Cara Deep Learning Mengotomatiskan Inspeksi Untuk Industri Ilmu Hayati

Seberapa Deep Learning Mengotomatiskan Inspeksi Untuk Industri Ilmu Hayati

Sumber Artikel Asli: Penulis Brian Benoit

Industri ilmu kehidupan terkenal dengan penelitian padat modal dan perangkat medis yang telah memajukan praktik pencitraan medis, pengujian sampel, dan pembuatan obat. Perangkat ini memiliki kemampuan visi mesin yang terintegrasi ke dalam desainnya.

Namun untuk aplikasi otomasi lab tertentu, visi mesin tidak cukup sesuai dengan fleksibilitas pikiran manusia untuk membuat keputusan berdasarkan penilaian. Komputer terkenal dibingungkan oleh latar belakang yang sibuk dan masalah kualitas gambar, seperti silau specular. Hal ini sangat menyulitkan algoritme visi mesin tradisional untuk menemukan objek atau wilayah yang diinginkan secara presisi, terutama untuk mengidentifikasi ketidaknormalan di tengah pemandangan yang tidak terstruktur. Mungkin memakan waktu dan sulit, jika bukan tidak mungkin, bagi sistem otomatis untuk berhasil mengidentifikasi wilayah yang diminati sambil mengabaikan fitur yang tidak relevan.

Namun, saat ini, terobosan dalam analisis gambar berbasis pembelajaran mendalam dapat mengotomatiskan aplikasi ini sehingga dapat dijalankan dengan andal dan berulang kali—dalam istilah visi mesin, “kuat”.

UNDUH:Pembelajaran Mendalam untuk Panduan Solusi Ilmu Hayati

Deteksi Cacat Ilmu Hayati

Aplikasi mikroskopi klinis dan penelitian yang sebelumnya membutuhkan inspeksi manusia sedang diciptakan kembali dengan penerapan analisis gambar berbasis pembelajaran mendalam. Sampel patologis dan histologis, misalnya, memerlukan deteksi dan segmentasi kecacatan yang akurat meskipun cacat memiliki pola yang bervariasi dan tidak dapat diprediksi.

Saat Anda mempertimbangkan tantangan untuk mendeteksi kelainan sel dan kerusakan sel pada slide histologis (jaringan sel), potensi tampilan visualnya sangat membingungkan.

Sel kanker dapat muncul dalam berbagai ukuran dan bentuk, dan berbagai bentuknya, dalam banyak kasus, lebih berbeda daripada yang serupa. Secara efektif tidak mungkin untuk mengajarkan sistem inspeksi untuk mengidentifikasi semua kemungkinan anomali tanpa pemrograman ekstensif, dan bahkan kemudian, kemungkinan identifikasi atau penolakan salah tinggi. Dalam situasi seperti ini, analisis gambar berbasis pembelajaran mendalam dalam mode tanpa pengawasan menawarkan mode pemeriksaan yang sangat akurat dan efisien.

Dalam aplikasi pendeteksian ketidaknormalan sel kami, teknisi pelatihan menggunakan gambar sampel dari kemungkinan ketidaknormalan sel, seperti kanker, untuk mengajarkan perangkat lunak untuk membuat konsep dan menggeneralisasi tampilan normal sel atau kelompok sel. Slide ini diberi label sebagai contoh sel sehat yang "baik" dan mempertimbangkan varian sel sehat normal, seperti mitosis. Kemudian, selama runtime, variasi apa pun ditandai sebagai anomali dan kemungkinan menunjukkan kerusakan sel. Aplikasi ini membutuhkan satu langkah lebih lanjut.

Setelah sel atau kluster sel ditandai, wilayah minat tertentu perlu disegmentasikan secara dinamis dalam waktu nyata untuk peninjauan lebih lanjut. Bagaimanapun, sel menunjukkan potensi kerusakan, karena penampilannya menyimpang dari norma, tetapi belum tentu bersifat kanker. Penyimpangan ini dapat disebabkan oleh artefak pada slide.

Biasanya, inspektur manusia—mungkin ahli patologi—harus meninjau bagian sampel ini untuk membuat diagnosis yang pasti. Tetapi sekali lagi, perangkat lunak berbasis pembelajaran mendalam Cognex dapat menjalankan kembali algoritmenya di zona target subset — kali ini dengan pelatihan ulang dalam mode yang diawasi — untuk mengurai antara "baik" (dapat ditoleransi, tidak rusak) dan "buruk" (patologis, rusak ) sel.

Pengenalan Karakter Optik Ilmu Hayati

Banyak pemasok medis mengandalkan identifikasi otomatis untuk ketertelusuran dan untuk memenuhi peraturan keselamatan. Karakter alfanumerik yang dapat dibaca manusia dapat dengan mudah ditampilkan sebagai cacat pada kamera sistem inspeksi otomatis jika terdapat pada bahan yang dapat diregangkan dan dapat dicetak seperti kantong infus. Silau dan pantulan cahaya juga dapat membingungkan sistem, mengaburkan dan mengubah tampilan alami kode.

Bahkan tanpa variasi visual ini, masih sangat memakan waktu untuk mengajarkan sistem penglihatan untuk mengenali font yang berbeda, seperti dalam kasus verifikasi karakter optik (OCV), ketika sistem inspeksi tidak dapat mengantisipasi gaya font yang akan digunakan. bertemu. Di sinilah pustaka omni-font terlatih dapat berguna. Alat berbasis pembelajaran mendalam yang dilatih sebelumnya untuk mengenali berbagai font pada dasarnya berfungsi di luar kotak; tidak diperlukan pelatihan berbasis gambar di muka, dan pelatihan minimal yang terjadi hanya terjadi pada karakter yang terlewatkan untuk menyempurnakan logika model.

