Theia Scientific tăng tốc phân tích hiển vi gấp 43 lần với Ultralytics YOLO
Khám phá cách Theia Scientific sử dụng Ultralytics YOLO để định nghĩa lại quá trình phân tích dữ liệu hiển vi.
Nghiên cứu khoa học trong các lĩnh vực như khoa học vật liệu và công nghệ nano thường phụ thuộc vào microscopy hạt tích điện, đầu dò quét và quang học để khám phá các cấu trúc mắt thường không nhìn thấy được. Chẳng hạn, Kính hiển vi Điện tử Truyền qua (TEM) là một công cụ quan trọng, có khả năng nắm bắt các chi tiết tinh vi ở quy mô nano và nguyên tử.
Đáng tiếc là sau khi thu thập các hình ảnh này, việc phân tích chúng có thể chậm và phức tạp, thường đòi hỏi nhiều công sức thủ công và chuyên môn sâu. Để cải thiện quá trình này, Theia Scientific đã phát triển nền tảng Theiascope™, một hệ thống phân tích hình ảnh kính hiển vi thời gian thực tích hợp Ultralytics YOLO models nhằm tự động hóa việc phát hiện, phân đoạn và đo lường định lượng hình ảnh, giúp việc phân tích kính hiển vi trở nên nhanh chóng, hiệu quả và có thể tái tạo cao hơn.
Khám phá vai trò của Vision AI trong hình ảnh khoa học#
Được thành lập bởi hai anh em Kevin và Christopher Field, Theia Scientific phát triển các công cụ phần mềm tiên tiến nhằm tăng tốc nghiên cứu kính hiển vi. Với chuyên môn trải dài từ khoa học vật liệu, tự động hóa công nghiệp, điện tử, đến kỹ thuật phần mềm, họ tập trung vào việc giảm thiểu các nút thắt mà các nhà khoa học, kỹ sư và nhà nghiên cứu gặp phải khi phân tích dữ liệu hình ảnh phức tạp.
Sản phẩm chủ lực của họ, nền tảng Theiascope™, tích hợp computer vision để tự động phát hiện, phân đoạn và đo lường các đặc trưng trong hình ảnh kính hiển vi điện tử. Nhờ dựa vào Vision AI thay vì chú thích và vẽ thủ công, nền tảng này mang lại kết quả nhất quán và có thể tái tạo.
Tại sao hình ảnh kính hiển vi khó phân tích thủ công?#
Hình ảnh kính hiển vi, đặc biệt là những hình ảnh chụp bằng TEM, rất chi tiết nhưng khó diễn giải. Mỗi hình ảnh chứa hàng trăm đến hàng nghìn đặc trưng và cấu trúc nhỏ, chẳng hạn như hạt và biên giới, cần phải được xác định, chú thích, truy vết và/hoặc đo lường cẩn thận để trích xuất dữ liệu có ý nghĩa. Theo truyền thống, công việc này được thực hiện thủ công, vốn chậm chạp và có thể thay đổi tùy theo từng người. Hai nhà nghiên cứu có thể chú thích cùng một hình ảnh theo những cách khác nhau, dẫn đến kết quả không nhất quán và sai số lớn.
Quá trình này càng trở nên phức tạp hơn khi liên quan đến các datasets lớn. Để có được những thông tin chi tiết đáng tin cậy, hàng nghìn hình ảnh thường cần được phân tích, có thể mất vài tuần hoặc thậm chí vài tháng bằng các phương pháp thủ công. Thêm vào đó, sự biến động về độ tương phản, nhiễu và các cấu trúc chồng chéo làm cho quá trình này càng khó khăn hơn.
Đối với các nhà nghiên cứu muốn nghiên cứu sự tiến hóa vi cấu trúc hoặc theo dõi những thay đổi theo thời gian, những vấn đề này có thể làm chậm quá trình nghiên cứu. Theia Scientific nhận thấy những mối quan tâm này đòi hỏi một giải pháp tự động và đáng tin cậy hơn.
