Los estudios en laboratorios y las tecnologías para llevarlos a cabo han avanzado muchísimo en los últimos años. Uno de los grandes avances tecnológicos es el Deep Learning aplicado a la visión artificial.
En muchas aplicaciones de laboratorio es necesaria una visión suficientemente flexible como la humana para poder tomar decisiones basadas en un juicio y una experiencia. En muchos casos los problemas de calidad de imagen, de reflejos, superficies brillantes, etc. hacen muy difícil o casi imposible a los algoritmos tradicionales de visión artificial inspeccionar con precisión para detectar anomalías, siendo prácticamente imposible detectar con acierto las diferencias e ignorar características irrelevantes.
Afortunadamente los avances en el análisis de imágenes con Deep Learning han hecho posible la automatización de estas aplicaciones de forma exitosa y fiable.
Detección de defectos, clasificación, lectura de caracteres y verificación de ensamblajes
Las aplicaciones de microscopía clínica y de investigación que anteriormente requerían inspección humana se están reinventando con la aplicación de análisis de imágenes basado en el Deep Learning. Las muestras patológicas e histológicas, por ejemplo, requieren una detección y segmentación precisa de defectos a pesar de los patrones variables e impredecibles de los defectos.
Una célula cancerosa podría aparecer en varios tamaños y formas, y sus diversas formas son, en la mayoría de los casos, más diferentes de lo que son similares. Es efectivamente imposible enseñar a un sistema de inspección a identificar todas las anomalías posibles sin una programación extensa, e incluso entonces, la posibilidad de identificación falsa o de rechazo es alta. En una situación como esta, el análisis de imágenes basado en Deep Learning en modo no supervisado ofrece un modo de inspección altamente preciso y eficiente.
En una aplicación de detección de anormalidades celulares, un ingeniero utiliza imágenes de muestra de posibles anormalidades celulares, como el cáncer, para enseñar al software a conceptualizar y generalizar la apariencia normal de una célula o grupos de células. Estos portaobjetos están etiquetados como «buenos» ejemplos de células sanas y además tienen en cuenta las variantes normales de células sanas, como la mitosis. Luego, durante el tiempo de ejecución, cualquier variación se marca como anómala, marcando el daño celular. Pero esta aplicación requiere un paso más. Una vez que se marca una celda o un grupo de celdas, la región de interés particular debe segmentarse dinámicamente en tiempo real para una revisión adicional. La célula exhibe un daño potencial, después de todo, porque su apariencia se aleja de la norma, pero no es necesariamente cancerosa. Estas desviaciones pueden ser causadas por artefactos en la diapositiva.
Normalmente, una inspección humana, probablemente un patólogo, tendría que revisar este subconjunto de muestras para hacer un diagnóstico firme. Pero, de nuevo, el software basado en Deep Learning puede volver a ejecutar su algoritmo sobre las zonas objetivo del subconjunto, esta vez con reentrenamiento en modo supervisado, para analizar entre «bueno» (tolerable, no dañado) y «malo» (patológico, dañado) células.
Además, con Deep Learning también es posible la clasificación de muestras de sangre, la lectura de caracteres (OCR) en superficies transparentes, reflectantes y/o flexibles en la que los caracteres se presentan deformados y la lectura es mucho más complicada, como por ejemplo pasa en bolsas intravenosas de suero. De esta manera pueden cumplir con las normas de seguridad y llevar una correcta identificación automática de la trazabilidad.
Por otro lado, el correcto ensamblaje de las muestras para análisis (sangre, orina o tejido) en lo que se conoce como verificación previa al ensamblaje, es esencial para reducir cualquier error potencial que pueda amenazar la contaminación, mezclar o etiquetar mal los diagnósticos, o ralentizar o romper equipos costosos. Durante estas inspecciones, el sistema automatizado debe verificar que no haya tubos de ensayo desalineados o ausentes, tapas que no se hayan quitado o recipientes extraños cargados en la rejilla del analizador. La verificación de que el bastidor del equipo se ha poblado completa y correctamente implica la gestión de varios factores: los tubos y recipientes de muestra y reactivo varían según la forma, el tamaño y la dimensión del fabricante, y puede ser imposible para la máquina predecir la posición de las muestras en la plataforma.
Con estas variaciones impredecibles en las configuraciones de prueba, tiene sentido utilizar el Deep Learning para realizar la verificación de ensamblaje.
La herramienta generaliza las características distintivas de las muestras y reactivos en función de su tamaño, forma y características de superficie y aprende su apariencia normal, así como su ubicación general en los bastidores o microplacas de la plataforma. De esta manera, el Deep Learning es capaz de automatizar y resolver una aplicación que antes era difícil de programar de una manera rápida, altamente precisa y fácil de implementar.
Aquí puedes ver una pequeña demostración de como la visión Deep Learning resulve fácilmente aplicaciones de localización, contaje y clasificación en un laboratorio.
Si quiere más información sobre los productos de DEEP LEARNING que disponemos en Bcnvision visita www.bcnvision.es y contacta con nosotros a través del formulario de contacto.
