Desarrollan hardware optimizado para microscopios para la clasificación exacta de imágenes
Por el equipo editorial de LabMedica en español Actualizado el 11 Dec 2019 |
Imagen: Se ha desarrollado un tipo nuevo de microscopio que utiliza un tazón con luces LED de varios colores y esquemas de iluminación producidos por el aprendizaje automático (Fotografía cortesía de la Universidad de Duke)
A pesar de la automatización generalizada habilitada por el nuevo software de posprocesamiento, el diseño físico del microscopio estándar aun ha cambiado relativamente poco, ya que, en su mayor parte, todavía es un instrumento optimizado para que un espectador humano pueda mirar e inspeccionar lo que se coloca debajo.
Se ha desarrollado un microscopio que adapta sus ángulos de iluminación, colores y patrones a la vez que se enseña la configuración óptima necesaria para completar una tarea de diagnóstico determinada. En lugar de difundir luz blanca desde abajo para iluminar uniformemente la lámina, los ingenieros desarrollaron una fuente de luz en forma de tazón con LED integrados en toda su superficie. Esto permite que las muestras se iluminen desde diferentes ángulos hasta casi 90 grados con diferentes colores, lo que esencialmente proyecta sombras y resalta diferentes características de la muestra dependiendo del patrón de los LED utilizados.
Un equipo internacional de bioingenieros que trabaja con la Universidad de Duke (Durham NC, EUA) alimentó al microscopio con cientos de muestras de glóbulos rojos infectados con malaria, preparados como frotis delgados, en los que los cuerpos celulares permanecen enteros y se extienden idealmente en una sola capa en un portaobjetos de microscopio. Usando un tipo de algoritmo de aprendizaje automático llamado red neuronal convolucional, el microscopio aprendió qué características de la muestra eran más importantes para diagnosticar la malaria y la mejor manera de resaltarlas.
El algoritmo finalmente logró un patrón LED en forma de anillo de diferentes colores provenientes de ángulos relativamente altos. Si bien las imágenes resultantes son más ruidosas que una imagen de microscopio normal, resaltan el parásito de la malaria en un punto brillante y se clasifican correctamente aproximadamente el 90% de las veces. Los médicos capacitados y otros algoritmos de aprendizaje automático generalmente funcionan con una precisión de aproximadamente el 75%. El equipo también demostró que el microscopio funciona bien con preparaciones espesas de frotis de sangre, en las que los glóbulos rojos forman un fondo altamente no uniforme y se pueden romper. Para esta preparación, el algoritmo de aprendizaje automático tuvo éxito el 99% de las veces.
Roarke Horstmeyer, PhD, profesor asistente de ingeniería biomédica y autor principal del estudio, dijo: “Un microscopio estándar ilumina una muestra con la misma cantidad de luz proveniente de todas las direcciones, y esa iluminación se ha optimizado para los ojos humanos en cientos de años. Pero las computadoras pueden ver cosas que los humanos no pueden. Por lo tanto, no solo hemos rediseñado el hardware para proporcionar una amplia gama de opciones de iluminación, sino que hemos permitido que el microscopio optimice la iluminación por sí mismo”. El estudio fue publicado en la edición de noviembre de 2019 de la revista Biomedical Optics Express.
Enlace relacionado:
Universidad de Duke
Se ha desarrollado un microscopio que adapta sus ángulos de iluminación, colores y patrones a la vez que se enseña la configuración óptima necesaria para completar una tarea de diagnóstico determinada. En lugar de difundir luz blanca desde abajo para iluminar uniformemente la lámina, los ingenieros desarrollaron una fuente de luz en forma de tazón con LED integrados en toda su superficie. Esto permite que las muestras se iluminen desde diferentes ángulos hasta casi 90 grados con diferentes colores, lo que esencialmente proyecta sombras y resalta diferentes características de la muestra dependiendo del patrón de los LED utilizados.
Un equipo internacional de bioingenieros que trabaja con la Universidad de Duke (Durham NC, EUA) alimentó al microscopio con cientos de muestras de glóbulos rojos infectados con malaria, preparados como frotis delgados, en los que los cuerpos celulares permanecen enteros y se extienden idealmente en una sola capa en un portaobjetos de microscopio. Usando un tipo de algoritmo de aprendizaje automático llamado red neuronal convolucional, el microscopio aprendió qué características de la muestra eran más importantes para diagnosticar la malaria y la mejor manera de resaltarlas.
El algoritmo finalmente logró un patrón LED en forma de anillo de diferentes colores provenientes de ángulos relativamente altos. Si bien las imágenes resultantes son más ruidosas que una imagen de microscopio normal, resaltan el parásito de la malaria en un punto brillante y se clasifican correctamente aproximadamente el 90% de las veces. Los médicos capacitados y otros algoritmos de aprendizaje automático generalmente funcionan con una precisión de aproximadamente el 75%. El equipo también demostró que el microscopio funciona bien con preparaciones espesas de frotis de sangre, en las que los glóbulos rojos forman un fondo altamente no uniforme y se pueden romper. Para esta preparación, el algoritmo de aprendizaje automático tuvo éxito el 99% de las veces.
Roarke Horstmeyer, PhD, profesor asistente de ingeniería biomédica y autor principal del estudio, dijo: “Un microscopio estándar ilumina una muestra con la misma cantidad de luz proveniente de todas las direcciones, y esa iluminación se ha optimizado para los ojos humanos en cientos de años. Pero las computadoras pueden ver cosas que los humanos no pueden. Por lo tanto, no solo hemos rediseñado el hardware para proporcionar una amplia gama de opciones de iluminación, sino que hemos permitido que el microscopio optimice la iluminación por sí mismo”. El estudio fue publicado en la edición de noviembre de 2019 de la revista Biomedical Optics Express.
Enlace relacionado:
Universidad de Duke
Últimas Tecnología noticias
- Biosensor de ADN permite diagnóstico temprano del cáncer de cuello uterino
- Dispositivos de microfluidos autocalentables pueden detectar enfermedades en pequeñas muestras de sangre o fluidos
- Avance en tecnología de diagnóstico podría hacer que pruebas en el sitio sean ampliamente accesibles
- Primera tecnología de su tipo para detectar glucosa en saliva humana
- Dispositivo electroquímico identifica personas con mayor riesgo de osteoporosis mediante una sola gota de sangre
- Nueva prueba no invasiva detecta infección por malaria sin muestra de sangre
- Dispositivos de detección optofluídicos portátiles podrían realizar simultáneamente una variedad de pruebas médicas
- Solución de software para punto de atención ayuda a manejar escenarios de pruebas POC dispares en ubicaciones de prueba de pacientes
- Biosensor electrónico detecta biomarcadores en muestras de sangre completa sin agregar reactivos
- Prueba innovadora detecta marcadores biológicos relacionados con una variedad mayor de cánceres
- Kit de detección rápida POC determina la salud intestinal a partir de muestras de suero sanguíneo y heces
- Dispositivo convierte teléfono inteligente en microscopio de fluorescencia por solo 50 dólares
- Lector de tubos portátil habilitado para Wi-Fi diseñado para una fácil portabilidad
- Novedosa plataforma de pruebas de diagnóstico asegura el tiempo de respuesta a situaciones de pandemia emergentes
- Transistor revolucionario podría permitir dispositivos portátiles para medir el sodio y el potasio en la sangre
- Sensor portátil de bajo costo detecta metales pesados en el sudor