딥 러닝이 생명 과학 산업 검사를 자동화하는 방법

딥 러닝이 생명 과학 산업을 위한 검사를 자동화하는 방법

원본 기사 출처: 저자 브라이언 베누아

생명 과학 산업은 자본 집약적 연구와 의료 영상, 샘플 테스트 및 의약품 제조 관행을 발전시킨 의료 기기로 유명합니다. 이러한 장치에는 머신 비전 기능이 설계에 통합되어 있습니다.

그러나 특정 실험실 자동화 애플리케이션의 경우 머신 비전은 판단 기반 결정을 내리기 위해 인간 마음의 유연성을 충분히 따라잡을 수 없습니다. 컴퓨터는 복잡한 배경과 반사광과 같은 이미지 품질 문제로 인해 혼란스러워하는 것으로 유명합니다. 이로 인해 기존의 머신 비전 알고리즘은 특히 구조화되지 않은 장면에서 이상을 식별하기 위해 물체 또는 관심 영역을 정확하게 찾는 것이 매우 어렵습니다. 자동화 시스템이 관련 없는 기능을 무시하면서 관심 영역을 성공적으로 식별하는 것은 시간이 많이 걸리고 불가능하지는 않더라도 어려울 수 있습니다.

그러나 오늘날 딥 러닝 기반 이미지 분석의 혁신은 이러한 애플리케이션을 자동화하여 머신 비전 용어로 "강력하게" 안정적이고 반복적으로 수행되도록 할 수 있습니다.

다운로드:생명 과학 솔루션 가이드를 위한 딥 러닝

생명 과학 결함 감지

이전에는 사람의 검사가 필요했던 임상 및 연구용 현미경 애플리케이션이 딥 러닝 기반 이미지 분석 애플리케이션으로 재창조되고 있습니다. 예를 들어, 병리학적 및 조직학적 샘플은 결함의 가변적이고 예측할 수 없는 패턴에도 불구하고 정확한 결함 감지 및 세분화가 필요합니다.

조직학(세포 조직) 슬라이드에서 세포 이상과 세포 손상을 감지하는 문제를 고려할 때 잠재적인 시각적 외관은 상상을 초월할 정도입니다.

암세포는 다양한 크기와 모양으로 나타날 수 있으며, 그 다양한 형태는 대부분의 경우 비슷하기보다는 다릅니다. 광범위한 프로그래밍 없이 가능한 모든 이상을 식별하도록 검사 시스템을 가르치는 것은 사실상 불가능하며, 그 경우에도 잘못된 식별 또는 거부 가능성이 높습니다. 이와 같은 상황에서 무감독 모드의 딥 러닝 기반 이미지 분석은 매우 정확하고 효율적인 검사 모드를 제공합니다.

당사의 세포 이상 감지 애플리케이션에서 교육 엔지니어는 암과 같은 가능한 세포 이상 샘플 이미지를 사용하여 소프트웨어가 세포 또는 세포 클러스터의 정상적인 모습을 개념화하고 일반화하도록 가르칩니다. 이 슬라이드는 건강한 세포의 "좋은" 예라고 표시되어 있으며 유사분열과 같은 정상적인 건강한 세포 변이체를 고려합니다. 그런 다음 런타임 동안 모든 변형은 비정상적이며 세포 손상을 예시할 가능성이 있는 것으로 표시됩니다. 이 신청서에는 한 단계가 더 필요합니다.

셀 또는 셀 클러스터에 플래그가 지정되면 추가 검토를 위해 특정 관심 영역을 실시간으로 동적으로 분할해야 합니다. 세포는 결국 그 모양이 정상에서 벗어나기 때문에 잠재적인 손상을 나타내지만 반드시 암이 되는 것은 아닙니다. 이러한 편차는 슬라이드의 아티팩트로 인해 발생할 수 있습니다.

일반적으로 인간 검사관(병리학자일 가능성이 있음)은 확고한 진단을 내리기 위해 이 샘플 하위 집합을 검토해야 합니다. 그러나 Cognex의 딥 러닝 기반 소프트웨어는 이번에는 감독 모드에서 재훈련을 통해 하위 집합 대상 영역에 대해 알고리즘을 다시 실행하여 "양호"(견딜 수 있음, 손상되지 않음)와 "불량"(병리학적, 손상됨) 사이를 분석할 수 있습니다. ) 세포.

생명 과학 광학 문자 인식

많은 의료 공급업체는 추적 가능성과 안전 규정 준수를 위해 자동 식별에 의존합니다. 사람이 읽을 수 있는 영숫자 문자는 IV 백과 같이 신축성 있고 성형 가능한 소재에 있는 경우 자동 검사 시스템의 카메라에 쉽게 변형되어 나타날 수 있습니다. 반사광과 반사는 또한 코드의 자연스러운 모양을 흐리게 하고 변경하여 시스템을 혼란스럽게 할 수 있습니다.

이러한 시각적 변화가 없더라도 광학 문자 검증(OCV)의 경우와 같이 검사 시스템이 어떤 글꼴 스타일을 예상할 수 없는 경우와 같이 비전 시스템이 다른 글꼴을 인식하도록 가르치는 데 여전히 엄청난 시간이 소요될 수 있습니다. 맞닥뜨리다. 사전 훈련된 옴니 글꼴 라이브러리가 유용할 수 있는 곳입니다. 다양한 글꼴을 인식하도록 사전 훈련된 딥 러닝 기반 도구는 기본적으로 기본적으로 작동합니다. 선행 이미지 기반 교육이 필요하지 않으며 발생하는 최소한의 교육은 누락된 캐릭터에 대해서만 발생하여 모델의 논리를 개선합니다.

