Automatisierte Mikroskopie für den Hochdurchsatz: Blutzellanalyse per CNN
Worum geht es bei der Mikroskopie für den Hochdurchsatz?
Welche Blutzellklassen sehen Labormitarbeiter per Mikroskop in einer Probe? Wieviel jeweils und welche Größe und Form haben die Zellen? Die Antworten auf Fragen dieser Art helfen Medizinern, Krankheiten wie Malaria, Tuberkulose oder hämatologisch-onkologische Erkrankungen zu diagnostizieren. Aber der Blick durch ein Mikroskop ist fehleranfällig sowie zeit- und damit kostenaufwändig. Ein auf einem Convolutional Neural Network (CNN) basierendes Computer Vision System automatisiert den Prozess.
Worin liegt die Herausforderung bei der händischen Blutzellanalyse?
Laboranalysen von Blutausstrichen sollen zuverlässig, schnell und dabei günstig sein. Die Automatisierung des Analyseprozesses mithilfe eines CNN-basierten Computer Vision Systems gewährleistet all dies. Jedoch ergeben die Anforderungen nach einer hohen Auflösung und hohen Geschwindigkeit große Datenmengen, die schnell transportiert und verarbeitet werden müssen.
Die Lösung für Mikroskopie für den Hochdurchsatz: Blutzellanalyse per CNN
In unserer Demo bestimmen wir in Blutausstrichen per CNN Plasmodium-Gattungen, die die Infektionskrankheit Malaria hervorrufen. Das CNN ordnet die Plasmodien in eine von sieben vordefinierten Klassen und zählt sie. Das Ergebnis erlaubt die zuverlässige Bestimmung der Malariaform. Wir wählen für Sie die richtigen Hardware- und Software-Komponenten für die Lösung eines solchen oder ähnlichen Problems aus und fügen sie zu einem kohärenten Computer Vision System zusammen.
Zur System-Hardware dieser Demo gehört eine zweikanalige boost Farbkamera mit 20 MP Auflösung, 1.1“ Sensorformat und CXP-12-Schnittstelle. Die Kamera erlaubt es, sehr schnell getaktete Bildaufnahmen mit hoher Auflösung zu erfassen – die Grundlage für hohe Scangeschwindigkeit bzw. hohen Probendurchsatz. Für die (Vor)-Verarbeitung und Analyse der großen Datenmenge bedarf es weiterer passender Komponenten. Der programmierbare imaWorx CXP-12 Quad Framegrabber übernimmt in diesem Fall nicht nur Bild-Verarbeitung und -Analyse, sondern unterstützt z. B. die Autofokussierung mit Hilfe FPGA-basierter Echtzeit-Daten-Voranalyse. Ein C-Mount Objektiv und zwei CXP-12-Datenkabel vervollständigen die System-Hardware.
Für die Programmierung des Framegrabber-FPGAs dient Baslers VisualApplets-Software. Mithilfe ihrer grafischen Benutzeroberfläche erfolgen sowohl die Konfigurierung bzw. Programmierung der Daten-Voranalyse als auch die Implementierung des CNNs auf dem Framegrabber-FPGA. Das Training des CNNs findet zuvor auf der Host-Seite statt. Der FPGA des Framegrabbers stellt aber ausreichend Kapazität für die Implementierung des CNNs zur Verfügung und macht die hoch-performante Inferenz möglich. Je nach Kundenanforderung wird das CNN entweder einmalig trainiert und auf dem FPGA des Framegrabbers implementiert oder der Kunde erhält die Option, das CNN später selbst anpassen zu können.
Die Vorteile einer Vision Lösung für automatisierte Mikroskopie
Exzellente Bildqualität der boost Kamera dank Sony Pregius S Sensoren (z. B. IMX531)
Optimales Zusammenspiel der Hardware, die schnell große Datenmengen generiert und hoch-performant verarbeitet (20 MP CXP-12-Kamera und Framegrabber)
Daten-Voranalyse und CNN-basierte Auswertung erfolgen in Echtzeit mit über 900 MB/s auf dem Framegrabber und reduzieren dadurch Systemanforderungen und -kosten auf der Host-Seite
Hohe Zuverlässigkeit der Klassifizierung und sehr schnelle Ergebnis-Verfügbarkeit
Produkte für diese Lösung
Sie möchten eine vergleichbare Lösung umsetzen? Diese Produkte helfen Ihnen dabei.
