Forschung für den Mittelstand - Die IGF-Projektdatenbank

Cell Culture Analysis Tool

Die Analyse biomedizinischer Bilddaten durch Experten, z. B. in der Zellmikroskopie, ist personal- und kostenintensiv sowie anfällig für anwendungsspezifische Fehler. Deep Learning (DL) ermöglicht eine hardwareunabhängige automatisierte und objektive Bildauswertungen, wird aber bisher, aufgrund des hohen Aufwands für Auswahl und Konfiguration der DL-Modelle, nicht in der Zellkultur eingesetzt.

Projektziel ist es ein Software-Tool zur automatisierten Vorverarbeitung der Daten, Algorithmusauswahl und Konfiguration von DL-Modellen zu entwickeln. Dazu dienen Entscheidungslogiken, Hyperparameteroptimierung, DL-Bibliotheken und Vortraining neuronaler Netze.

Im Projekt wird ein Dataannotationguide zur geführten Annotation von Bildern entwickelt, so dass das Domänenwissen der biologischen Experten optimal genutzt werden kann. Des Weiteren wird eine auf Meta-Learning basierende Entscheidungslogik entwickelt, welche den am besten geeigneten DL-Algorithmus und dessen Konfiguration auswählt. Diese wird im Rahmen einer Plug-in DL-Bibliothek implementiert und trainiert. Der trainierte Algorithmus kann fortan für die Erkennungsaufgabe genutzt werden.

Das entwickelte Softwaretool ersetzt die aufwendige Algorithmenauswahl, Konfiguration und Parametrierung von DL-Modellen. Somit werden die biologische Experten dazu befähigt DL-Modelle ohne Vorkenntnisse im DL zu nutzen. Dies ermöglicht eine schnellere, effektivere und objektive Auswertung von Zellkulturen, z. B. zur Virendiagnostik. Des Weiteren erzeugt AIxCell ein wirtschaftlicher Mehrwert, da die zeitintensive Auswertung von Bilddaten durch Fachexperten von der Software übernommen werden kann, so dass sich die Experten auf die Interpretation der Daten fokussieren können.

Der intuitive Ansatz von AIxCell bietet einen deutlichen Mehrwert insbesondere für KMU, da diesen ein einfacher Einstieg zur Nutzung von DL geboten wird. Es wird erwartet, dass das Konzept von AIxCell auf andere bildverarbeitende Systeme übertragen werden kann.

Ergebniszusammenfassung:

Im Vordergrund der im Forschungsprojekt erzielten Ergebnisse steht mit dem domänenspezifischen AutoML-System der Technologiekern der entwickelten Softwareanwendung. In AIxCell wurde dieses bildbasierte AutoML-System speziell für diverse Analysen von Zellkultur-Mikroskopiedaten entwickelt und validiert. Durch die Integration dieses Technologiekerns in eine intuitive Webanwendung und durch das Deployment in einer Cloudarchitektur, das eine browserbasierte Nutzung ermöglicht, werden biomedizinische Experten ohne Expertise in den Technologiefeldern Datenwissenschaft, künstliche Intelligenz und Softwareentwicklung dazu befähigt, eine eigene Deep-Learning-basierte Software zur Automatisierung hoch-individueller Zell- und Gewebeanalysen zu erstellen. Durch die Automatisierung werden biomedizinische Experten von zeitaufwendigen und damit kostenintensiven Auswertetätigkeiten entlastet. Zusätzlich werden die Auswerteergebnisse durch die entwickelte Lösung standardisiert und objektiviert, wodurch eine Vergleichbarkeit wissenschaftlicher Ergebnisse gegeben ist. Zusätzlich zum Deployment in einer Cloudinfrastruktur erlaubt die entwickelte Software "Local Executor" die lokale Nutzung und flexible Integration von trainierten Deep-Learning-Pipelines in die laborspezifischen Analyse-Workflows.

Das an verschiedenen Anwendungsfällen von Zell- und Gewebeanalysen entwickelte Rahmenwerk, bestehend aus: 1) intuitiver Webanwendung zur Definition von Analyseaufgaben und zur Datenannotation, 2) domänenspezifischem AutoML-System und 3) Systemarchitektur und Orchestrierung zum Deployment in einer Cloudinfrastruktur, bildet eine Blaupause für den Transfer auf andere Domänen und Anwendungsfallfamilien. Grundsätzlich sind jegliche Anwendungsfälle denkbar, in denen Eigenschaften aus Bilddaten extrahiert oder visuelle Kontrollen und Analysen durchgeführt werden sollen. Insbesondere ist die Automatisierung von visuellen Qualitätskontrollen in der Produktionstechnik wirtschaftlich interessant.