Deep Learning : révolutionner l'automatisation de l'inspection dans les sciences de la vie

Comment le Deep Learning automatise l'inspection pour l'industrie des sciences de la vie

Source article original : Auteur Brian Benoit

L'industrie des sciences de la vie est connue pour sa recherche intensive en capital et ses dispositifs médicaux qui ont fait progresser l'imagerie médicale, les tests d'échantillons et la fabrication de médicaments. Ces dispositifs intègrent des capacités de vision industrielle dans leur conception.

Pourtant, pour certaines applications d'automatisation de laboratoire, la vision industrielle ne peut pas suffisamment égaler la flexibilité de l'esprit humain pour prendre des décisions basées sur le jugement. Les ordinateurs sont notoirement perturbés par les arrière-plans chargés et les problèmes de qualité d'image, comme les reflets spéculaires. Cela rend incroyablement difficile pour les algorithmes de vision traditionnels de localiser un objet ou une région d'intérêt avec précision, surtout pour identifier des anomalies au milieu d'une scène non structurée. Il peut être chronophage et difficile, sinon impossible, pour les systèmes automatisés d'identifier avec succès les régions d'intérêt tout en ignorant les caractéristiques non pertinentes.

Aujourd'hui cependant, les percées dans l'analyse d'image basée sur le deep learning peuvent automatiser ces applications pour qu'elles soient effectuées de manière fiable et répétée — en termes de vision industrielle, « robustement ».

 

TÉLÉCHARGER : Guide des solutions Deep Learning pour les sciences de la vie

 

Détection de défauts en sciences de la vie

Les applications de microscopie clinique et de recherche qui nécessitaient auparavant une inspection humaine sont réinventées grâce à l'analyse d'image basée sur le deep learning. Les échantillons pathologiques et histologiques, par exemple, exigent une détection et une segmentation précises des défauts malgré leurs motifs variables et imprévisibles.

Considérez le défi de détecter les anomalies cellulaires et les dommages cellulaires sur une lame histologique (tissu cellulaire), les apparences visuelles potentielles sont vertigineuses.

Une cellule cancéreuse peut apparaître sous de nombreuses tailles et formes, et ses diverses formes sont, dans la plupart des cas, plus différentes que similaires. Il est effectivement impossible d'enseigner à un système d'inspection d'identifier toutes les anomalies possibles sans programmation extensive, et même alors, la possibilité de fausse identification ou rejet est élevée. Dans une telle situation, l'analyse d'image par deep learning en mode non supervisé offre un mode d'inspection hautement précis et efficace.

Dans notre application de détection d'anomalies cellulaires, un ingénieur d'entraînement utilise des images d'échantillons d'anomalies cellulaires possibles, comme le cancer, pour enseigner au logiciel à conceptualiser et généraliser l'apparence normale d'une cellule ou d'amas cellulaires. Ces lames sont étiquetées comme exemples « bons » de cellules saines et prennent en compte les variants normaux sains, comme la mitose. Puis, pendant l'exécution, toute variation est signalée comme anomale et exemplifiant probablement un dommage cellulaire. Cette application nécessite une étape supplémentaire.

Une fois une cellule ou un amas signalé, la région d'intérêt particulière doit être segmentée dynamiquement en temps réel pour examen approfondi. La cellule présente un dommage potentiel, car son apparence s'écarte de la norme, mais n'est pas nécessairement cancéreuse. Ces écarts pourraient être causés par des artefacts sur la lame.

Normalement, un inspecteur humain — probablement un pathologiste — devrait examiner ce sous-ensemble d'échantillons pour un diagnostic ferme. Mais encore, le logiciel de deep learning de Cognex peut ré-exécuter son algorithme sur les zones cibles du sous-ensemble — cette fois avec ré-entraînement en mode supervisé — pour discriminer entre « bon » (tolérable, non endommagé) et « mauvais » (pathologique, endommagé).

Reconnaissance optique de caractères (OCR) en sciences de la vie

De nombreux fournisseurs médicaux comptent sur l'identification automatique pour la traçabilité et le respect des réglementations sécurité. Les caractères alphanumériques lisibles par l'homme peuvent facilement apparaître déformés à la caméra d'un système d'inspection automatisé s'ils sont sur un matériau extensible, moulable comme un sac IV. Les reflets spéculaires et les reflets peuvent aussi perturber le système, obscurcissant et changeant l'apparence naturelle du code.

Même sans ces variations visuelles, il peut encore être immensément chronophage d'enseigner à un système de vision à reconnaître différentes polices, comme dans le cas de la vérification optique de caractères (OCV), quand le système ne peut pas anticiper quel style de police il rencontrera. C'est là qu'une bibliothèque omni-font pré-entraînée peut aider. Un outil basé sur le deep learning pré-entraîné pour reconnaître diverses polices fonctionne essentiellement out-of-the-box ; aucun entraînement basé sur l'image n'est requis au préalable, et l'entraînement minimal qui a lieu ne porte que sur les caractères manqués pour affiner la logique du modèle.

