Aplicación de la visión por ordenador en los procesos de cristalización farmacéutica
Seguimiento por imágenes in situ del tamaño, la forma y la cinética de transformación polimórfica de los cristales
Programa
- Acelerar los procesos de cristalización I+D
- Profundizar en la comprensión de los procesos de cristalización
Se había propuesto una segmentación y clasificación de imágenes basada en el aprendizaje profundo para la medición in situ del tamaño y la forma de los microcristales, que mostraba un gran potencial para expandirse como tecnología analítica de procesos (PAT) a los procesos químicos de flujo multifásico.
En esta charla, se estableció una base de datos de imágenes de micropartículas químicas de acceso abierto (open-CMD) que contiene aglomeraciones de partículas (A), burbujas (B), cristales (C) y gotitas (D) en varios escenarios de flujo multifásico químico. La red neuronal avanzada, Mask R-CNN, junto con 2.500 imágenes etiquetadas que contenían más de 50.000 partículas etiquetadas en open-CMD, se entrenó para desarrollar la capacidad de segmentación y clasificación de partículas objetivo.
Los resultados del entrenamiento indicaron que una estrategia de aumento de datos podía mejorar significativamente la precisión de los modelos entrenados, que se denominaron MicropNet+ y MicropNet según se utilizaran o no los datos aumentados para el entrenamiento. Basándose en la capacidad superior de MicropNet+, se extrajeron descriptores multidimensionales de las partículas y, además, se definieron y cuantificaron el grado de aglomeración y la distribución de la aglomeración. A continuación, se analizaron dos procesos clásicos de flujo multifásico, la cristalización y la emulsificación, utilizando el modelo MicropNet+, en el que se analizaron cuantitativamente el grado de aglomeración y la distribución (Cin A) de los cristales de ácido succínico y el número relativo y el diámetro (Deq) de las gotas en diferentes condiciones de operación.
Se concluyó que el modelo MicropNet+ bien entrenado tiene una gran precisión y eficacia en la segmentación y clasificación de micropartículas. Por último, se presentarán las investigaciones en curso sobre el cribado de alto rendimiento asistido por ordenador y el análisis de escenarios de lodos de alta densidad.
Presentador
Zhenguo Gao, Ph.D.,
Profesor asociado de la Escuela de Ingeniería Química y Tecnología de la Universidad de Tianjin
El Dr. Zhenguo Gao es actualmente profesor asociado en la Escuela de Ingeniería Química y Tecnología de la Universidad de Tianjin (TJU). Trabajó en la Universidad de Ontario Occidental (UWO) como asistente de investigación antes de incorporarse a la TJU. Zhenguo obtuvo un doble doctorado en la Universidad de Ontario Occidental (Canadá) y la Universidad de Tianjin (China) en 2019, y después se incorporó al Centro Nacional de Investigación en Ingeniería de la Tecnología de Cristalización Industrial (NERCICT) de la TJU. Los intereses de investigación de Zhenguo incluyen i) el diseño y control del proceso de cristalización, especialmente en la intensificación y control de la cristalización continua, el diseño novedoso de cristalizadores; ii) la cristalización de fundidos, incluida la cristalización en capas y la cristalización en suspensión, especialmente para productos químicos electrónicos húmedos ultrapuros; iii) la tecnología analítica de procesos inteligentes, por ejemplo, el análisis de imágenes de procesos basado en IA, etc. Ha publicado más de 60 artículos en conferencias y revistas internacionales de primer nivel, como Chemical Engineering Journal, Chemical Engineering Science, Crystal Growth & Design, Engineering, CrystEngComm, Industrial & Engineering Chemistry Research, Separation and Purification Technology, Ultrasonics Sonochemistry, etc. Ha sido editor invitado de la revista Crystals y revisor de múltiples revistas internacionales, como IECR, Crystal Growth & Design, Org. Process. Res. Dev., Pharmaceuticals, etc.
