Como o Deep Learning Automatiza Inspeções para o Setor de Ciências da Vida

deep learning life sciences

O setor de ciências da vida é famoso por pesquisas de capital intensivo e dispositivos médicos que avançaram as práticas de captura de imagens médicas, testes de amostras e produção de medicamentos. Esses dispositivos têm recursos de sistemas de visão integrados em seu design.

Ainda assim, para determinadas aplicações de automação de laboratório, os sistemas de visão não conseguem corresponder suficientemente à flexibilidade da mente humana para tomar decisões baseadas em julgamento. Os computadores notoriamente se confundem com planos de fundo desordenados e problemas de qualidade de imagem, como reflexos especulares. Isso torna incrivelmente difícil para os algoritmos tradicionais de sistemas de visão localizarem um objeto ou região de interesse com precisão, especialmente para identificar anormalidades em meio a uma cena não estruturada. Pode ser demorado e difícil, se não impossível, para os sistemas automatizados identificarem com êxito as regiões de interesse e ignorar as características irrelevantes.

Hoje, no entanto, avanços na análise de imagens baseada em deep learning podem automatizar essas aplicações para que sejam executadas de maneira confiável e repetida na linguagem de sistemas de visão, robustamente.

Detecção de Defeitos para Ciências da Vida

Aplicações de microscopia clínica e de pesquisa que antes exigiam inspeção humana estão sendo reinventadas com a aplicação de análise de imagem baseada em deep learning. Amostras patológicas e histológicas, por exemplo, requerem detecção precisa de defeitos e segmentação, apesar dos defeitos padrões variáveis e imprevisíveis.

Quando você considera o desafio de detectar anormalidades celulares e danos celulares em uma lâmina histológica (tecido celular), as aparências visuais potenciais são incompreensíveis.

detecção de defeitos com deep learning para ciências da vida 

Uma célula cancerosa pode aparecer em vários tamanhos e formas e suas várias formas são, na maioria dos casos, mais diferentes do que semelhantes. É efetivamente impossível ensinar um sistema de inspeção a identificar todas as possíveis anomalias sem uma programação extensa e, mesmo assim, a possibilidade de falsa identificação ou rejeição é alta. Em uma situação como essa, a análise de imagem baseada em deep learning no modo não supervisionado oferece um modo de inspeção altamente preciso e eficiente.

Em nossa aplicação de detecção de anormalidades celulares, um engenheiro de configuração usa imagens de amostra de possíveis anormalidades celulares, como câncer, para ensinar o software a conceituar e generalizar a aparência normal de uma célula ou agrupamentos de células. Essas lâminas são etiquetadas como bons exemplos de células saudáveis e levam em consideração as variantes de células saudáveis normais, como a mitose. Em seguida, durante o tempo de execução, quaisquer variações são sinalizadas como anômalas e provavelmente exemplificando o dano celular. Esta aplicação requer mais uma etapa.

Uma vez que uma célula ou cluster de células é sinalizado, a região de interesse particular precisa ser segmentada dinamicamente em tempo real para revisão posterior. Por fim, a célula exibe danos potenciais porque sua aparência foge do normal, mas não é necessariamente cancerosa. Esses desvios podem ser causados por artefatos na lâmina.

Normalmente, um inspetor humano provavelmente um patologista teria que revisar este subconjunto de amostras para fazer um diagnóstico firme. Mas, novamente, o software baseado em deep learning da Cognex pode executar de novo seu algoritmo sobre as zonas-alvo do subconjunto desta vez com retreinamento no modo supervisionado - para analisar entre células boas (toleráveis, não danificadas) e ruins (patológicas, danificadas).

Reconhecimento Óptico de Caracteres para Ciências da Vida

Muitos fornecedores médicos confiam na identificação automática para rastreabilidade e para atender aos regulamentos de segurança. Caracteres alfanuméricos legíveis por humanos podem facilmente se apresentar como deformados para a câmera de um sistema de inspeção automatizada se estiverem presentes em material elástico e moldável como uma bolsa intravenosa. O brilho especular e o reflexo também podem confundir o sistema, obscurecendo e alterando a aparência natural do código.

OCR de deep learning para ciências da vida

Mesmo sem essas variações visuais, ainda pode ser imensamente demorado ensinar um sistema de visão a reconhecer fontes diferentes, como no caso da verificação óptica de caracteres (OCV), quando o sistema de inspeção não pode antecipar que estilo de fonte irá encontrar. É aqui que uma biblioteca omni-font pré-treinada pode ser útil. Uma ferramenta baseada em deep learning, que foi pré-treinada para reconhecer várias fontes, funciona essencialmente sem intervenção; não há nenhum treinamento inicial baseado em imagem necessário e o treinamento mínimo que ocorre acontece apenas em caracteres perdidos para refinar a lógica do modelo.

