深度学习如何自动化生命科学行业的检测

深度学习如何自动化生命科学行业的检测

文章原文出处： 作者 Brian Benoit

生命科学行业以资本密集型研究和医疗器械而闻名，这些研究和医疗器械推进了医学成像、样品检测和药物制造的实践。这些设备在其设计中集成了机器视觉功能。

然而，对于某些实验室自动化应用，机器视觉无法充分匹配人脑做出基于判断的决策的灵活性。众所周知，计算机会因繁忙的背景和图像质量问题（例如镜面眩光）而感到困惑。这使得传统机器视觉算法很难精确定位目标或感兴趣区域，尤其是在非结构化场景中识别异常情况。自动化系统成功识别感兴趣的区域同时忽略不相关的特征可能非常耗时且困难，如果不是不可能的话。

然而，如今，基于深度学习的图像分析取得的突破可以使这些应用程序自动化，从而使它们能够可靠且重复地执行——用机器视觉的术语来说，就是“稳健地”。

下载：生命科学深度学习解决方案指南

生命科学缺陷检测

以前需要人工检查的临床和研究显微镜应用正在通过基于深度学习的图像分析应用得到重塑。例如，病理和组织学样本需要准确的缺陷检测和分割，尽管缺陷的模式多变且不可预测。

当您考虑在组织学（细胞组织）载玻片上检测细胞异常和细胞损伤的挑战时，潜在的视觉表现令人难以置信。

癌细胞可能以多种大小和形状出现，并且在大多数情况下，其各种形式的不同之处多于相似之处。在没有大量编程的情况下，实际上不可能教检查系统识别所有可能的异常，即使这样，错误识别或拒绝的可能性也很高。在这种情况下，无监督模式下基于深度学习的图像分析提供了一种高度准确和高效的检测模式。

在我们的细胞异常检测应用程序中，培训工程师使用可能的细胞异常（如癌症）的样本图像来教软件概念化和概括细胞或细胞簇的正常外观。这些幻灯片被标记为健康细胞的“好”例子，并考虑了正常的健康细胞变异，如有丝分裂。然后，在运行时，任何变化都被标记为异常并且可能是细胞损伤的例证。此应用程序需要进一步的步骤。

一旦标记了细胞或细胞簇，就需要对特定感兴趣区域进行实时动态分割，以供进一步审查。毕竟，细胞表现出潜在的损伤，因为它的外观偏离了常态，但它不一定是癌性的。这些偏差可能是由载玻片上的伪影引起的。

通常，人类检查员（可能是病理学家）必须检查这部分样本才能做出明确的诊断。但同样，康耐视基于深度学习的软件可以在子集目标区域上重新运行其算法——这次是在监督模式下进行再训练——以在“好”（可容忍的、未损坏的）和“坏的”（病态的、损坏的）之间进行解析)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。如果人类可读的字母数字字符出现在可拉伸、可模塑的材料（如输液袋）上，则很容易在自动检测系统的相机中显示为变形。镜面眩光和反射也会混淆系统，模糊和改变代码的自然外观。

即使没有这些视觉变化，教视觉系统识别不同的字体仍然会非常耗时，例如在光学字符验证 (OCV) 的情况下，当检查系统无法预测它将使用哪种字体样式时遇到。这是预训练的全字体库可以派上用场的地方。一种基于深度学习的工具，经过预训练可以识别各种字体，本质上是开箱即用的；不需要预先进行基于图像的训练，并且只对遗漏的字符进行最少的训练以改进模型的逻辑。

快速、简单的实施和有限的应用程序调整使得基于深度学习的 OCR 成为涉及变形、倾斜和蚀刻不良字符的应用程序或当相机肯定会遇到各种未知字体的验证应用程序时的明显选择。

生命科学组装验证

临床分析仪和体外诊断设备等实验室自动化设备依靠机器视觉来确保样本被完美插入和对齐，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测量和结果的准确性。也许最重要的是，它们依赖于准确的测试设置和甲板组装，这为设备提供了精确的数据，以便正确、一致地执行测试。

在所谓的预组装验证中正确组装测试样本（血液、尿液或组织）对于减少任何可能威胁污染、混淆或错误标记诊断、减慢或损坏昂贵设备的潜在错误至关重要。在这些检查过程中，自动化系统必须验证没有未对齐或缺失的试管、未取下的盖子或分析仪机架中装载的无关容器。验证设备的机架是否已完全正确地填充涉及管理几个因素：样品和试剂管和容器因制造商的形状、大小和尺寸而异，并且机器不可能预测样品在甲板上的位置.

由于测试设置中存在这些不可预测的变化，因此使用深度学习来执行装配验证是有意义的。康耐视基于深度学习的软件可以根据一组训练图像学习不同样品和试剂的不同外观，以及它们不可预测和变化的位置。

该工具根据样品和试剂的大小、形状和表面特征归纳出它们的显着特征，并了解它们的正常外观，以及它们在台架或微孔板中的一般位置。通过这种方式，深度学习能够以快速、高度准确且易于部署的方式自动化和解决以前难以编程的应用程序。

生命科学分类

确定血液样本的质量仍然需要大量的人为判断。这是因为经过适当准备并经过离心和索引的样品需要获得浊度和血浆颜色的单独评分。根据样品装入分析仪的方式，它们的外观可能会有所不同，血液可能会或多或少地分离。这会影响索引。

例如，具有更清晰分层的血浆、血沉棕黄层和红细胞的样本将比具有较少明显阶段的样本获得更高的评级。但在依赖良好工作流程的高度自动化实验室环境中，这种方法并不理想。值得庆幸的是，基于深度学习的图像分析可以模仿人类智能并评估离心样本分离的质量。但质量管理过程还涉及一个步骤：分类。

只有成绩合格的样品才会被允许进行测试。这使得检查系统必须能够概括和概念化“良好”（即分离良好）红细胞相的外观。它根据血浆颜色、浊度和血沉棕黄层体积等因素执行此操作，这些都是样品处理中使用的标准。

深度学习是唯一能够对单个图像中的多个对象进行智能分类、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单个小瓶血液中的多个类别进行分类，以识别并仅通过符合测试标准的样本。

作为复杂生命科学应用的最新自动化解决方案，康耐视基于深度学习的工具可以方便地作为现成的和 OEM 系统直接设计到实验室自动化设备中。凭借高度可靠的结果和对 CPU 或嵌入式 PC 等额外基础设施的低需求，康耐视基于深度学习的软件自然成为生命科学行业机器视觉检测工具库的补充。