Машинное зрение повысит качество лабораторных исследований
Ученые НИТУ МИСИС совместно с коллегами из БГТУ им. В.Г. Шухова и НИЦЭМ им. Н.Ф. Гамалеи ведут разработку роботизированной системы на основе машинного зрения, которая во время подготовки материала для анализа крови будет автоматически определять уровень границ между фракциями сыворотки в пробирке.
Разработка ученых позволит ускорить лабораторные исследования и сократить
вероятность ошибок. Результаты исследования опубликованы в журнале Machines.
Клинический анализ крови – один из самых распространенных видов медицинских
исследований. На этапе предварительной подготовки материала, после
центрифугирования – разделения сыворотки на фракции, выполняют аликвотирование,
то есть разливают жидкость из первичной пробирки на несколько. При этом пипетку
для забора крови непосредственно на анализ необходимо погружать на различные
глубины в зависимости от уровня границ между фракциями. Зачастую на данном этапе
из-за человеческого фактора возникают ошибки, которые значительно снижают
качество исследования. Низкое качество лабораторного исследования помимо
необходимости повторного забора крови может привести к неверно поставленному
диагнозу.
Команда ученых разработала систему определения уровня границ между фракциями
крови в пробирке при помощи машинного зрения на основе нейросетевой модели.
Нейронная сеть обеспечивает точность сегментации изображения около 98%, а
разработанный на ее основе алгоритм вычисляет глубину, на которую необходимо
погрузить пипетку для забора сыворотки крови, с погрешностью менее 0,5 мм, что
соответствует половине стандартной аликвоты. Это значительно повышает качество
лабораторных исследований.
«В исследовании мы рассмотрели два метода для организации роботизированного
аликвотирования плазмы: пороговый алгоритм, использующий цветовую модель HSV
(тон-насыщенность-яркость), и сверточную нейронную сеть архитектуры U-net.
Первый алгоритм требует для обучения меньшего количества изображений и обладает
низкой трудоемкостью их предварительной подготовки. Однако, нейронная сеть
обеспечивает высокую точность сегментации изображения, а разработанный на ее
основе алгоритм позволяет вычислять глубину, на которую необходимо погрузить
пипетку для взятия аликвот. При этом учитывается характер границы раздела
фракций, что гарантирует получение максимального количества аликвот и сохранения
высокого качества диагностического исследования», – рассказал соавтор
исследования, доцент кафедры автоматизированных и информационных систем
управления СТИ НИТУ МИСИС Сергей Халапян.
Как отмечают исследователи, в дальнейшем они планируют продолжить
исследования, чтобы организовать управление взаимодействующими роботами, один из
которых должен взять со штатива пробирку с биоматериалом, переместить ее в
рабочую зону, дождаться забора плазмы и установить пробирку в другой штатив.
Второй робот должен выполнить забор плазмы, дозированно разлить ее по маленьким
пробиркам, избавиться от сменного наконечника и установить новый. На всех
этапах, где необходимо точное позиционирование робота над объектом, расположение
которого заранее неизвестно, предполагается использование машинного зрение.