Il microscopio novello ottimizza l'illuminazione per migliorare la diagnosi

Gli ingegneri alla Duke University hanno sviluppato un microscopio che adatta i sui profilati leggeri, colori e reticoli mentre insegnarsi le impostazioni ottimali ha dovuto completare un compito diagnostico dato.

Nello studio iniziale del proof of concept, il microscopio ha sviluppato simultaneamente un reticolo di illuminazione ed il sistema di classificazione che ha permesso che identificasse rapidamente i globuli rossi ha infettato più esattamente dal parassita di malaria di quanto i medici formati ed altri approcci di apprendimento automatico.

I risultati compaiono online il 19 novembre nell'ottica biomedica del giornale precisa.

Un microscopio standard illumina un campione con la stessa quantità di indicatore luminoso che viene da tutte le direzioni e quell'illuminazione è stata ottimizzata per gli occhi umani sopra le centinaia di anni. Ma i computer possono vedere che esseri umani di cose non possono. Così non solo abbiaci ha riprogettato il hardware per fornire una diversa gamma di opzioni di illuminazione, noi hanno permesso che il microscopio ottimizzasse l'illuminazione per se stesso.„

Roarke Horstmeyer, assistente universitario di assistenza tecnica biomedica a duca

Piuttosto che diffondendo la luce bianca da sotto per illuminare uniformemente la diapositiva, gli ingegneri hanno sviluppato una sorgente luminosa a forma di scodella con il LED incassato in tutto la sua superficie. Ciò permette che i campioni siano illuminati dagli angoli differenti fino a quasi 90 gradi con differenti colori, che essenzialmente getta le ombre ed evidenzia le funzionalità differenti del campione secondo il reticolo del LED usato.

I ricercatori poi hanno alimentato le centinaia del microscopio di campioni dei globuli rossi malaria-infettati pronti come sbavature sottili, in cui i corpi cellulari rimangono interi ed idealmente sono sparsi fuori in un a un solo strato su una diapositiva del microscopio. Facendo uso di un tipo di algoritmo di apprendimento automatico ha chiamato una rete neurale dell'avvolgimento, il microscopio imparato che le funzionalità del campione erano più importanti per diagnosticare la malaria e quanto il più bene evidenziare quelle funzionalità.

L'algoritmo finalmente ha sbarcato su un reticolo a sezione circolare del LED dei colori differenti che vengono relativamente dagli angoli alti. Mentre le immagini risultanti sono più rumorose di un'immagine regolare del microscopio, evidenziano il parassita di malaria in un punto luminoso e correttamente sono classificate circa 90 per cento del tempo. I medici formati ed altri algoritmi di apprendimento automatico eseguono tipicamente con circa 75 per cento di accuratezza.

“I reticoli che sta selezionando sono a forma di anello con differenti colori che sono non uniformi e non sono necessariamente ovvi,„ hanno detto Horstmeyer. “Anche se le immagini sono più tenui e più rumorose di ché clinico creerebbe, l'algoritmo sta dicendo che vivrà con il disturbo, appena realmente vuole ottenere il parassita evidenziato per aiutarlo per fare una diagnosi.„

Horstmeyer poi ha inviato il reticolo del LED e l'algoritmo di ordinamento al laboratorio di un altro collaboratore attraverso il mondo per vedere se i risultati fossero traducibili alle impostazioni differenti del microscopio. L'altro laboratorio ha mostrato i simili successi.

“I medici devono guardare attraverso mille celle per trovare un singolo parassita di malaria,„ ha detto Horstmeyer. “E perché devono zummare così molto attentamente, possono esaminare soltanto forse dozzina per volta ed in modo da leggendo le prese di una diapositiva circa 10 minuti. Se dovessero esaminare soltanto una manciata di celle che il nostro microscopio già ha selezionato nel giro di pochi secondi, notevolmente accelererebbe il trattamento.„

I ricercatori egualmente hanno indicato che il microscopio funziona bene con i preparati spessi della sbavatura di sangue, in cui i globuli rossi formano uno sfondo altamente non uniforme e possono essere separati. Per questo preparato, l'algoritmo di apprendimento automatico era riuscito 99 per cento del tempo.

Secondo Horstmeyer, l'accuratezza migliore è preveduta perché le sbavature spesse provate sono state macchiate più molto che le sbavature sottili ed ha esibito il più alto contrasto. Ma egualmente catturano più lungamente per preparare e la parte della motivazione dietro il progetto è di ridurre i tempi di diagnosi nelle impostazioni della basso risorsa in cui i medici formati sono radi ed i gravi ostacoli sono la norma.

Con questo successo iniziale a disposizione, Horstmeyer sta continuando a sviluppare sia il microscopio che l'algoritmo di apprendimento automatico.

Un gruppo di dottorandi di assistenza tecnica di duca ha formato uno start-up SafineAI per miniaturizzare il concetto riconfigurabile del microscopio del LED, che già utile un premio $120.000 ad una concorrenza locale del passo.

Nel frattempo, Horstmeyer sta funzionando con un algoritmo di apprendimento automatico differente per creare una versione del microscopio che può regolare il suo reticolo del LED a tutta la diapositiva che specifica sta provando a leggere.

“Stiamo provando basicamente a comunicare alcuni cervelli nel trattamento di acquisizione di immagine,„ ha detto Horstmeyer. “Vogliamo il microscopio usare tutti i sui gradi di libertà. Così invece di appena muto cattura delle immagini, può bighellonare con il fuoco e l'illuminazione da provare ad ottenere una migliore idea di che cosa è sulla diapositiva, appena come un essere umano.„

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.