Implementasi yang cepat, mudah, dan penyesuaian aplikasi yang terbatas menjadikan OCR berbasis pembelajaran mendalam sebagai pilihan yang jelas untuk aplikasi yang melibatkan karakter yang berubah bentuk, miring, dan tergores dengan buruk, atau dalam aplikasi verifikasi saat kamera pasti menghadapi berbagai macam font yang tidak dikenal.

Verifikasi Majelis Ilmu Hayati

Perangkat otomasi lab seperti penganalisa klinis dan perangkat diagnostik in-vitro mengandalkan visi mesin untuk memastikan bahwa sampel dimasukkan dengan sempurna dan diselaraskan untuk kondisi pengujian yang optimal. Keberhasilan produsen perangkat diagnostik bergantung pada keakuratan pengukuran dan hasil mesin mereka. Mungkin yang paling penting, mereka mengandalkan pengaturan pengujian yang akurat dan rakitan dek, yang menyediakan perangkat dengan data yang akurat sehingga pengujian dilakukan dengan benar dan seragam.

Kumpulan sampel pengujian yang benar—darah, urin, atau jaringan—dalam apa yang dikenal sebagai verifikasi pra-perakitan sangat penting untuk mengurangi potensi kesalahan yang dapat mengancam kontaminasi, mencampuradukkan atau salah memberi label diagnosis, atau memperlambat atau merusak peralatan yang mahal. Selama pemeriksaan ini, sistem otomatis harus memverifikasi bahwa tidak ada tabung reaksi yang tidak sejajar atau tidak ada, tutup yang belum dilepas, atau bejana asing yang dimuat ke rak penganalisis. Memverifikasi bahwa rak peralatan telah diisi dengan lengkap dan benar melibatkan pengelolaan beberapa faktor:sampel dan tabung reagen serta bejana bervariasi menurut produsen dalam bentuk, ukuran, dan dimensi, dan mesin tidak mungkin memprediksi posisi sampel di geladak .

Dengan variasi pengaturan pengujian yang tidak dapat diprediksi ini, masuk akal untuk menggunakan pembelajaran mendalam untuk melakukan verifikasi rakitan. Perangkat lunak berbasis pembelajaran mendalam Cognex dapat mempelajari berbagai tampilan sampel dan reagen yang berbeda, serta lokasinya yang tidak dapat diprediksi dan bervariasi, berdasarkan kumpulan gambar pelatihan.

Alat ini menggeneralisasi fitur pembeda sampel dan reagen berdasarkan ukuran, bentuk, dan fitur permukaannya dan mempelajari penampilan normalnya, serta lokasi umumnya di rak atau pelat mikro geladak. Dengan cara ini, pembelajaran mendalam dapat mengotomatiskan dan menyelesaikan aplikasi yang sebelumnya sulit diprogram dengan cara yang cepat, sangat akurat, dan mudah diterapkan.

Klasifikasi Ilmu Hayati

Memastikan kualitas sampel darah masih membutuhkan penilaian manusia yang signifikan. Ini karena sampel yang disiapkan dengan benar yang telah disentrifugasi dan diindeks perlu menerima skor individu untuk kekeruhan dan warna plasma. Berdasarkan cara sampel dimasukkan ke dalam mesin penganalisa, tampilannya dapat bervariasi dan darah dapat terlihat relatif terpisah. Ini memengaruhi pengindeksan.

Sebagai contoh, sampel dengan plasma bertingkat yang lebih jelas, buffy coat, dan sel darah merah akan diberi peringkat lebih tinggi daripada sampel dengan fase yang kurang jelas. Namun dalam lingkungan lab yang sangat otomatis yang mengandalkan alur kerja yang baik, pendekatan ini tidak ideal. Untungnya, analisis gambar berbasis pembelajaran mendalam dapat meniru kecerdasan manusia dan menilai kualitas pemisahan sampel yang disentrifugasi. Namun proses manajemen mutu melibatkan satu langkah lebih lanjut:klasifikasi.

Hanya sampel dengan nilai kelulusan yang akan diizinkan untuk pengujian. Hal ini membuat sistem inspeksi harus mampu menggeneralisasi dan mengonseptualisasikan tampilan fase sel darah merah yang “baik” (yaitu, terpisah dengan baik). Ini dilakukan berdasarkan faktor-faktor seperti warna plasma, kekeruhan, dan volume buffy coat, yang semuanya merupakan kriteria yang digunakan dalam pemrosesan sampel.

Pembelajaran mendalam adalah satu-satunya alat otomatisasi yang mampu mengklasifikasikan, menyortir, dan menilai beberapa objek secara cerdas dalam satu gambar. Dalam hal ini, Cognex Deep Learning dapat mengurutkan beberapa kelas dalam satu botol darah untuk mengidentifikasi dan hanya lulus sampel yang memenuhi kriteria pengujian.

Sebagai solusi otomasi terbaru untuk aplikasi ilmu hayati yang kompleks, alat berbasis pembelajaran mendalam Cognex tersedia dengan mudah baik sebagai sistem off-the-shelf maupun OEM untuk dirancang langsung ke dalam perangkat otomasi lab. Dengan hasil yang sangat andal dan permintaan yang rendah pada infrastruktur tambahan seperti CPU atau PC yang disematkan, perangkat lunak berbasis pembelajaran mendalam Cognex adalah tambahan alami untuk gudang alat inspeksi visi mesin industri ilmu kehidupan.