Nâng cao quy trình làm việc bằng kính hiển vi sử dụng các model Ultralytics YOLO#
Sau khi khám phá các phương pháp khác nhau để tự động hóa việc phân tích dữ liệu kính hiển vi, Theia Scientific nhận thấy rằng các mô hình Ultralytics YOLO cung cấp tốc độ, độ chính xác và tính linh hoạt cần thiết cho việc phân tích hình ảnh kính hiển vi thời gian thực, cho phép đưa ra kết quả định lượng ngay lập tức tại kính hiển vi trong khi các thí nghiệm vẫn đang diễn ra. Các mô hình Ultralytics YOLO như Ultralytics YOLO11 và Ultralytics YOLOv8 hỗ trợ các tác vụ computer vision như phát hiện đối tượng (xác định và định vị các đặc trưng riêng lẻ trong một hình ảnh) và phân đoạn thực thể (phác thảo từng đặc trưng ở cấp độ pixel). Các tác vụ này giúp phát hiện các cấu trúc kích thước nano, chẳng hạn như các hạt và ranh giới, trực tiếp trong hình ảnh TEM ngay khi chúng được chụp.
Hình 1. Quy trình phân tích dữ liệu và hình ảnh kính hiển vi hiện tại. Các nhà khoa học, kỹ sư và nhà nghiên cứu cuối cùng luôn tìm kiếm sự khám phá và câu trả lời ở cuối quy trình làm việc. Trong khi đó, quy trình này rời rạc và tốn nhiều công sức, với thời gian/công sức tương đối cần thiết cho từng bước được hiển thị ở phía dưới. Việc Phát hiện Đặc trưng và tổng hợp là các giai đoạn tốn nhiều thời gian nhất trong quy trình. Các mũi tên màu xám dẫn ngược trở lại bước thu thập đại diện cho việc phải thu thập lại dữ liệu vì dữ liệu hiện tại không hữu ích. Nguồn: Theia Scientific.
Chẳng hạn, trong một nghiên cứu gần đây về polycrystalline thin films, Theiascope™ và các mô hình Ultralytics YOLO đã được sử dụng để xác định và đo lường cấu trúc hạt ảnh hưởng đến các tính chất của vật liệu được sử dụng trong điện tử, lớp phủ và thiết bị năng lượng. Phân bố kích thước hạt chính xác là điều cốt yếu để hiểu cách các màng này phát triển trong suốt các thí nghiệm.
Một trong những lý do chính khiến các model Ultralytics YOLO hiệu quả trong các trường hợp sử dụng này là khả năng nội suy trên các datasets lớn. Thay vì yêu cầu mọi khung hình trong một thí nghiệm phải được dán nhãn, các nhà nghiên cứu có thể chú thích chỉ một phần nhỏ hình ảnh, huấn luyện một model YOLO, sau đó để nó phân tích đáng tin cậy hàng nghìn khung hình bổ sung. Điều này giúp theo dõi sự phát triển của hạt và những thay đổi biên giới trong suốt các thí nghiệm TEM theo thời gian (time-lapse) với sự can thiệp thủ công tối thiểu.
Tại sao lại chọn các mô hình Ultralytics YOLO?#
Trong nghiên cứu về màng mỏng đa tinh thể được thảo luận trước đó, Ultralytics YOLOv8 được phát hiện nhanh hơn tới 43 lần so với U‑Net (một mô hình thường được sử dụng cho phân tích hình ảnh khoa học). Tốc độ này làm cho YOLO trở nên thiết thực cho việc phân tích trực tiếp trên kính hiển vi theo thời gian thực.
Trong khi U‑Net chính xác nhưng chậm, YOLO kết hợp tốc độ với độ chính xác, đưa các phép đo kích thước hạt đạt độ sai lệch trong phạm vi 3% so với ground truth. Thiết kế của nó cũng giúp nó linh hoạt hơn, xử lý các quy mô và thiết lập huấn luyện khác nhau một cách dễ dàng. Đối với các nhà nghiên cứu, điều này có nghĩa là kết quả nhanh hơn mà không làm giảm độ tin cậy, điều này lý tưởng cho việc tăng tốc quy trình làm việc kính hiển vi.
