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

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

Source de l'article d'origine : Auteur Brian Benoit

L'industrie des sciences de la vie est réputée pour ses recherches à forte intensité de capital et ses dispositifs médicaux qui ont fait progresser les pratiques de l'imagerie médicale, des tests d'échantillons et de la fabrication de médicaments. Ces appareils ont des capacités de vision industrielle intégrées dans leur conception.

Pourtant, pour certaines applications d'automatisation de laboratoire, la vision artificielle ne peut pas suffisamment correspondre à la flexibilité de l'esprit humain pour prendre des décisions fondées sur le jugement. Les ordinateurs sont connus pour être troublés par les arrière-plans occupés et les problèmes de qualité d'image, tels que l'éblouissement spéculaire. Il est donc extrêmement difficile pour les algorithmes de vision industrielle traditionnels de localiser un objet ou une région d'intérêt avec précision, en particulier pour identifier les anomalies au sein d'une scène non structurée. Il peut être long et difficile, voire impossible, pour les systèmes automatisés d'identifier avec succès les régions d'intérêt tout en ignorant les fonctionnalités non pertinentes.

Aujourd'hui, cependant, les percées dans l'analyse d'images basée sur l'apprentissage en profondeur peuvent automatiser ces applications afin qu'elles soient exécutées de manière fiable et répétée - dans le langage de la vision industrielle, "de manière robuste".

TÉLÉCHARGER :Guide des solutions d'apprentissage en profondeur pour les sciences de la vie

Détection des défauts des sciences de la vie

Les applications de microscopie clinique et de recherche qui nécessitaient auparavant une inspection humaine sont en train d'être réinventées avec l'application de l'analyse d'images basée sur l'apprentissage en profondeur. Les échantillons pathologiques et histologiques, par exemple, nécessitent une détection et une segmentation précises des défauts malgré les schémas variables et imprévisibles des défauts.

Lorsque vous considérez le défi de détecter les anomalies cellulaires et les dommages cellulaires sur une lame histologique (tissu cellulaire), les apparences visuelles potentielles sont ahurissantes.

Une cellule cancéreuse peut apparaître dans un certain nombre de tailles et de formes, et ses diverses formes sont, dans la plupart des cas, plus différentes que similaires. Il est effectivement impossible d'apprendre à un système d'inspection à identifier toutes les anomalies possibles sans une programmation approfondie, et même dans ce cas, la possibilité d'une fausse identification ou d'un rejet est élevée. Dans une situation comme celle-ci, l'analyse d'images basée sur l'apprentissage en profondeur en mode non supervisé offre un mode d'inspection très précis et efficace.

Dans notre application de détection d'anomalies cellulaires, un ingénieur formateur utilise des images d'échantillons d'anomalies cellulaires possibles, comme le cancer, pour apprendre au logiciel à conceptualiser et à généraliser l'apparence normale d'une cellule ou d'un groupe de cellules. Ces lames sont étiquetées comme de « bons » exemples de cellules saines et prennent en compte les variantes normales de cellules saines, comme la mitose. Ensuite, pendant l'exécution, toutes les variations sont signalées comme anormales et illustrent probablement des dommages cellulaires. Cette application nécessite une étape supplémentaire.

Une fois qu'une cellule ou un groupe de cellules est signalé, la région d'intérêt particulière doit être segmentée dynamiquement en temps réel pour un examen plus approfondi. La cellule présente des dommages potentiels, après tout, car son apparence s'écarte de la norme, mais elle 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 établir un diagnostic ferme. Mais encore une fois, le logiciel basé sur l'apprentissage en profondeur de Cognex peut réexécuter son algorithme sur les zones cibles du sous-ensemble, cette fois avec un réentraînement en mode supervisé, pour analyser entre « bon » (tolérable, non endommagé) et « mauvais » (pathologique, endommagé). ) cellules.

Reconnaissance optique de caractères pour les sciences de la vie

De nombreux fournisseurs médicaux s'appuient sur l'identification automatique pour la traçabilité et pour respecter les réglementations de sécurité. Les caractères alphanumériques lisibles par l'homme peuvent facilement se présenter comme déformés à la caméra d'un système d'inspection automatisé s'ils sont présents sur un matériau extensible et moulable comme un sac IV. L'éblouissement et la réflexion spéculaires peuvent également perturber le système, obscurcir et modifier l'apparence naturelle du code.

