Theia Scientific definiert die Mikroskopie-Datenanalyse mit Ultralytics YOLO-Modellen neu.

Wissenschaftliche Forschung in Bereichen wie Materialwissenschaft und Nanotechnologie ist oft auf geladene Teilchen, Rasterkraft- und optische Mikroskopie angewiesen, um Strukturen zu erforschen, die für das menschliche Auge unsichtbar sind. Beispielsweise ist die Transmissionselektronenmikroskopie (TEM) ein wichtiges Werkzeug, mit dem feine Details im Nano- und Atombereich erfasst werden können.

Leider ist die Analyse dieser Bilder, sobald sie aufgenommen wurden, langsam und komplex und erfordert oft erhebliche manuelle Anstrengungen und Fachkenntnisse. Um diesen Prozess zu verbessern, entwickelte Theia Scientific die Theiascope™-Plattform, ein Echtzeit-Mikroskopie-Bildanalysesystem, das Ultralytics YOLO-Modelle integriert, um die Bilderkennung, -segmentierung und quantitative Messungen zu automatisieren und die Mikroskopie schneller, effizienter und reproduzierbarer zu machen.

Die Rolle von Vision AI in der wissenschaftlichen Bildgebung erkunden

Theia Scientific wurde von den Brüdern Kevin und Christopher Field gegründet und entwickelt fortschrittliche Softwaretools, um die Mikroskopieforschung zu beschleunigen. Mit Fachkenntnissen in den Bereichen Materialwissenschaft, industrielle Automatisierung, Elektronik und Softwareentwicklung konzentrieren sie sich darauf, die Engpässe zu reduzieren, mit denen Wissenschaftler, Ingenieure und Forschende bei der Analyse komplexer Bilddaten konfrontiert sind. 

Ihr Vorzeigeprodukt, die Theiascope™-Plattform, integriert Computer Vision, um automatisch Merkmale in elektronenmikroskopischen Bildern zu erkennen, zu segmentieren und zu messen. Durch den Einsatz von Vision AI anstelle von manueller Annotation und Nachverfolgung liefert die Plattform konsistente und reproduzierbare Ergebnisse.

Warum sind Mikroskopiebilder manuell schwer zu analysieren?

Mikroskopiebilder, insbesondere solche, die mit TEM aufgenommen wurden, sind sehr detailliert, aber schwer zu interpretieren. Jedes Bild enthält Hunderte bis Tausende von feinen Merkmalen und Strukturen, wie z. B. Körner und Grenzen, die sorgfältig identifiziert, annotiert, verfolgt und/oder gemessen werden müssen, um aussagekräftige Daten zu extrahieren. Traditionell wurde dies von Hand gemacht, was langsam ist und von Person zu Person variieren kann. Zwei Forscher könnten dasselbe Bild unterschiedlich annotieren, was zu inkonsistenten Ergebnissen und großen Fehlerbalken führt.

Dieser Prozess wird noch komplexer, wenn große Datensätze beteiligt sind. Um zuverlässige Erkenntnisse zu gewinnen, müssen oft Tausende von Bildern analysiert werden, was mit manuellen Methoden Wochen oder sogar Monate dauern kann. Hinzu kommen Variationen in Kontrast, Rauschen und überlappenden Strukturen, die den Prozess zusätzlich erschweren.

Für Forschende, die die mikrostrukturelle Entwicklung untersuchen oder Veränderungen im Zeitverlauf verfolgen wollen, können diese Probleme die Forschung verlangsamen. Theia Scientific erkannte, dass diese Bedenken eine automatisiertere und zuverlässigere Lösung erforderten.

Verbesserung von Mikroskopie-Workflows mit Ultralytics YOLO-Modellen

Nachdem Theia Scientific verschiedene Ansätze zur Automatisierung der Mikroskopiedatenanalyse untersucht hatte, erkannte das Unternehmen, dass Ultralytics YOLO-Modelle die Geschwindigkeit, Genauigkeit und Flexibilität bieten, die für die Echtzeit-Mikroskopiebildanalyse erforderlich sind, wodurch sofortige quantitative Ergebnisse am Mikroskop erzielt werden können, während die Experimente noch laufen. Ultralytics YOLO-Modelle wie Ultralytics YOLO11 und Ultralytics YOLOv8 unterstützen Computer-Vision-Aufgaben wie Objekterkennung (Identifizierung und Lokalisierung einzelner Merkmale in einem Bild) und Instanzsegmentierung (Umreißen jedes Merkmals auf Pixelebene). Diese Aufgaben ermöglichen die Erkennung von Nanostrukturen, wie z. B. Körner und Grenzen, direkt in TEM-Bildern, während diese aufgenommen werden.

‍

In einer aktuellen Studie über polykristalline Dünnschichten wurden beispielsweise die Theiascope™- und Ultralytics YOLO-Modelle verwendet, um Kornstrukturen zu identifizieren und zu messen, die die Eigenschaften von Materialien beeinflussen, die in Elektronik, Beschichtungen und Energietechnik verwendet werden. Genaue Korngrößenverteilungen sind entscheidend, um zu verstehen, wie sich diese Filme während der Experimente entwickeln. 

