康耐视博客

深度学习如何帮助生命科学行业实现自动化检测

deep learning life sciences

生命科学行业以资本密集的研究和医疗设备而著称,这些研究和设备推动了医学成像、样品测试和药物制造的发展。这些设备在设计中集成了机器视觉功能。

但是对于某些实验室自动化应用,机器视觉无法做出与人类思想一样灵活的判断。计算机很容易受到噪音背景和影像质量问题的干扰,例如镜面眩光。这使得传统计算机视觉算法难以精确地定位对象或感兴趣的区域,特别是识别非结构化场景中的异常。自动化系统几乎无法在忽略不相关特征的同时成功识别感兴趣区域,而且非常耗时。

但是,现在,深度学习图像分析技术的突破使这些应用可以自动化,可以使用机器视觉“可靠”地重复执行这些应用。

生命科学缺陷探测

临床和研究显微镜应用以前需要人的检查,现在正转变为基于深度学习的图像分析。例如,病理和组织学样本需要准确的缺陷探测和分割,但缺陷模式差异很大且不可预测。

想一下在组织学(细胞组织)玻片上探测细胞异常和细胞损伤这样的挑战,可能出现的视觉外观是难以想象的。

面向生命科学的深度学习缺陷探测 

癌细胞可能会有各种大小和形状,而且在大多数情况下,其形状的差异性要比相似性更大。如果不进行大量编程,几乎不可能让检测系统学会识别所有可能的异常,而且即使可能,也有很高的几率发生识别错误或无法识别。在这种情况下,无监督模式下的深度学习图像分析可提供高度准确且高效率的检测模式。

在细胞异常检测应用中,培训工程师使用可能出现的细胞异常(例如癌症)的样本图像来培训软件,使其归纳概括细胞或细胞团的正常外观。这些玻片被标记为健康细胞的“好”范例,其中考虑了正常健康细胞的变异体,如有丝分裂。然后在运行期间,将所有变化都标记为异常,以及细胞损坏也能被标记为范例。这个应用还需要一个步骤。

标记一个细胞或细胞团后,需要对这个特定的区域做实时动态分段,以便进一步观察。毕竟,外观偏离正常状态的细胞损坏不一定是癌变。这些偏差有可能是玻片上的伪影造成的。

通常,人类检测员(例如病理医生)要检查样本亚组来确诊。此外,康耐视的深度学习软件可以对子集的目标区域重新运行算法(这是在监督模式下重新培训)来分析“好”(可接受,无损伤)和“坏”(病理性,损伤)细胞。

生命科学光学字符识别

许多医疗供应商依靠自动识别来实现可追溯性并满足安全法规。人类可读的字母数字字符出现在静脉注射袋之类可拉伸的模塑材料上时,在自动化检测系统的相机上经常会是一种变形的状态。镜面眩光和反射也会模糊和改变条码的自然外观,使系统难以识别。

面向生命科学的深度学习字符识别

即使没有这些视觉差异,当检测系统无法预测它会遇到什么字体样式时,培训视觉系统识别各种字体也会非常耗时,例如光学字符验证 (OCV)。而这正是预培训的全字体库大显身手的地方。它是经过预培训的深度学习工具,可以识别各种字体,而且开箱即用;使用前不需要进行图像培训,只需要在丢失字符时通过极少量的培训来完善模型逻辑。

快速,实施简单,应用调整少,使深度学习字符识别成为能够读取变形、偏斜和蚀刻质量差的字符、或在相机肯定会遇到各种未知字体时进行验证的不二之选。

生命科学装配验证

实验室自动化设备(例如诊所分析仪和体外诊断设备)需要机器视觉来保证完美地插入样本并对齐,以实现最佳测试条件。诊断设备制造商的成功取决于其机器的测量和结果的准确性。可能最重要的是,这些制造商依赖准确的测试设置和平台装配,以便为设备提供准确的数据,从而可以正确且一致地执行测试。

面向生命科学的深度学习装配验证

在装配前验证时,正确地装配测试样本(血液、尿液或组织)是减少导致污染、混合、或诊断贴错标签、以及降低设备速度或损坏昂贵设备等潜在错误的关键。在这些检测过程中,自动化系统必须确认没有未对准或不存在的试管、尚未取下的盖子或将无关容器装入分析仪机架。能否成功验证设备的架子是否已完全正确地装满,这需要管理多个因素:样本、试管和容器的形状、大小和尺寸因制造商而异,而且机器可能无法预测样本在平台上的位置。

考虑到测试设置中存在这些无法预测的变量,使用深度学习执行装配验证就非常合理了。康耐视深度学习软件可以根据一组培训图像来学习不同样本和试剂的各种外观,以及它们不可预测且变化的位置。

该工具根据样本和试剂的尺寸、形状和表面功能特征概括它们的明显功能特征,并了解其正常外观,以及其在平台试管架或微板上的一般位置。如此,深度学习能以快速、高度准确且易于部署的方式自动化并解决以前难以编程的应用。

生命科学分类

确定血液样本的质量仍然需要大量的人工判断。这是因为经过适当的离心和索引处理的样本需要获得各自的浊度和血浆颜色评分。根据样本装入分析仪的方式,它们的外观可能会有所不同,并且血液或多或少会分离开来。这会影响索引编制。

面向生命科学的深度学习分类

例如,血浆、白细胞层和红血球分层较清晰的样本,将比较不清晰的样本有更高的评分。但是在依赖优秀的工作流程的高度自动化实验室环境中,这种方式并不理想。幸运的是,深度学习图像分析可以模拟人类的智能并评估离心样本的分离质量。但是质量管理流程还有一个步骤:分类。

仅级别为合格的样本可以进行测试。所以检测系统必须能概括和概念化“合格”(即清晰分离)红细胞相的外观。它使用血浆颜色、浊度和白细胞高度等因素完成此任务,这些都是样本处理中使用的标准。

深度学习是唯一能够智能地对单个图像中的多个对象进行分类、排序和分级的自动化工具。在这种情况下,康耐视深度学习能够对一个血样瓶中的多个类别进行排序,识别那些符合测试标准的样本并仅让它们合格。

作为面向复杂生命科学应用的最新自动化解决方案,康耐视深度学习工具既有方便的现成系统,也可作为 OEM 系统直接设计到实验室自动化设备中。康耐视深度学习软件可提供高度可靠的结果,并且对 CPU 或嵌入式计算机等基础架构的要求较低,是生命科学行业机器视觉检测工具库的天然补充。

联系销售部门

更多帖子

获取产品支持和培训以及更多

加入 MyCognex

是否有任何疑问?

世界各地的康耐视代表可以随时为您提供支持,满足您的视觉和工业读码需求。

联系我们
Loading...