Descripción
Llevando las imágenes y el análisis microscópicos al siguiente nivel
La inteligencia artificial (IA) y los métodos de aprendizaje profundo están haciendo posibles tareas aparentemente imposibles. Desde recuperar el contraste hasta mejorar la relación señal-ruido, o nuevos enfoques para gestionar parámetros de adquisición desafiantes o una segmentación que antes era difícil o casi imposible, estos enfoques ahora se pueden automatizar gracias a la IA.
La suite NIS-Elements NIS.ai consta de varios módulos y funciones que amplían la plataforma NIS-Elements al incorporar soluciones personalizadas para adquisición, visualización y análisis.
Módulo Clarify.ai
Clarify.ai utiliza inteligencia artificial para eliminar automáticamente el desenfoque de las imágenes del microscopio de fluorescencia.
Clarify.ai utiliza nuevas tecnologías de Nikon ejecutadas en unidades de procesamiento gráfico (GPU) para aprovechar una claridad rápida y eficiente en imágenes que normalmente se ven desenfocadas debido a la luz desenfocada.
El módulo está previamente entrenado para reconocer la señal de fluorescencia emitida desde planos desenfocados y puede eliminar computacionalmente este componente de neblina de la imagen automáticamente, dejando atrás las estructuras enfocadas, y puede usarse en cualquier conjunto de datos 2D o 3D de campo amplio. , detector o aumento, sin la necesidad de entrenamiento de IA o la introducción de sesgos debido a configuraciones complicadas del usuario.
Módulo de análisis y procesamiento de NIS.ai
El módulo de procesamiento y análisis de NIS.ai consta de herramientas dedicadas a mejorar y mejorar la eficiencia en la adquisición de datos y simplificar rutinas de análisis que antes eran complejas o difíciles.
Convertir.ai
Al reconocer los patrones presentes en dos canales de imágenes diferentes, se puede entrenar a Convert.ai para predecir cómo se vería el segundo canal cuando solo se adquiera el primer canal.
Por lo general, esto se puede utilizar como herramienta de segmentación para enfoques sin etiquetas o imágenes sin excitación dañina del ultravioleta cercano. Una vez que la red neuronal aprende el patrón común a dos canales, en experimentos posteriores ya no es necesario adquirir el segundo canal. Como resultado, tanto el rendimiento de adquisición como la viabilidad de las muestras aumentan.
Mejora.ai
Algunas muestras fluorescentes expresan una señal muy baja y es difícil visualizar o extraer detalles para la segmentación.
Además, muchas de estas muestras son sensibles a la luz o al fotoblanqueador muy rápidamente y es necesario obtener imágenes lo más rápido posible.
Enhance.ai puede restaurar detalles entrenando a la red sobre el aspecto de las imágenes expuestas correctamente. Luego, esta receta se puede aplicar a imágenes subexpuestas para restaurar detalles que se pueden utilizar para análisis posteriores.
Segmento.ai
Algunas imágenes son casi imposibles de segmentar mediante los métodos tradicionales de umbralización de intensidad. Una red neuronal se puede entrenar mediante la clasificación humana de estructuras de interés que no se pueden definir fácilmente mediante umbrales clásicos y procesamiento de imágenes mediante Segment.ai.
Al rastrear características de interés y entrenarlas en comparación con la imagen subyacente, la red neuronal puede aprender y aplicar segmentación a imágenes similares, reconociendo características que antes solo eran identificables mediante minuciosos métodos de rastreo manual.
Función Denoise.ai
Incluido en el paquete principal NIS-Elements AR, Denoise.ai se puede aplicar a imágenes confocales para eliminar el ruido de disparo. Todas las imágenes contienen ruido de disparo, que es un ruido distribuido por Poisson relacionado con el muestreo discreto (adquisición de imágenes) de un evento continuo. A medida que los niveles de señal disminuyen, la contribución del ruido de disparo aumenta y se obtienen imágenes ruidosas, siguiendo una función de raíz cuadrada. Por lo tanto, dicho ruido se modela en una red neuronal y no necesita entrenamiento adicional.
Con las nuevas técnicas fluorescentes que reducen las intensidades y aumentan las velocidades de adquisición, Denoise.ai puede reconocer y eliminar el componente de ruido de disparo de las imágenes, aumentando la claridad y permitiendo tiempos de exposición más cortos o más exposiciones de muestras mientras se mantiene la viabilidad.
No se requieren habilidades de programación
Clarify.ai y Denoise.ai son redes de aprendizaje profundo previamente entrenadas y no requieren configuraciones ni parámetros adicionales para aplicar estas herramientas automáticamente a las imágenes.
El módulo de procesamiento y análisis de NIS.ai utiliza datos de entrenamiento para apuntar y abordar específicamente parámetros de experimentos definidos por el usuario: emplea redes neuronales convolucionales (CNN) para aprender de datos de entrenamiento etiquetados creados mediante segmentación convencional o rastreo asistido por humanos de un pequeño subconjunto de muestras representativas.
Al utilizar el módulo, la interfaz del software facilita la aplicación de un aprendizaje profundo complejo a datos de muestra, eliminando la necesidad de diseñar una red neuronal compleja y aplicarle datos de entrenamiento.
Las herramientas automatizadas toman estos datos de entrenamiento y aplican la red neuronal para reconocer patrones. Luego, la receta de entrenamiento de resultados se puede aplicar de manera repetida y confiable a muestras similares para procesar o analizar enormes volúmenes de datos a una velocidad significativamente más rápida que las técnicas tradicionales.
GA3: un canal de análisis con capacidades de IA
Utilizando NIS-Elements General Analysis (GA3), se pueden combinar múltiples herramientas convencionales de segmentación e inteligencia artificial para crear rutinas de medición de datos personalizadas para un experimento específico. Estos se pueden aplicar en varias imágenes, ejecuciones de experimentos o datos de alto contenido.
Debido a que GA3 se puede personalizar libremente, se puede adaptar fácilmente a nuevas rutinas experimentales. También se pueden incorporar rutinas durante las ejecuciones de adquisición de experimentos.
Utilice NIS.ai como parte de un proceso de imágenes
Las herramientas NIS.ai se pueden combinar con todas las demás funciones de la plataforma NIS-Elements para desarrollar protocolos de imágenes y análisis específicos, desde el recuento básico hasta la detección y el análisis de eventos raros o de fenotipos selectivos.
Esto se puede incorporar después de la adquisición, o de manera más impactante, como parte integral de un protocolo experimental para que los resultados del análisis de adquisición inteligente de NIS-Elements obtenidos durante la ejecución del experimento guíen los parámetros experimentales en diferentes direcciones.
Con el asistente de experimentos de JOBS, se pueden crear experimentos personalizados con tareas de análisis integradas y ramas basadas en los resultados del análisis, lo que permite un mayor rendimiento y adquisiciones más específicas.
Resultados cuantificables
La inteligencia artificial se ha vuelto comúnmente aceptada en el diagnóstico por imágenes y es una herramienta cada vez más popular para una serie de aplicaciones. Su atractivo sobre los enfoques matemáticos tradicionales es tanto su velocidad como su increíble precisión. Sin embargo, es importante poder validar los resultados de los cálculos de la IA y utilizar estos resultados de manera adecuada para el análisis computacional.
El software NIS-Elements proporciona retroalimentación durante las rutinas de entrenamiento para indicar la confianza de la red neuronal entrenada para proporcionar resultados precisos, así como varias herramientas de análisis y flujos de trabajo para validar la eficiencia de las redes neuronales o para permitir una fácil comparación de los datos de IA con el terreno. datos de verdad.
