Theia ScientificがUltralytics YOLOで顕微鏡解析を43倍高速化

材料科学やナノテクノロジーなどの分野における科学研究は、肉眼では見えない構造を探索するために、荷電粒子、走査型プローブ、および光学顕微鏡に依存することがよくあります。例えば、透過型電子顕微鏡（TEM）は、ナノおよび原子スケールの微細な詳細を捉えることができる重要なツールです。

残念ながら、画像取得後の解析には時間がかかり複雑であり、多くの手作業と専門知識を必要とすることがあります。このプロセスを改善するために、Theia Scientificは、Ultralytics YOLOモデルを統合したリアルタイム顕微鏡画像解析システム「Theiascope™」を開発しました。これにより、画像の検出、セグメンテーション、定量的な測定を自動化し、顕微鏡解析の迅速化、効率化、再現性の向上を実現しました。

Link to this section科学的イメージングにおけるビジョンAIの役割を探る#

Kevin FieldとChristopher Fieldの兄弟によって設立されたTheia Scientificは、顕微鏡研究を加速するための高度なソフトウェアツールを開発しています。材料科学、産業オートメーション、エレクトロニクス、ソフトウェア工学にまたがる専門知識を持ち、科学者、エンジニア、研究者が複雑な画像データを解析する際に直面するボトルネックを削減することに注力しています。

同社の主力製品であるTheiascope™プラットフォームは、コンピュータビジョンを統合し、電子顕微鏡画像内の特徴を自動的に検出、セグメント化、測定します。手動によるアノテーションやトレースではなくビジョンAIに依存することで、プラットフォームは一貫性のある再現可能な結果を提供します。

Link to this sectionなぜ顕微鏡画像の手動解析は難しいのでしょうか？#

特にTEMで撮影された顕微鏡画像は非常に詳細ですが、解釈が困難です。各画像には、粒界や境界など、意味のあるデータを抽出するために注意深く特定、アノテーション、トレース、および／または測定が必要な数百から数千の微細な特徴や構造が含まれています。従来、これは手作業で行われてきましたが、時間がかかり、人によって結果が異なる可能性があります。同じ画像でも2人の研究者が異なってアノテーションを行うと、結果に一貫性がなくなり、誤差が大きくなる場合があります。

このプロセスは、大規模なデータセットを扱う場合にさらに複雑になります。信頼できる洞察を得るには、数千枚の画像を解析する必要があることも多く、手動の手法では数週間から数ヶ月かかる可能性があります。さらに、コントラスト、ノイズ、重なり合った構造の変動により、プロセスはさらに困難になります。

微細構造の進化を研究したり、時間の経過に伴う変化を追跡したりする研究者にとって、これらの問題は研究の遅れにつながります。Theia Scientificは、これらの懸念に対処するため、より自動化された信頼性の高いソリューションが必要であると認識しました。

Link to this sectionUltralytics YOLOモデルによる顕微鏡ワークフローの強化#

顕微鏡データ解析を自動化するためのさまざまなアプローチを検討した結果、Theia Scientificは、Ultralytics YOLOモデルがリアルタイムの顕微鏡画像解析に必要な速度、精度、柔軟性を提供し、実験の進行中に顕微鏡上で即座に定量的な結果を得られることを見出しました。Ultralytics YOLO11やUltralytics YOLOv8のようなUltralytics YOLOモデルは、オブジェクト検出（画像内の個々の特徴を識別および特定する）やインスタンスセグメンテーション（各特徴をピクセルレベルで輪郭を描く）といったコンピュータビジョンのタスクをサポートしています。これらのタスクにより、TEM画像が取得されると同時に、粒界や境界といったナノスケールの構造を直接検出することが可能になります。

図1。現在の顕微鏡画像およびデータ解析ワークフロー。科学者、エンジニア、研究者は、最終的にワークフローの終了時に発見と答えを求めています。一方、ワークフローは断片的で骨の折れるものであり、各ステップに必要な相対的な時間と労働力が下部に示されています。特徴検出と集約がワークフローの中で最も時間のかかる段階です。取得に戻る灰色の矢印は、現在のデータが役に立たないため、データを再取得する必要があることを示しています。ソース: Theia Scientific.