빠르고 쉬운 구현 및 제한적인 애플리케이션 조정으로 인해 딥 러닝 기반 OCR은 변형되거나 기울어지고 제대로 에칭되지 않은 문자와 관련된 애플리케이션 또는 카메라가 알 수 없는 다양한 글꼴을 확실히 접할 때 확인 애플리케이션에서 확실한 선택입니다.

생명 과학 조립 검증

임상 분석기 및 체외 진단 장치와 같은 실험실 자동화 장치는 머신 비전에 의존하여 최적의 테스트 조건을 위해 샘플을 완벽하게 삽입하고 정렬합니다. 진단 장치 제조업체의 성공은 기계 측정 및 결과의 정확성에 달려 있습니다. 아마도 가장 중요한 것은 테스트가 올바르고 균일하게 수행되도록 장치에 정확한 데이터를 제공하는 정확한 테스트 설정 및 데크 조립에 의존한다는 것입니다.

검사 샘플(혈액, 소변 또는 조직)의 정확한 조립은 사전 조립 검증으로 알려진 것에서 오염을 위협할 수 있는 잠재적인 오류를 줄이고, 진단을 혼동하거나 잘못 표시하거나 값비싼 장비의 속도를 늦추거나 파손시키는 데 필수적입니다. 이러한 검사 중에 자동화 시스템은 잘못 정렬되거나 없는 테스트 튜브, 제거되지 않은 캡 또는 분석기 랙에 로드된 외부 용기가 없는지 확인해야 합니다. 장비의 랙이 완전하고 정확하게 채워졌는지 확인하려면 다음과 같은 몇 가지 요소를 관리해야 합니다. 샘플 및 시약 튜브와 용기는 모양, 크기 및 치수가 제조업체마다 다르며 기계가 데크에서 샘플의 위치를 ​​예측하는 것이 불가능할 수 있습니다. .

이러한 예측할 수 없는 테스트 설정의 변화로 인해 딥 러닝을 사용하여 어셈블리 검증을 수행하는 것이 합리적입니다. Cognex 딥 러닝 기반 소프트웨어는 트레이닝 이미지 세트를 기반으로 다양한 샘플 및 시약의 다양한 모양과 예측할 수 없는 다양한 위치를 학습할 수 있습니다.

이 도구는 샘플 및 시약의 크기, 모양 및 표면 특징을 기반으로 구별되는 특징을 일반화하고 정상적인 모양과 데크의 랙 또는 마이크로플레이트에서의 일반적인 위치를 학습합니다. 이러한 방식으로 딥 러닝은 이전에 프로그래밍하기 어려웠던 애플리케이션을 빠르고 매우 정확하며 배포하기 쉬운 방식으로 자동화하고 해결할 수 있습니다.

생명 과학 분류

혈액 샘플의 품질을 확인하려면 여전히 상당한 양의 인간 판단이 필요합니다. 이는 원심분리되고 인덱스화된 적절하게 준비된 샘플이 탁도 및 플라즈마 색상에 대한 개별 점수를 받아야 하기 때문입니다. 샘플이 분석기 기계에 로드되는 방식에 따라 모양이 다를 수 있으며 혈액이 상대적으로 다소 분리된 것처럼 보일 수 있습니다. 이것은 색인 생성에 영향을 미칩니다.

예를 들어, 더 명확하게 계층화된 혈장, 버피 코트 및 적혈구가 있는 샘플은 덜 뚜렷한 위상을 가진 샘플보다 더 높게 평가됩니다. 그러나 좋은 작업 흐름에 의존하는 고도로 자동화된 실험실 환경에서는 이 접근 방식이 이상적이지 않습니다. 고맙게도 딥 러닝 기반 이미지 분석은 인간 지능을 모방하고 원심 분리된 샘플의 분리 품질을 평가할 수 있습니다. 그러나 품질 관리 프로세스에는 분류라는 한 가지 추가 단계가 포함됩니다.

통과 등급이 있는 샘플만 테스트에 허용됩니다. 따라서 검사 시스템이 "양호한"(즉, 잘 분리된) 적혈구 단계의 모양을 일반화하고 개념화할 수 있어야 합니다. 샘플 처리에 사용되는 모든 기준인 플라즈마 색상, 탁도, 버피 코트 부피와 같은 요인을 기반으로 합니다.

딥 러닝은 단일 이미지 내에서 여러 개체를 지능적으로 분류, 정렬 및 등급을 매길 수 있는 유일한 자동화 도구입니다. 이 경우 Cognex Deep Learning은 단일 혈액 바이알 내에서 여러 클래스를 분류하여 테스트 기준을 충족하는 샘플만 식별하고 통과할 수 있습니다.

복잡한 생명 과학 애플리케이션을 위한 최신 자동화 솔루션인 Cognex의 딥 러닝 기반 도구는 실험실 자동화 장치에 직접 설계할 기성품 및 OEM 시스템으로 편리하게 사용할 수 있습니다. 매우 신뢰할 수 있는 결과와 CPU 또는 내장형 PC와 같은 추가 인프라에 대한 수요가 적은 Cognex의 딥 러닝 기반 소프트웨어는 생명 과학 산업의 머신 비전 검사 도구에 자연스럽게 추가되었습니다.