Hình 2. So với việc vẽ thủ công (b) và U‑Net (c), việc phân đoạn bằng YOLOv8 (d) cung cấp các đường viền sắc nét và chính xác hơn trên hình ảnh kính hiển vi. (Nguồn)
Giảm thiểu sai lệch và tăng tính nhất quán trong kính hiển vi với YOLO#
Thông qua nền tảng Theiascope™, Theia Scientific đã chứng minh rằng các model Ultralytics YOLO có thể tăng tốc phân tích hình ảnh kính hiển vi và các thí nghiệm TEM trong khi hỗ trợ nghiên cứu dài hạn có thể tái lập. Nền tảng được thiết kế để không phụ thuộc vào thiết bị kính hiển vi, nghĩa là các model YOLO được sử dụng để phân tích hình ảnh thu thập từ nhiều thiết bị khác nhau mà không cần các pipeline tùy chỉnh. Tính linh hoạt này đảm bảo quy trình làm việc vẫn nhất quán qua các thí nghiệm, người vận hành và môi trường khác nhau.
Tính có thể tái tạo là một kết quả quan trọng khác. Nghiên cứu khoa học thường yêu cầu xem lại và xác thực kết quả sau nhiều năm. Với các mô hình YOLO khác nhau được tích hợp vào Theiascope™, các nhà nghiên cứu có thể chạy lại các mô hình cũ hơn như Ultralytics YOLOv5 trên các dataset được lưu trữ và thu được các đầu ra nhất quán, sau đó so sánh trực tiếp chúng với kết quả từ các mô hình mới hơn như Ultralytics YOLO11. Điều này giúp việc xác minh các phát hiện trở nên đơn giản, ngay cả khi các phương pháp AI tiến步.
Hình 3. Nền tảng Theiascope™. Hình ảnh kính hiển vi điện tử được ghi lại và truyền phát từ máy tính thu thập dữ liệu đến một thiết bị hỗ trợ GPU đang chạy ứng dụng web, cơ sở dữ liệu chuỗi thời gian và các model Ultralytics YOLO. Các bản cập nhật và model Ultralytics YOLO mới có thể được đẩy vào nền tảng thông qua các bản cập nhật OTA. Nguồn: Theia Scientific.
Ngoài ra, các model Ultralytics YOLO cung cấp cho nền tảng khả năng mở rộng cần thiết để xử lý các datasets lớn. Khả năng inference thời gian thực của chúng cho phép hàng nghìn hình ảnh TEM được phân tích trong thời gian cần thiết để phân tích thủ công chỉ vài hình ảnh. Điều này cho phép các nhà nghiên cứu theo dõi các quy trình động như sự phát triển của hạt trong suốt toàn bộ thí nghiệm, tạo ra những hiểu biết mới và mở khóa các thí nghiệm mới lạ ở quy mô và tốc độ cần thiết cho nghiên cứu tiên phong.
Tích hợp Vision AI tiên tiến vào các công cụ nghiên cứu thế hệ tiếp theo#
Theia Scientific xem các mô hình Ultralytics YOLO là nền tảng cho tương lai của kính hiển vi. Bằng cách tiếp tục tinh chỉnh các phương pháp training và phương pháp hiệu chuẩn, họ đặt mục tiêu cải thiện hơn nữa độ chính xác trên nhiều quy mô và điều kiện thí nghiệm khác nhau.
Tiến về phía trước, Theia Scientific dự định mở rộng Theiascope™ để hỗ trợ nhiều thí nghiệm phức tạp hơn tại chỗ (in-situ) và các datasets đa phương thức (multi-modal). Họ tin rằng rất có khả năng Vision AI sẽ trở thành một phần tiêu chuẩn của quy trình nghiên cứu thế hệ tiếp theo, cho phép khám phá nhanh hơn và có những hiểu biết sâu sắc hơn trên nhiều lĩnh vực khoa học.
Bạn quan tâm đến việc tối ưu hóa các quy trình làm việc của công ty mình? Hãy xem GitHub repository của chúng tôi để tìm hiểu thêm về Vision AI. Khám phá cách các mô hình YOLO đang thúc đẩy các đổi mới trong các lĩnh vực như AI in healthcare và computer vision in retail. Để trải nghiệm thực tế với YOLO, hãy khám phá cách our licensing options có thể hỗ trợ tầm nhìn của bạn.
