AI at the edge – Zellen zählen
SCS entwickelte einen Deep Learning Algorithmus, welcher im Mikroskopiesystem die Anzahl der Zellen auf einem Bild bestimmt. Die AI wurde dabei für den Einsatz "at the edge" angepasst - das neuronale Netz wurde so optimiert, dass es auch auf einem leistungsschwachen PC laufen kann.
-
Problemstellung
Für viele Anwendungen in der Biologie, Biotechnologie und Pharmatechnologie werden die Entwicklung und das Wachstum von Zellen überwacht. Diese kann zum Beispiel aufgrund verschiedener getesteter Stoffe unterschiedlich ablaufen. Bisher werden die Zellen auf den entsprechenden Mikroskopiebildern zeitaufwändig manuell gezählt
-
Lösung SCS
SCS erstellte einen Algorithmus auf Basis von Deep Learning, der im Mikroskopiesystem automatisch die Anzahl der Zellen auf einem Bild bestimmt. Der Algorithmus wurde speziell für den Einsatz auf leistungsschwachen Computern angepasst.
-
Mehrwert
Der Kunde kann den Wissenschaftlern ein weiteres Feature anbieten, welches deren Zeitaufwand für Forschung und Entwicklung bei gleicher Qualität um viele Stunden reduziert und keine neuen Anschaffungen erfordert.
Projekteinblicke
Das neuartige zenCell Owl bietet dem Kunden ein leichtes und stapelbares Mikroskopiesystem für den Inkubator. Mit dessen Hilfe kann das Wachstum von Zellen in 24 verschiedenen Proben gleichzeitig überwacht werden. Die Überwachung sowie die Auswertung der Daten erfolgen dabei bequem am PC. Sowohl der Grad der Bedeckung als auch die Anzahl der Zellen können von der Software automatisch ermittelt werden. Die Entwicklung des Zellzählalgorithmus hat dabei aber besondere Rahmenbedingungen.
Einerseits verspricht das Feld des Machine Learnings grosse Erfolge auf dem Gebiet der automatischen Bildverarbeitung. Auch im Falle der Erkennung, der Segmentierung und dem Zählen von Zellen sind schon Fortschritte erzielt worden. Diese sollten für das System genutzt werden.
Der typische PC in einem Lab ist allerdings nicht besonders leistungsfähig. Trotzdem werden von dem Algorithmus schnelle und zuverlässige Resultate erwartet.
Um dieses Problem zu lösen, hat SCS zunächst einen Algorithmus mit schneller Hardware trainiert, der die Zellen zuverlässig segmentiert. Dieser diente dann als Referenz für eine ressourcenschonende Variante, die trotzdem vergleichbar gute Resultate liefert. Dabei wurden nach und nach verschiedene Einschnitte vorgenommen und jeweils auf ihre Auswirkungen bezüglich Genauigkeit und Geschwindigkeit der Analyse beurteilt.
Diese Lösung hat sich als verlässlicher Ansatz für derartige Probleme erwiesen.
