Vor etwa einem Jahr hat unser Software-Team bei PreciPoint damit begonnen, künstliche neuronale Netzwerke in das Betriebssystem unseres digitalen Mikroskops zu integrieren. Mit diesem intelligenten Tool können wir nicht nur qualitativ hochwertige Bilder erzeugen, da das durch die Verunreinigung des Objektträgers verursachte „Rauschen“ reduziert wird, sondern auch das Gewebe auf dem Objektträger erkennen.
Bedeutung der Gewebedetektion bei der digitalen Dia-Bildgebung
Verbesserte Fokusgenauigkeit mit Gewebedetektion
Die Gewebedetektion ist entscheidend, um die digitale Bildgebung von Objektträgern praktikabler zu machen, selbst bei hohem Durchsatz, da sie es uns ermöglicht, Gewebe vom Hintergrund zu unterscheiden. Dies wiederum ermöglicht es uns, nur das Gewebe zu scannen und nicht den gesamten Objektträger einschließlich des Hintergrunds, der keine Informationen enthält, aber dennoch Speicherplatz beansprucht. Die Erkennung von Gewebe während des Scannens hat mehrere Vorteile:
Automatische Fokuspunkteinstellung
Das System kann die Fokuspunkte automatisch richtig setzen – auf das Gewebe, nicht auf den Hintergrund oder möglicherweise anderes Material auf dem Objektträger.
Reduzierte Scanzeit
Die Scanzeit wird durch die Verkleinerung des zu scannenden Bereichs erheblich verkürzt. Durch den Ausschluss der Hintergrundbereiche wird der Scanvorgang effizienter, was zu einer schnelleren Bilderfassung und einem höheren Durchsatz führt. Dies ermöglicht eine effizientere Nutzung von Zeit und Ressourcen in digitalen Dia-Imaging-Workflows.
Optimale Bildgröße und Speicherplatz
Die Größe der Bilder wird ebenfalls erheblich reduziert, was zu einer geringeren Dateigröße und einem geringeren Speicherbedarf führt. Durch die Eliminierung unnötiger Hintergrundinformationen wird der für die Speicherung digitaler Dias benötigte Speicherplatz auf ein Minimum reduziert. Dies spart nicht nur Speicherkosten, sondern ermöglicht auch eine einfachere Datenverwaltung und erleichtert die effiziente gemeinsame Nutzung und Archivierung der digitalen Bilder.
1. Übersichtsbilder mit Gel werden erstellt.
Der Übersichtsscan von zwei Objektträgern mit dermatologischen Proben in Gel.
2. Die untrainierte KI scannt das Gel immer noch, lässt aber den Hintergrund aus.
Dies ist das Ergebnis der Gewebeerkennung vor dem Training des KI-Gewebeerkerkennungsmoduls. Die Software klassifizierte das Gel als Gewebe und scannte es, der Hintergrund wurde aber bereits weggelassen.
Stets einen Schritt voraus mit Insights von PreciPoint!
Willkommen zu unserem Newsletter! Erfahren Sie als Erster von unseren neuesten Produkten, Dienstleistungen, Webinaren und Neuigkeiten bei PreciPoint. Nutzen Sie die Gelegenheit und bleiben Sie informiert. Melden Sie sich noch heute für unseren Newsletter an!
Indem Sie auf „Abonnieren“ klicken, erklären Sie sich mit unserer Datenschutzerklärung einverstanden.
Unser Ansatz und die Lösung
Gemeinsam mit Dr. med. Sebastian Bardosi und Tabb Grigsby vom Medizinischen Versorgunszentrum für Histologie, Zytologie und Molekulare Diagnostik Trier GmbH haben wir den Beweis für das Funktionieren unserer Lösung zur KI-basierten Erkennung von Gewebe und ihre positiven Effekte erbracht. Im konkreten Beispiel konnten wir unsere KI innerhalb kurzer Zeit darauf trainieren, Gel auf dem Objektträger zu erkennen das zur Fixierung der Probe dient. Das führt dazu, dass das System den Fokuspunkt richtig setzt – auf das Gewebe statt auf das Gel, das sehr ähnlich aussieht. Dadurch ist zum einen die Bildqualität hoch. Zum anderen versteht die Betriebssoftware des Mikroskops, dass das Gel nicht gescannt werden soll und damit wird der Bereich der gescannt wird deutlich reduziert.
3. KI unterscheidet jetzt zwischen Gel und Gewebe.
Hier sieht man zwei Objektträger mit dem Übersichtsscan auf der linken Seite und der Gewebe-erkennung dem KI nach Training mit 60 Objektträgern. Die KI hat gelernt, nur das dermatologische Gewebe zu erkennen, nicht das Gel.
Bei den Proben, die wir zum Testen verwendeten, handelte es sich um dermatologisches Gewebe, das in ein Gel eingebettet und mit HE & PAS gefärbt war. Die Schwierigkeit für die Gewebeerkennung ist, dass das Gel die gleiche Färbung wie das Gewebe annimmt und so die Unterscheidung erschwert wird. Die Slides wurden mit unserem PreciPoint M8 mit einem 20x-Objektiv gescannt.
Nachdem wir die KI mit 60 Slides trainiert hatten, konnten wir die Bildgröße um mehr als 80 % auf etwa 150 MB senken.*
* Bitte beachten Sie, dass sich die Zahlen auf den konkreten Fall beziehen, der hier besprochen wird. Andere Proben, Vergrößerung und/oder Präparation ergeben andere Werte.
Die Basis-KI, die sich in unserem Betriebssystem befindet, war erwartungsgemäß nicht in der Lage, Gewebe von Gel zu unterscheiden, so dass der erste von uns durchgeführte Scan ein Bild mit einer Größe von ca. 900 MB lieferte. Nachdem wir jedoch die Software mit den ersten 60 Slides trainiert hatten, konnten wir bereits Gewebeerkennung erreichen und damit die Bildgröße um mehr als 80 % auf ca. 150MB* senken. Die neuen Scans enthalten also nur das Gewebe – in einigen Fällen mit einem kleinen Teil des Gels, da wir einen Sicherheitsrand implementiert haben, um das Abschneiden von Gewebe zu vermeiden.
4. Schließlich wird nur noch das Gewebe gescannt.
Diese Bilder zeigen die Übersicht des Objektträgers, nachdem die KI darauf trainiert wurde, das Gel zu ignorieren – es wird nur das dermatologische Gewebe gescannt.
In den nächsten Wochen werden wir weiter mit dem MVZ Trier zusammenarbeiten und noch mehr Proben sammeln, um die KI in der Replikation der Ergebnisse, für diesen speziellen Slidesatz, robuster zu machen. Wir glauben, dass eine KI-Lösung wie unsere dazu beitragen wird, den Weg für digitale Mikroskopie zu ebnen, die einen noch höherem Durchsatz und die Langzeitarchivierung der digitale Bilder ermöglichen. Aus diesem Grund werden wir auch weiterhin in die Weiterentwicklung unserer KI-Lösungen für die Mikroskopie investieren.
Die obige Abfolge zeigt den Prozess der Entwicklung. Anfangs wird noch die gesamte Fläche samt dem gefärbten Gel gescannt, nach Training der KI wird nur noch das Gewebe erfasst.
