Le microscope nouveau optimise l'illumination pour améliorer le diagnostic

Les techniciens à Duke University ont développé un microscope qui adapte ses cornières, couleurs et configurations d'éclairage tandis que l'enseignement des réglages optimaux devait compléter une tâche diagnostique donnée.

Dans l'étude initiale d'épreuve-de-concept, le microscope a simultanément développé une configuration d'éclairage et un système de catégorie qui lui ont permis de recenser rapidement des hématies infectées par le parasite de malaria plus exactement que les médecins qualifiés et d'autres approches d'apprentissage automatique.

Les résultats apparaissent en ligne le 19 novembre dans le bloc optique biomédical de tourillon exprès.

Un microscope normal illumine un échantillon avec le même montant de la lumière venant de tous les sens, et cet éclairage a été optimisé pour les yeux humains au-dessus des centaines d'années. Mais les ordinateurs peuvent voir que des êtres humains de choses ne peuvent pas. Ayez-tellement non seulement nous a remodelé la visserie pour fournir un éventail varié d'options d'éclairage, nous ont permis au microscope d'optimiser l'illumination pour lui-même. »

Roarke Horstmeyer, professeur adjoint de génie biomédical au duc

Plutôt que diffusant la lumière blanche de dessous pour illuminer régulièrement le guide, les techniciens ont développé une source lumineuse en forme de cuvette avec des LED encastrés dans toute sa surface. Ceci permet à des échantillons d'être illuminés de différentes cornières jusqu'à presque 90 degrés avec différentes couleurs, qui essentiellement moule des ombres et met en valeur différentes caractéristiques de l'échantillon selon la configuration des LED utilisés.

Les chercheurs ont alors alimenté les centaines de microscope de groupes d'hématies malaria-infectées disposées en tant que prélèvements minces, dans lesquelles les corps cellulaires demeurent sains et saufs et sont idéalement étendus dans un à une seule couche sur un guide de microscope. Utilisant un type d'algorithme d'apprentissage automatique appelé un réseau neuronal circonvolutionnaire, le microscope a appris quelles caractéristiques de l'échantillon étaient les plus importantes pour le diagnostic de la malaria et comment mieux mettre en valeur ces caractéristiques.

L'algorithme a éventuellement mis à terre sur une configuration de forme annulaire de DEL de différentes couleurs venant des angles presque droits relativement. Tandis que les images donnantes droit sont plus bruyantes qu'une image régulière de microscope, elles mettent en valeur le parasite de malaria dans un endroit lumineux et sont correctement classifiées environ 90 pour cent du temps. Les médecins qualifiés et d'autres algorithmes d'apprentissage automatique exécutent type avec environ 75 pour cent d'exactitude.

« Les configurations qu'elle sélectionne sont en forme d'anneau avec différentes couleurs qui sont non-uniformes et ne sont pas forcément évidentes, » ont dit Horstmeyer. « Quoique les images sont plus obscures et plus bruyantes que quel clinicien produirait, l'algorithme indique qu'il vivra avec le bruit, il veut juste réellement obtenir le parasite mis en valeur pour l'aider à effectuer un diagnostic. »

Horstmeyer a alors envoyé la configuration de DEL et l'algorithme triant au laboratoire d'un autre collaborateur en travers du monde pour voir si les résultats étaient traduisibles à différentes installations de microscope. L'autre laboratoire a montré la réussite assimilée.

Les « médecins doivent examiner par mille cellules pour trouver un parasite de malaria unique, » a dit Horstmeyer. « Et parce qu'ils doivent changer de plan dedans tellement attentivement, ils peuvent seulement regarder peut-être douzaine à la fois, et ainsi affichant des prises d'un guide environ 10 mn. S'ils seulement devaient regarder une poignée de cellules que notre microscope a déjà sélectionnées en quelques secondes, il accélérerait grand le procédé. »

Les chercheurs ont également prouvé que le microscope fonctionne bien avec les préparations épaisses de frottis sanguin, dans lesquelles les hématies forment un mouvement propre hautement non-uniforme et peuvent être brisées à part. Pour cette préparation, l'algorithme d'apprentissage automatique était des 99 pour cent couronné de succès du temps.

Selon Horstmeyer, l'exactitude améliorée est prévue parce que les prélèvements épaisses vérifiées plus fortement ont été souillées que les prélèvements minces et a montré plus contrasté. Mais elles prennent également plus longtemps pour préparer, et une partie de la motivation derrière le projet est de réduire des temps de diagnostic dans des réglages d'inférieur-moyen où les médecins qualifiés sont clairsemés et les goulots d'étranglement sont la norme.

Avec ce premier succès à disposition, Horstmeyer continue à développer le microscope et l'algorithme d'apprentissage automatique.

Un groupe d'étudiants de troisième cycle de bureau d'études de duc a formé une compagnie de démarrage SafineAI pour miniaturiser le concept reconfigurable de microscope de DEL, qui a déjà gagné un prix $120.000 à une concurrence locale de tangage.

En attendant, Horstmeyer fonctionne avec un algorithme d'apprentissage automatique différent pour produire une version du microscope qui peut régler sa configuration de DEL sur n'importe quel guide spécifique qu'elle essaye de s'afficher.

« Nous essayons fondamentalement de transmettre quelques cerveaux dans l'opération de saisie d'acquisition des images, » a dit Horstmeyer. « Nous voulons que le microscope emploie tous ses degrés de liberté. Ainsi au lieu de prendre juste muet des images, elle peut jouer autour avec l'orientation et l'illumination à essayer d'avoir une meilleure idée d'à quoi ressemble sur le guide, juste un être humain. »

Source:
Journal reference:

Muthumbi, A., et al. (2019) Learned sensing: jointly optimized microscope hardware for accurate image classification. Biomedical Optics Express. doi.org/10.1364/BOE.10.006351.