Ultralytics YOLOモデルをプラットフォームに統合することで、Theia Scientificは顕微鏡データの処理方法を変革し、分析の効率性と信頼性を高めました。
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では、人間の目には見えない構造を調べるため、帯電粒子顕微鏡、走査型プローブ顕微鏡、光学顕微鏡がよく利用されます。たとえば、透過型電子顕微鏡（TEM）は、ナノスケールや原子スケールの微細な詳細を捉えられる重要なツールです。
しかし、これらの画像を取得した後の分析には時間がかかり、複雑で、多くの場合、相当な手作業と専門知識が必要です。このプロセスを改善するため、Theia ScientificはTheiascope™プラットフォームを開発しました。このリアルタイム顕微鏡画像分析システムは、Ultralytics YOLOモデルを統合して画像の検出、セグメンテーション、定量測定を自動化し、顕微鏡分析の高速化、効率化、再現性向上を実現します。
科学画像解析におけるVision AIの役割を探る#
兄弟のKevin FieldとChristopher Fieldが設立したTheia Scientificは、顕微鏡研究を加速する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、電子工学、ソフトウェアエンジニアリングにわたる専門知識を活かし、複雑な画像データの分析で科学者、エンジニア、研究者が直面するボトルネックの解消に取り組んでいます。
主力製品のTheiascope™プラットフォームは、コンピュータービジョンを統合し、電子顕微鏡画像内の特徴を自動で検出、セグメンテーション、測定します。手作業でのアノテーションやトレースではなくVision AIを活用することで、一貫性と再現性のある結果を提供します。
顕微鏡画像を手作業で分析するのが難しい理由#
顕微鏡画像、特にTEMで撮影した画像は非常に詳細ですが、解釈が困難です。各画像には、粒子や境界など、数百から数千の微細な特徴や構造が含まれており、有意義なデータを抽出するには、それらを慎重に識別し、アノテーション、トレース、測定する必要があります。従来は手作業で行われてきたため時間がかかり、担当者によって結果にばらつきが生じます。同じ画像でも研究者によってアノテーションが異なる可能性があり、結果に一貫性がなくなり、誤差範囲も大きくなります。
大規模なデータセットを扱う場合、このプロセスはさらに複雑になります。信頼できるインサイトを得るには、数千枚の画像を分析する必要があることも多く、手作業では数週間から数か月かかる場合があります。さらに、コントラストやノイズのばらつき、構造の重なりによって作業が一段と困難になります。
微細構造の変化を調べたり、経時変化を追跡したりする研究者にとって、こうした問題は研究の進行を遅らせる可能性があります。Theia Scientificは、これらの課題を解決するには、より自動化され信頼性の高いソリューションが必要だと認識しました。
Ultralytics YOLOモデルによる顕微鏡ワークフローの強化#
顕微鏡データ分析の自動化に向けてさまざまな方法を検討した結果、Theia Scientificは、Ultralytics YOLOモデルがリアルタイムの顕微鏡画像分析に必要な速度、精度、柔軟性を備えており、実験の進行中に顕微鏡上で定量結果を即時に得られることを確認しました。Ultralytics YOLO11などのUltralytics YOLOモデルやUltralytics YOLOv8は、物体検出（画像内の個々の特徴を識別して位置を特定する処理）やインスタンスセグメンテーション（各特徴の輪郭をピクセル単位で描く処理）などのコンピュータービジョンタスクに対応しています。これらのタスクにより、撮影と同時にTEM画像内の粒子や粒界などのナノスケール構造を検出できます。
図1. 現在の顕微鏡画像およびデータ分析ワークフロー。科学者、エンジニア、研究者が最終的に求めるのは、ワークフローの先にある発見と答えです。一方、ワークフローは分断され、労力を要します。下部には各工程に必要な相対的な時間と労力が示されています。ワークフローで最も時間がかかるのは、特徴検出と集約です。取得工程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ます。出典：Theia Scientific。
たとえば、最近の多結晶薄膜に関する研究では、電子機器、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子構造の特定と測定に、Theiascope™とUltralytics YOLOモデルが使用されました。実験中に薄膜がどのように変化するかを理解するには、正確な粒径分布が不可欠です。