Même sans ces variations visuelles, apprendre à un système de vision à reconnaître différentes polices peut prendre énormément de temps, comme dans le cas de la vérification optique des caractères (OCV), lorsque le système d'inspection ne peut pas anticiper le style de police qu'il utilisera. rencontre. C'est là qu'une bibliothèque omni-police pré-formée peut être utile. Un outil basé sur l'apprentissage en profondeur qu'il a pré-formé pour reconnaître diverses polices fonctionne essentiellement prêt à l'emploi; aucune formation initiale basée sur l'image n'est requise, et la formation minimale qui se produit ne se produit que sur les caractères manqués pour affiner la logique du modèle.

Une mise en œuvre rapide et facile et des ajustements d'application limités font de l'OCR basé sur l'apprentissage en profondeur un choix évident pour les applications impliquant des caractères déformés, asymétriques et mal gravés ou dans les applications de vérification lorsque l'appareil photo est sûr de rencontrer un large éventail de polices inconnues.

Vérification de l'assemblage des sciences de la vie

Les dispositifs d'automatisation de laboratoire tels que les analyseurs cliniques et les dispositifs de diagnostic in vitro s'appuient sur la vision artificielle pour garantir que les échantillons sont parfaitement insérés et alignés pour des conditions de test optimales. Le succès des fabricants d'appareils de diagnostic repose sur la précision des mesures et des résultats de leurs machines. Peut-être plus important encore, ils s'appuient sur des configurations de test et un assemblage de plate-forme précis, qui fournissent à l'appareil des données précises afin que les tests soient effectués correctement et uniformément.

L'assemblage correct des échantillons de test - sang, urine ou tissus - dans ce que l'on appelle une vérification de pré-assemblage est essentiel pour réduire les erreurs potentielles qui pourraient menacer la contamination, confondre ou mal étiqueter les diagnostics, ou ralentir ou casser des équipements coûteux. Au cours de ces inspections, le système automatisé doit vérifier qu'il n'y a pas de tubes à essai mal alignés ou absents, de bouchons qui n'ont pas été retirés ou de récipients étrangers chargés dans le portoir de l'analyseur. Vérifier que le rack de l'équipement a été rempli complètement et correctement implique de gérer plusieurs facteurs :les tubes et récipients d'échantillons et de réactifs varient selon le fabricant en termes de forme, de taille et de dimension, et il peut être impossible pour la machine de prédire la position des échantillons sur le pont .

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

L'outil généralise les caractéristiques distinctives des échantillons et des réactifs en fonction de leur taille, de leur forme et de leurs caractéristiques de surface et apprend leur apparence normale, ainsi que leur emplacement général sur les portoirs ou les microplaques du pont. De cette façon, l'apprentissage en profondeur est capable d'automatiser et de résoudre une application auparavant difficile à programmer de manière rapide, très précise et facile à déployer.

Classification des sciences de la vie

La vérification de la qualité d'un échantillon de sang nécessite encore une quantité importante de jugement humain. En effet, un échantillon correctement préparé qui a été centrifugé et indexé doit recevoir des scores individuels pour la turbidité et la couleur du plasma. En fonction de la manière dont les échantillons sont chargés dans l'analyseur, leur apparence peut varier et le sang peut apparaître relativement plus ou moins séparé. Cela affecte l'indexation.

Par exemple, un échantillon avec du plasma, une couche leucocytaire et des globules rouges plus clairement stratifiés serait mieux noté qu'un échantillon avec des phases moins distinctes. Mais dans un environnement de laboratoire hautement automatisé qui s'appuie sur de bons flux de travail, cette approche n'est pas idéale. Heureusement, l'analyse d'images basée sur l'apprentissage en profondeur 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 de passage seront autorisés pour les tests. Il est donc impératif que le système d'inspection soit capable de généraliser et de conceptualiser l'apparition de « bonnes » phases de globules rouges (c'est-à-dire bien séparées). Pour ce faire, il se base sur des facteurs tels que la couleur du plasma, la turbidité et le volume de la couche leucocytaire, qui sont tous des critères utilisés dans le traitement des échantillons.

L'apprentissage en profondeur est le seul outil d'automatisation capable de classer, trier et noter intelligemment plusieurs objets au sein d'une même image. Dans ce cas, Cognex Deep Learning est capable de trier plusieurs classes dans un seul flacon de sang pour identifier et transmettre uniquement les échantillons qui répondent aux critères de test.

En tant que dernière solution d'automatisation pour les applications complexes des sciences de la vie, les outils basés sur l'apprentissage en profondeur de Cognex sont facilement disponibles en tant que systèmes prêts à l'emploi et OEM à concevoir directement dans les dispositifs d'automatisation de laboratoire. Avec des résultats extrêmement fiables et une faible demande d'infrastructures supplémentaires telles que les processeurs ou les PC embarqués, le logiciel basé sur l'apprentissage en profondeur de Cognex est un complément naturel à l'arsenal d'outils d'inspection par vision industrielle de l'industrie des sciences de la vie.