Einer der Hauptgründe, warum Ultralytics YOLO-Modelle in diesen Anwendungsfällen so effektiv sind, ist ihre Fähigkeit, über große Datensätze zu interpolieren. Anstatt jedes Frame in einem Experiment zu beschriften, können Forscher nur einen kleinen Teil der Bilder annotieren, ein YOLO-Modell trainieren und es dann Tausende von zusätzlichen Frames zuverlässig analysieren lassen. Dies ermöglicht es, das Kornwachstum und die Grenzflächenänderungen in Zeitraffer-TEM-Experimenten mit minimalem manuellem Aufwand zu verfolgen.

Warum Ultralytics YOLO-Modelle wählen?

In der zuvor besprochenen Studie über polykristalline Dünnschichten wurde festgestellt, dass Ultralytics YOLOv8 bis zu 43-mal schneller ist als U‑Net (ein Modell, das häufig für die wissenschaftliche Bildanalyse verwendet wird). Diese Geschwindigkeit macht YOLO für die Echtzeit-Analyse am Mikroskop praktikabel. 

U‑Net ist zwar genau, aber langsam, während YOLO Geschwindigkeit mit Genauigkeit kombiniert und die Korngrößenmessungen bis auf 3 % der tatsächlichen Werte erreicht. Sein Design macht es auch flexibler und ermöglicht die einfache Handhabung verschiedener Skalen und Trainingskonfigurationen. Für Forscher bedeutet dies schnellere Ergebnisse ohne Einbußen bei der Zuverlässigkeit, was ideal ist, um Mikroskopie-Workflows zu beschleunigen.

‍

Reduzierung von Verzerrungen und Steigerung der Konsistenz in der Mikroskopie mit YOLO

Über die Theiascope™-Plattform zeigte Theia Scientific, dass Ultralytics YOLO-Modelle die Mikroskopie-Bildanalyse und TEM-Experimente beschleunigen und gleichzeitig reproduzierbare, langfristige Forschung unterstützen können. Die Plattform ist mikroskopunabhängig konzipiert, was bedeutet, dass YOLO-Modelle verwendet werden, um Bilder zu analysieren, die von verschiedenen Instrumenten erfasst wurden, ohne dass angepasste Pipelines erforderlich sind. Diese Flexibilität stellt sicher, dass die Arbeitsabläufe über verschiedene Experimente, Bediener und Umgebungen hinweg konsistent bleiben.

Reproduzierbarkeit ist ein weiteres wichtiges Ergebnis. Wissenschaftliche Forschung erfordert oft, dass Ergebnisse Jahre später erneut aufgegriffen und validiert werden. Mit verschiedenen YOLO-Modellen, die in das Theiascope™ integriert sind, können Forscher ältere Modelle wie Ultralytics YOLOv5 auf archivierten Datensätzen erneut ausführen und konsistente Ausgaben erhalten und diese dann direkt mit Ergebnissen neuerer Modelle wie Ultralytics YOLO11 vergleichen. Dies macht die Überprüfung von Ergebnissen unkompliziert, selbst wenn sich KI-Methoden weiterentwickeln.

‍

Darüber hinaus bieten die Ultralytics YOLO-Modelle der Plattform die Skalierbarkeit, die für die Verarbeitung großer Datensätze erforderlich ist. Ihre Echtzeit-Inferenzfähigkeiten ermöglichen die Analyse von Tausenden von TEM-Bildern in der Zeit, die für die manuelle Analyse von nur wenigen Bildern benötigt würde. Dies ermöglicht es Forschern, dynamische Prozesse wie das Kornwachstum über ganze Experimente hinweg zu verfolgen, neue Erkenntnisse zu gewinnen und neuartige Experimente in dem Umfang und der Geschwindigkeit zu ermöglichen, die für Spitzenforschung erforderlich sind.

Integration fortschrittlicher Vision AI in Forschungswerkzeuge der nächsten Generation

Theia Scientific betrachtet Ultralytics YOLO-Modelle als Grundlage für die Zukunft der Mikroskopie. Durch die kontinuierliche Verfeinerung der Trainingsmethoden und Kalibrierungsansätze wollen sie die Genauigkeit über verschiedene Skalen und Versuchsbedingungen hinweg weiter verbessern. 

Zukünftig plant Theia Scientific, Theiascope™ zu erweitern, um komplexere In-situ-Experimente und multi-modale Datensätze zu unterstützen. Das Unternehmen geht davon aus, dass Vision AI wahrscheinlich ein Standardbestandteil der Forschungsworkflows der nächsten Generation werden wird, was eine schnellere Entdeckung und tiefere Einblicke in allen wissenschaftlichen Bereichen ermöglicht.

Möchten Sie die Arbeitsabläufe Ihres Unternehmens optimieren? Besuchen Sie unser GitHub-Repository, um mehr über Vision AI zu erfahren. Entdecken Sie, wie YOLO-Modelle Innovationen in Bereichen wie KI im Gesundheitswesen und Computer Vision im Einzelhandel vorantreiben. Um YOLO in die Praxis umzusetzen, erfahren Sie, wie unsere Lizenzoptionen Ihre Vision unterstützen können.