A implementação rápida e fácil e os ajustes limitados da aplicação tornam o OCR baseado em deep learning uma escolha óbvia para aplicações que envolvem caracteres deformados, distorcidos e mal gravados ou em aplicações de verificação quando a câmera certamente encontrará uma ampla variedade de fontes desconhecidas.

Verificação de Montagem para Ciências da Vida

Dispositivos de automação de laboratório, como analisadores clínicos e dispositivos de diagnóstico in vitro, confiam nos sistemas de visão para garantir que as amostras sejam perfeitamente inseridas e alinhadas para as melhores condições de teste. O sucesso dos fabricantes de dispositivos de diagnóstico depende da precisão das medições e resultados de suas máquinas. Talvez o mais importante, eles confiam nas configurações de teste precisas e montagem da mesa, que fornecem ao dispositivo dados precisos para que os testes sejam realizados de maneira correta e uniforme.

verificação de montagem com deep learning para ciências da vida

A montagem correta de amostras de teste sangue, urina ou tecido no que é conhecido como verificação de pré-montagem é essencial para reduzir quaisquer erros potenciais que possam ameaçar contaminação, misturar ou etiquetar de forma errada diagnósticos ou atrasar ou quebrar equipamentos caros. Durante essas inspeções, o sistema automatizado deve verificar se não há tubos de ensaio desalinhados ou ausentes, tampas que não foram removidas ou recipientes estranhos carregados no rack do analisador. Verificar se o rack do equipamento foi preenchido completa e corretamente envolve o gerenciamento de vários fatores: tubos de amostra e de reagentes e recipientes variam de acordo com o fabricante em forma, tamanho e dimensão e pode ser impossível para a máquina prever a posição das amostras na mesa.

Com essas variações imprevisíveis nas configurações de teste, faz sentido usar o deep learning para realizar a verificação da montagem. O software baseado em deep learning da Cognex consegue aprender a aparência variável de diferentes amostras e reagentes, bem como seus locais imprevisíveis e variáveis, com base em um conjunto de imagens de treinamento.

A ferramenta generaliza as características distintivas de amostras e reagentes com base em seu tamanho, forma e características de superfície e aprende sua aparência normal, bem como sua localização geral nos racks da mesa ou nas microplacas. Dessa forma, o deep learning é capaz de automatizar e resolver uma aplicação anteriormente difícil de programar de maneira rápida, altamente precisa e fácil de implementar.

Classificação para Ciências da Vida

Determinar a qualidade de uma amostra de sangue ainda requer uma quantidade significativa de julgamento humano. Isso ocorre porque uma amostra devidamente preparada que foi centrifugada e indexada precisa receber pontuações individuais para turbidez e cor do plasma. Com base em como as amostras são carregadas na máquina analisadora, suas aparências podem variar e o sangue pode parecer relativamente mais ou menos separado. Isso afeta a indexação.

classificação com deep learning para ciências da vida

Por exemplo, uma amostra com plasma estratificado mais claramente, revestimento leucocitário e glóbulos vermelhos seria mais bem avaliada do que uma com menos fases distintas. Mas em um ambiente de laboratório altamente automatizado que depende de bons fluxos de trabalho, essa abordagem não é ideal. Felizmente, a análise de imagem baseada em deep learning consegue imitar a inteligência humana e avaliar a qualidade da separação de uma amostra centrifugada. Mas o processo de gestão da qualidade envolve mais uma etapa: a classificação.

Apenas as amostras com um grau de aprovação serão permitidas para teste. Isso torna imperativo que o sistema de inspeção seja capaz de generalizar e conceituar a aparência das fases de glóbolos vermelhos bons, (ou seja, bem separadas). Ele faz isso com base em fatores como cor do plasma, turbidez e volume do revestimento leucocitário, todos critérios usados no processamento de amostras.

O deep learning é a única ferramenta de automação capaz de classificar, ordenar e avaliar vários objetos de forma inteligente em uma única imagem. Nesse caso, o Deep Learning da Cognex é capaz de classificar várias classes em um único frasco de sangue para identificar e aprovar apenas as amostras que atendem aos critérios de teste.

Como a solução de automação mais recente para aplicações complexas de ciências da vida, as ferramentas baseadas em deep learning da Cognex estão convenientemente disponíveis como sistemas prontos para uso e OEM para serem projetados diretamente em dispositivos de automação de laboratório. Com resultados altamente confiáveis e baixa demanda em infraestruturas adicionais como CPUs ou PCs incorporados, o software baseado em deep learning da Cognex é uma adição natural ao arsenal de ferramentas de inspeção de sistemas de visão do setor de ciências da vida.

Mais Publicações em

ACESSE O SUPORTE E TREINAMENTO DE PRODUTOS E MAIS

Junte-se ao MyCognex