多結晶薄膜に関する最近の研究では、Theiascope™とUltralytics YOLOモデルを使用して、エレクトロニクス、コーティング、エネルギーデバイスに使用される材料の特性に影響を与える粒界構造を特定・測定しました。正確な粒度分布は、実験中にこれらの膜がどのように進化するかを理解するために重要です。

Ultralytics YOLOモデルがこれらのユースケースで非常に効果的である主な理由の一つは、大規模なデータセット全体で補間を行う能力です。実験のすべてのフレームにラベルを付ける必要はなく、研究者は画像のごく一部にアノテーションを付け、YOLOモデルをトレーニングしてから、数千の追加フレームを確実かつ自動的に解析させることができます。これにより、最小限の手作業で、タイムラプスTEM実験全体を通して粒成長と境界の変化を追跡することが可能になります。

Link to this sectionなぜUltralytics YOLOモデルが選ばれるのか#

先に議論した多結晶薄膜に関する研究では、Ultralytics YOLOv8が（科学画像解析によく使用されるモデルである）U‑Netよりも最大43倍高速であることがわかりました。この速度により、YOLOは顕微鏡上でのリアルタイム解析において実用的なものとなります。

U‑Netは精度が高いものの低速ですが、YOLOは速度と精度を両立させ、粒径測定においてグラウンドトゥルースとの誤差を3%以内に抑えています。また、その設計により柔軟性が高く、さまざまなスケールやトレーニング設定を容易に扱うことができます。研究者にとって、これは信頼性を損なうことなく結果を高速化できることを意味し、顕微鏡ワークフローを加速させるのに理想的です。

図2。手動トレース（b）およびU‑Net（c）と比較して、YOLOv8のセグメンテーション（d）は、顕微鏡画像上でよりシャープで正確な輪郭を提供します。 (ソース)

Link to this sectionYOLOを用いた顕微鏡解析におけるバイアスの低減と一貫性の向上#

Theia Scientificは、Theiascope™プラットフォームを通じて、Ultralytics YOLOモデルが顕微鏡画像解析とTEM実験を加速させ、再現性の高い長期的な研究をサポートできることを示しました。このプラットフォームは顕微鏡に依存しないように設計されており、YOLOモデルを使用して、カスタマイズされたパイプラインを必要とせずに異なる機器から収集された画像を解析できます。この柔軟性により、さまざまな実験、オペレーター、環境全体でワークフローの一貫性が維持されます。

再現性はもう一つの重要な成果です。科学研究では、数年後に結果を再確認・検証する必要があることがよくあります。Theiascope™に統合されたさまざまなYOLOモデルにより、研究者はUltralytics YOLOv5のような古いモデルをアーカイブされたデータセット上で再実行して一貫した出力を得て、それらをUltralytics YOLO11のような新しいモデルからの結果と直接比較できます。これにより、AI手法が進化しても、研究結果の検証が簡単になります。

図3。Theiascope™プラットフォーム。電子顕微鏡画像はキャプチャされ、取得コンピュータから、ウェブアプリケーション、時系列データベース、およびUltralytics YOLOモデルを実行するGPU搭載デバイスにストリーミングされます。アップデートや新しいUltralytics YOLOモデルは、OTAアップデートでプラットフォームにプッシュできます。ソース: Theia Scientific。

また、Ultralytics YOLOモデルは、プラットフォームに大規模なデータセットを処理するために必要なスケーラビリティを提供します。そのリアルタイム推論機能により、手動でわずか数枚を解析する時間で数千枚のTEM画像を解析できます。これにより、研究者は実験全体を通じて粒成長のような動的なプロセスを追跡し、最先端の研究に必要なスケールと速度の両方で新しい洞察を生成し、新規の実験を解き放つことができます。

Link to this section高度なビジョンAIを次世代研究ツールに統合#

Theia Scientificは、Ultralytics YOLOモデルを顕微鏡の未来の基礎であると考えています。トレーニング手法とキャリブレーションアプローチを洗練し続けることで、さまざまなスケールや実験条件下での精度をさらに向上させることを目指しています。

今後、Theia ScientificはTheiascope™を拡張し、より複雑なその場（in-situ）実験やマルチモーダルデータセットをサポートする予定です。彼らは、ビジョンAIが次世代の研究ワークフローの標準的な部分となり、科学分野全体でより迅速な発見とより深い洞察を可能にすると信じています。

企業のワークフローを効率化することに関心がありますか？当社のGitHubリポジトリをチェックして、ビジョンAIについて詳しく学びましょう。YOLOモデルがヘルスケアにおけるAIや小売におけるコンピュータビジョンといった分野でどのようにイノベーションを推進しているかをご確認ください。YOLOを実際に体験するには、当社のライセンスオプションがどのようにお客様のビジョンをサポートできるかをご覧ください。