Ultralytics YOLOモデルがこうした用途で特に効果を発揮する主な理由の一つは、大規模なデータセットにわたって補間できることです。実験内のすべてのフレームにラベルを付ける必要はなく、研究者は画像の一部だけにアノテーションを付けてYOLOモデルを学習させ、その後、数千枚の追加フレームをモデルに確実に分析させることができます。そのため、手作業を最小限に抑えながら、タイムラプスTEM実験を通じた粒成長や粒界の変化を追跡できます。
Ultralytics YOLOモデルを選ぶ理由#
先に取り上げた多結晶薄膜の研究では、Ultralytics YOLOv8は、科学画像分析によく使われるモデルであるU-Netより最大43倍高速であることが確認されました。この速度により、顕微鏡上でのリアルタイム分析にYOLOを実用できます。
U-Netは高精度ですが低速である一方、YOLOは速度と精度を両立し、粒径測定値を正解データから3%以内の誤差で一致させます。また、その設計により柔軟性も高く、さまざまなスケールや学習設定に容易に対応できます。研究者にとっては、信頼性を損なわずに結果を迅速に得られるため、顕微鏡ワークフローの加速に最適です。
図2. 手動トレース（b）やU-Net（c）と比べて、YOLOv8のセグメンテーション（d）は顕微鏡画像上でより鮮明かつ正確な輪郭を示します。(出典)
YOLOによる顕微鏡分析のバイアス低減と一貫性向上#
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分析とTEM実験を加速し、再現性のある長期研究を支援できることを示しました。このプラットフォームは特定の顕微鏡に依存しない設計で、カスタムパイプラインを用意しなくても、さまざまな機器で収集した画像の分析にYOLOモデルを使用できます。この柔軟性により、さまざまな実験、オペレーター、環境において、ワークフローの一貫性を維持できます。
再現性も重要な成果の一つです。科学研究では、何年も後に結果を再検証する必要が生じることがよくあります。Theiascope™にさまざまなYOLOモデルを統合しておくことで、研究者はアーカイブ済みのデータセットにUltralytics YOLOv5などの旧モデルを再適用して一貫した出力を得たうえで、その結果をUltralytics YOLO11などの新しいモデルの結果と直接比較できます。AI手法が進化しても、研究結果を簡単に検証できます。
図3. Theiascope™プラットフォーム。電子顕微鏡画像は取得用コンピューターで撮影され、Webアプリケーション、時系列データベース、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。OTAアップデートを通じて、新しいUltralytics YOLOモデルや更新をプラットフォームに配信できます。出典：Theia Scientific。
さらに、Ultralytics YOLOモデルは、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プラットフォームにもたらします。リアルタイム推論機能により、手作業で数枚を分析する時間で、数千枚のTEM画像を分析できます。これにより、研究者は実験全体を通じて粒成長などの動的なプロセスを追跡し、最先端研究に必要な規模と速度で新たな知見を生み出し、新しい実験を実現できます。
次世代研究ツールに高度なビジョンAIを統合#
Theia Scientificは、Ultralytics YOLOモデルを顕微鏡技術の未来を支える基盤と捉えています。トレーニング方法やキャリブレーション手法を継続的に改良し、さまざまなスケールや実験条件での精度をさらに高めることを目指しています。
今後、Theia ScientificはTheiascope™を拡張し、より複雑なその場実験やマルチモーダルデータセットに対応する予定です。同社は、ビジョンAIが次世代の研究ワークフローに標準的に組み込まれ、科学分野全体で発見の迅速化とより深い洞察につながる可能性が高いと考えています。
会社のワークフローを効率化しませんか？GitHubリポジトリでビジョンAIについて詳しくご覧ください。YOLOモデルが医療分野のAIや小売業におけるコンピュータービジョンなどの分野でどのようなイノベーションを推進しているかをご紹介します。YOLOを実際に活用するために、ライセンスオプションが皆様のビジョンをどのように支援できるかをご確認ください。
