구 상의 모양을 일반화하고 개념화할 수 있어야 합니다. 이 기능은 혈장 색, 탁도, 연막 용적과 같은 요인을 토대로 하며, 이 모든 기준이 검체 처리에 사용됩니다.

딥러닝은 단일 이미지에서 여러 개의 개체를 지능적으로 분류, 정렬 및 등급을 매길 수 있는 유일한 자동화 툴입니다. 여기서 코그넥스 딥러닝은 단일 혈액 바이알 내에서 여러 개의 클래스를 분류해서 검사 기준을 충족하는 검체만을 식별해 통과시킬 수 있습니다.

복잡한 생명 과학 분야를 위한 최신 자동화 솔루션으로서 코그넥스의 딥러닝 기반 툴은 검사실 자동화 장비에 직접 설계할 수 있는 기성품 및 OEC 시스템으로 편리하게 이용할 수 있습니다. 매우 정확한 결과를 제공하고 CPU 또는 임베디드 PC와 같은 추가적인 인프라 요건이 적은 코그넥스 딥러닝 기반 소프트웨어는 생명 과학 산업에 이용되는 머신비전 검사 툴에 당연히 추가되어야 하는 요소입니다.