Mehr Zeit für Studien: ZEISS unterstützt Forschende und Unternehmen mit der ZEISS arivis Cloud – auf Basis von Microsoft Azure

Die Herausforderung: Händische Bildsegmentierung automatisieren

Kaum eine Industrie kommt ohne Mikroskopie und Bildanalyse aus – von Life Science über Materialwissenschaften bis hin zu Geowissenschaften. Sie alle benötigen für ihre Arbeit den detaillierten Blick in die oftmals sehr komplexen Strukturen. Materialwissenschaftler*innen interessiert zum Beispiel die Mikrostruktur eines Werkstoffs, Forschende der Biowissenschaften dagegen menschliche Zellen. Die einzelnen Prozessschritte dieser Bildanalyse waren bereits hochgradig automatisierbar – bis auf einen: die Bildsegmentierung. Doch das sollte sich ändern.

„Bei der Segmentierung wird das Bild in verschiedene Bereiche unterteilt, die für die nachfolgende Analyse und Klassifizierung wichtig sind“, sagt Dr. Sandra Lemke, Product Owner AI toolkit ZEISS arivis Cloud bei ZEISS Microscopy. „Dieser Schritt ist absolut essenziell, schließlich legen Forschende damit die Grundlage für die Genauigkeit der nachfolgenden Analysen. Eine Life Science Forscherin definiert so zum Beispiel eine Zelle oder einen Nukleus. Ohne die Unterstützung von künstlicher Intelligenz, müsste sie je nach Bild die Strukturen sogar händisch, Pixel für Pixel, markieren.“

Diese Tätigkeit braucht nicht nur ein geschultes Auge, sondern auch viel Zeit. Denn in der Regel muss nicht nur ein einzelnes, sondern ein ganzes Set von mikroskopischen Bildern segmentiert werden. Hinzu kommt, dass die händische Arbeit zwar oft als sehr akkurat wahrgenommen wird, aber eben auch Potenzial für Fehler bietet und nicht reproduzierbare Ergebnisse hervorbringt. Schließlich könnte eine andere Person zu einem anderen Zeitpunkt die Segmentierung leicht unterschiedlich durchführen.

„Mit der ZEISS arivis Cloud geben wir den Forschenden nun eine Lösung an die Hand, mit der sie die Bildsegmentierung automatisieren können und zu reproduzierbaren Ergebnissen kommen“, erzählt Dr. Sreenivas Bhattiprolu, Head of Digital Solutions, ZEISS Microscopy. „Die mikroskopischen Strukturen sind so komplex, dass nur Expertinnen und Experten sie identifizieren können. Keine Technologie ist dazu von sich aus in der Lage. Aber die ZEISS arivis Cloud erlaubt es ihnen jetzt, Deep Learning Modelle zu trainieren, sodass sie die Segmentierung nicht selbst an jedem Set mikroskopischer Bilder händisch machen müssen.“

Die Lösung: Deep Learning Modelle ohne Programmierkenntnisse trainieren

Wenn Forschende mit der ZEISS arivis Cloud ihr eigenes Modell trainieren, laden sie eine Reihe von Trainingsbildern hoch, die eine gewisse Varianz zeigen. Das ist wichtig, denn die Probe kann variieren und jedes Mikroskop führt zu leicht anderen Bildern. Auch die Bedingungen, unter denen das Bild gemacht wurde, entscheiden über das Aussehen. Durch diese Varianz in den Trainingsdaten wird das Deep Learning Modell später eine höhere Robustheit erzielen.

Im ersten Schritt markieren – man nennt das in der Forschung auch annotieren – die Forschenden dann über die Weboberfläche in den Bildern die Bereiche, die von Interesse sind. Nicht vollumfänglich, sondern in jedem Bild lediglich ein paar. Im zweiten Schritt wird das Modell bereits darauf trainiert, die entsprechenden Bereiche in allen Bildern zu segmentieren. Ist das Modell zufriedenstellend, kann man es auf weitere Bildersets anwenden. Ist die Genauigkeit noch nicht ausreichend, markieren die Forschenden iterativ weitere Bereiche in den Trainingsbildern und drücken erneut den Trainieren-Button. So erzeugen sie, ohne Programmierkenntnisse haben zu müssen, die sogenannte Ground Truth, wie es bei Deep Learning Modellen heißt, also die Basis, von der die Modelle lernen, die gesuchten Bereiche erkennen und segmentieren zu können.

„Das Trainieren von Deep Learning Modellen dauerte noch vor ein paar Jahren eine ganze Nacht, heute nur noch eine Mittagspause und das verdanken wir der Azure Cloudplattform“, sagt Sandra Lemke. Dank Software-as-a-Service (SaaS) brauchen Forschende keine Software installieren, sie loggen sich einfach online in ihren Account der ZEISS arivis Cloud ein und können loslegen. Die hohen Rechenleistungen, die für das Trainieren von Deep Learning Modellen benötigt werden, müssen folglich nicht im eigenen Serverraum zur Verfügung stehen, sondern die User nutzen on-demand die cloudbasierte Infrastruktur.

Um die Workflows und Deep Learning Algorithmen zu entwickeln, bereitzustellen und den gesamten Prozess zu monitoren und zu automatisieren, setzen Sandra Lemke und ihr Team auf Azure Machine Learning und die dort verfügbaren Machine Learning Operations Lösungen. „Das schafft in der Entwicklung Zeit, um an neuen Funktionen zu arbeiten, anstatt diese Prozesse managen zu müssen. Davon profitieren am Ende natürlich unsere Nutzerinnen und Nutzer.“

Ein weiterer Vorteil der ZEISS arivis Cloud ist die Möglichkeit der Zusammenarbeit. Forschende können über den gesamten Globus verteilt ein gemeinsames Deep Learning Modell trainieren, dort weitermachen, wo die Kolleg*innen aufgehört haben, und das Modell dann exportieren und auf die eigenen Daten anwenden. So bleibt immer nachvollziehbar, wie das Modell trainiert wurde, und die Forschenden können reproduzierbare Ergebnisse erzeugen. Und falls das Modell nach 100 Einsätzen bei einer Segmentierung mal doch keine ausreichenden Ergebnisse liefert, lässt es sich problemlos mit neuen Daten nachtrainieren.

„Was die Zukunft mit Deep Learning noch so alles bringt, ist schwer abzuschätzen,“ sagt Sreenivas Bhattiprolu. „Alle paar Monate ergeben sich hier völlig neue Möglichkeiten. Aber eines ist klar: Unsere Lösung unterstützt Forschende bereits jetzt dabei, mehr Studien durchzuführen und weniger Zeit mit Bildsegmentierung zu verbringen. Und das wird in der Zukunft noch besser.“