Implémentation rapide, facile et ajustements d'application limités font du deep learning OCR un choix évident pour applications impliquant caractères déformés, inclinés, mal gravés ou en vérification quand la caméra rencontrera une large gamme de polices inconnues.

Vérification d'assemblage en sciences de la vie

Les dispositifs d'automatisation de laboratoire tels que les analyseurs cliniques et les dispositifs diagnostiques in-vitro comptent sur la vision industrielle pour s'assurer que les échantillons sont parfaitement insérés et alignés pour des conditions de test optimales. Le succès des fabricants de dispositifs diagnostiques repose sur la précision des mesures et résultats de leurs machines. Peut-être plus important encore, ils comptent sur des configurations de test précises et l'assemblage du plateau, qui fournissent au dispositif des données précises pour que les tests soient effectués correctement et uniformément.

L'assemblage correct des échantillons de test — sang, urine, tissu — dans ce qu'on appelle une pré-vérification d'assemblage est essentiel pour réduire les erreurs potentielles qui pourraient menacer la contamination, mélanger ou mal étiqueter les diagnostics, ou ralentir/casser des équipements coûteux. Pendant ces inspections, le système automatisé doit vérifier qu'il n'y a pas de tubes de test mal alignés ou absents, de bouchons non retirés, ou de vaisseaux parasites chargés dans le rack de l'analyseur. Vérifier que le rack de l'équipement a été peuplé complètement et correctement implique de gérer plusieurs facteurs : tubes et vaisseaux d'échantillons et réactifs varient par fabricant en forme, taille, dimension, et il peut être impossible pour la machine de prédire la position des échantillons sur le plateau.

Avec ces variations imprévisibles dans les configurations de test, il est logique d'utiliser le deep learning pour la vérification d'assemblage. Le logiciel de deep learning de Cognex peut apprendre l'apparence variable de différents échantillons et réactifs, ainsi que leurs emplacements imprévisibles et variables, sur un ensemble d'images d'entraînement.

L'outil généralise les caractéristiques distinctives des échantillons et réactifs basées sur leur taille, forme, caractéristiques de surface et apprend leur apparence normale, ainsi que leur emplacement général sur les racks ou microplaques du plateau. Ainsi, le deep learning peut automatiser et résoudre une application auparavant difficile à programmer, de manière rapide, hautement précise et facile à déployer.

Classification en sciences de la vie

Déterminer la qualité d'un échantillon de sang nécessite encore une quantité significative de jugement humain. C'est parce qu'un échantillon correctement préparé, centrifugé et indexé doit recevoir des scores individuels pour la turbidité et la couleur du plasma. Selon comment les échantillons sont chargés dans l'analyseur, leurs apparences peuvent varier et le sang peut apparaître relativement plus ou moins séparé. Cela affecte l'indexation.

Par exemple, un échantillon avec plasma, couche leucocytaire et globules rouges plus clairement stratifiés sera mieux noté qu'un autre avec phases moins distinctes. Mais dans un environnement de laboratoire hautement automatisé qui repose sur de bons flux de travail, cette approche n'est pas idéale. Heureusement, l'analyse d'image par deep learning peut imiter l'intelligence humaine et évaluer la qualité de la séparation d'un échantillon centrifugé. Mais le processus de gestion de la qualité implique une étape supplémentaire : la classification.

Seuls les échantillons avec une note passante seront autorisés pour les tests. Il est donc impératif que le système d'inspection puisse généraliser et conceptualiser l'apparence de « bon » (séparation nette) phases de globules rouges. Il le fait sur la base de facteurs comme la couleur du plasma, la turbidité, le volume de la couche leucocytaire, tous critères utilisés dans le traitement des échantillons.

Le deep learning est le seul outil d'automatisation capable d'intelligemment classifier, trier et noter plusieurs objets dans une seule image. Ici, Cognex Deep Learning peut trier plusieurs classes dans une seule fiole de sang pour identifier et ne passer que les échantillons répondant aux critères de test.

En tant que dernière solution d'automatisation pour applications complexes en sciences de la vie, les outils de deep learning de Cognex sont commodément disponibles en systèmes prêts à l'emploi et OEM pour être conçus directement dans les dispositifs d'automatisation de laboratoire. Avec des résultats hautement fiables et une faible demande sur infrastructures additionnelles comme CPUs ou PCs embarqués, le logiciel de deep learning de Cognex est un ajout naturel à l'arsenal d'outils d'inspection vision industrielle de l'industrie des sciences de la vie.