深度学习革新生命科学检测自动化

深度学习如何实现生命科学行业检测自动化

原文来源：作者Brian Benoit

生命科学行业以资本密集型研发与医疗器械著称，推动医学成像、样本检测、药物制造实践进步。这些设备集成机器视觉能力。

但某些实验室自动化应用中，传统机器视觉难以匹配人类思维在判断型决策上的灵活性。计算机易被复杂背景、镜面眩光等图像质量问题困扰，导致传统算法难以精准定位目标物体或感兴趣区域(ROI)，尤其是在非结构化场景中识别异常。自动化系统要在忽略无关特征前提下成功识别ROI，极其耗时困难甚至不可能。

如今，基于深度学习的图像分析突破，可使此类应用可靠、可重复地自动化执行——机器视觉术语称“鲁棒性”。

下载：深度学习生命科学解决方案指南

生命科学缺陷检测

临床与研究显微应用原需人工检测，现借深度学习图像分析重塑。病理组织切片等要求尽管缺陷模式多变不可预测，仍需精准缺陷检测与分割。

思考组织切片上癌细胞异常与损伤检测挑战，潜在视觉表现令人咋舌。

癌细胞可能呈现多种尺寸形态，各形态间差异大于相似。若无大量编程几乎不可能教会检测系统识别所有异常，即使编程也极易误判或误拒。此场景下，无监督模式深度学习图像分析提供高精高效检测模式。

细胞异常检测应用中，训练工程师用癌症等可能细胞异常样本图像，教软件概念化泛化正常细胞/细胞簇外观。这些切片标记为“健康细胞好样本”，含正常健康变异(如有丝分裂)。运行时，任何偏离标记为异常、极可能代表细胞损伤。此应用还需一步。

一旦细胞/细胞簇被标记，该感兴趣区域需实时动态分割以供进一步复核。细胞展现潜在损伤(因外观偏离常态)，但未必癌变。偏差可能源于切片伪影。

通常需人工检查员(病理学家)复核此子集确诊。但Cognex深度学习软件可对子集目标区重跑算法——此次用监督模式微调——解析“好”(可容忍、无损)与“坏”(病理、受损)细胞。

生命科学光学字符识别(OCR)

众多医疗供应商依赖自动识别实现追溯与安全合规。人眼可读字母数字字符若在可拉伸可塑材料(如输液袋)上，自动检测系统相机易识别为变形。镜面眩光反射也干扰系统，遮挡改变代码原貌。

即使无这些视觉变异，教会视觉系统识别不同字体仍极耗时——如光学字符验证(OCV)中，检测系统无法预知将遇何种字体。预训练全字体库在此大显身手。预训练识别多字体的深度学习工具开箱即用；无前期图像训练，仅对漏识字符微调优化模型逻辑。

快速易部署、极少应用调整，使深度学习OCR成为变形、倾斜、蚀刻不佳字符应用，及相机必遇大量未知字体验证应用的显而易见之选。

生命科学装配验证

临床分析仪、体外诊断设备等实验室自动化设备依赖机器视觉确保样本完美插入对齐以达最佳测试条件。诊断设备制造商成败系于机器测量结果准确性。或许最关键的是依赖精准测试设置与甲板组装，为设备提供精确数据，保证测试正确统一执行。

测试样本(血/尿/组织)在预装配验证阶段正确组装，至关重要，可减少潜在错误：污染威胁、样本混淆误标、昂贵设备减速损坏。检测中自动系统须验证：无错位/缺失试管、未拆盖帽、无多余容器装入分析仪架。验证设备架完整正确填充涉及多因素：样本试剂管/容器因制造商异而形状尺寸维度各异，机器无法预测样本在甲板位置。

面对测试设置不可预测变异，用深度学习执行装配验证顺理成章。Cognex深度学习软件基于训练图像集，学习不同样本试剂外观及其不可预测位置。

工具基于尺寸、形状、表面特征泛化样本试剂区分特征，学习其正常外观及架/微孔板上大致位置。深度学习以快速、高精度、易部署方式自动化解决此前难编程应用。

生命科学分类分级

判定血样质量仍严重依赖人工判断。因离心索引后的合格样本需单独打浑浊度与血浆颜色分。样本装载分析仪方式不同，外观可变，血液分层相对清晰度不一，影响索引。

例：血浆/淋巴层/红细胞分层更清晰的样本评分更高。但在高度自动化依赖良好工作流的实验室环境，此法不理想。庆幸深度学习图像分析可模拟人类智能评估离心样本分层质量。但质量管理还需一步：分类。

仅及格样本允许测试。故检测系统必须能泛化概念化“好”(即分层良好)红细胞相外观。基于血浆颜色、浑浊度、淋巴层体积等样本处理标准实现。

深度学习是唯一能在单图像中智能分类、分拣、分级多物体的自动化工具。本例中Cognex深度学习可在单瓶血液中分拣多类别，识别并通过仅符合测试标准的样本。

作为复杂生命科学应用最新自动化解决方案，Cognex深度学习工具以现货与OEM系统两种形式便捷提供，可直接设计集成进实验室自动化设备。凭借高可靠结果、对CPU/嵌入式PC等额外基础设施极低需求，Cognex深度学习软件成为生命科学行业机器视觉检测工具箱的天然补充。