|
 La
inteligencia Artificial (IA) y los métodos de aprendizaje
profundo están realizando tareas que parecían imposibles.
Desde la recuperación de contraste a las mejoras del cociente
señal a ruido, o las nuevas aproximaciones para administrar
los parámetros de adquisición más retadores o segmentaciones
que eran difíciles o casi imposibles, ahora esto se puede
automatizar gracias a la IA.
La suite Nis-Elements.ai consiste de varios módulos o funciones que
expanden la plataforma de Nis-Elements construyendo soluciones
personalizadas para la adquisición visualización y análisis.
|
|
|
|
Se deseaba realizar mediciones de intensidad a lo
largo de la envoltura nuclear de las células. La
segmentación convencional no podía diferencia las
estructuras celulares y le faltaron varias células. La
segmentación IA-entrenada reconoce e identifica la
envoltura nuclear exitosamente.
|
Los datos de fluorescencia se pueden contaminar con
luz dispersa o fuera de foco, pero con las
herramientas basadas en IA se puede recuperar imágenes
de alto contraste eliminando el ruido y las partes
borrosas.
|
Características Claves:
Módulo Clarify.ai
Clarify.ai usa la inteligencia artificial para remover automáticamente la
parte borrosa de las imágenes fluorescentes del microscopio
Clarify.ai utiliza nuevas tecnologías Nikon ejecutas en las nuevas
unidades de procesamiento gráfico (GPUS) para liberar de forma
rápida y eficiente la claridad en imágenes que normalmente se
encuentran corruptas por desenfoque y luz fuera de foco.
El módulo esta previamente entrenado para reconocer la señal emitida por
la fluorescencia y planos fuera de foco y dicho haz se pueden
eliminar computacionalmente de forma automática usando la
imagen como fuente, dejando atrás las estructuras en foco, y
se puede usar en conjuntos de datos 2d o 3D, detectores o
aumentos, sin la necesidad de entrenar IA o introducción de
sesgos de configuraciones de usuario complicadas.
|
|
|
|
Pila en Z 3D fluorescencia 60x multicanal antes de
Clarify.ai
|
Pila en Z 3D fluorescencia 60x multicanal después de
Clarify.ai
|
|
|
|
|
Pila en Z 2D fluorescencia 20x multicanal antes de
Clarify.ai rebanada de tejido
|
Pila en Z 2D fluorescencia 20xmulticanal después de
Clarify.ai rebanada de teido
|
Nis.ai Módulo de Procesamiento y Análisis
El módulo de procesamiento y análisis NIS.ai consiste de herramientas
dedicas a mejorar y aumenta la eficiencia en la adquisición de
datos y la simplificación de rutinas complejas o difíciles de
análisis
|
Convert.ai
Reconociendo los patrones presentes en dos canales de imagen diferentes,
Convert.ai puede ser entrenado para predecir como se
vería el segundo canal cuando solamente se adquiere el
primer canal.
Usualmente, esto se puede usar como una herramienta de segmentación para
aproximados sin etiqueta, o para realizar imágenes sin
la dañina excitación cercana al UV. Una vez que la red
neural aprende el patrón común de ambos canales, ya no
requiere adquirir el canal secundario. Tanto la salida
de adquisición como la viabilidad del espécimen se
incrementan como resultado.
|
 |
| |
La tinción de núcleos usando DAPI es un método común
que permite el conteo y la segmentación de células.
Convert.ai se puede entrenar para predecir dónde está
presente la etiqueta DAPI en DIC o imágenes de
contraste de fases. Este canal predicho se puede
utilizar para la segmentación y el recuento, sin tener
que etiquetar la muestra con DAPI o adquirir un canal
de fluorescencia.
Fotos cortesía del Dr. Kentaro Kobayashi, División
Técnica, Instituto de Investigación de Ciencias
Electrónicas, Universidad de Hokkaido
|
|
Enhance.ai
Algunas muestras fluorescentes expresan una señal muy baja y es difícil
verlas o extraer detalles para la segmentación.
Además, muchas de estas muestras son sensibles a la luz o al
foto-blanqueamiento muy rápidamente y debe capturar la
imagen lo más rápido posible.
Enhance.ai puede restaurar detalles entrenando a la red sobre cómo se ven
las imágenes expuestas correctamente. Luego, esta
receta se puede aplicar a imágenes subexpuestas para
restaurar detalles que se pueden usar para análisis
adicionales.
|
|
|
|
Los núcleos teñidos con DAPI están subexpuestos
intencionalmente para limitar la exposición de la
muestra a la luz cercana al ultravioleta. Enhance.ai
se utiliza para restaurar el cociente señal-ruido a la
tinción DAPI normalmente expuesta, para facilitar la
segmentación y el conteo.
|
|
Segment.ai
Algunas imágenes son casi imposibles de segmentar mediante los métodos
tradicionales de umbral de intensidad. Una red
neuronal se puede entrenar mediante la clasificación
humana de las estructuras de interés que no se pueden
definir fácilmente mediante el procesamiento de
imágenes y los umbrales clásicos, y se pueden resolver
mediante el uso de 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 se
identificaban por tediosos métodos de trazado manual.
|
|
|
|
No fue posible definir con precisión las neuritas en
contraste de fase usando el umbral tradicional.
Segment.ai fue entrenado con neuritas trazadas a mano
(reconocidas por humanos) y aprendió a rastrear
neuritas en imágenes subsecuentes.
|
|
Función Denoise.ai
Incluido en el paquete principal de 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. Conforme los niveles
de señal disminuyen, aumenta la contribución del ruido
de disparo y se obtiene como resultado imágenes
ruidosas, siguiendo una función de raíz cuadrada. Por
lo tanto, dicho ruido se modela en una red neuronal y
no necesita más entrenamiento.
Con las nuevas técnicas fluorescentes que buscan menos intensidad y mayor
velocidad 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.
|
|
|
|
Denoise.ai se
puede aplicar para eliminar el componente de ruido de
disparo de las imágenes sin alterar la estructura
subyacente y los valores de intensidad.
|
|
Visite el sitio de Nikon para probar el filtro en
vivo, requiere una pila de imágenes en
|
|
No se requieren conocimientos de programación
Clarify.ai y Denoise.ai son redes de aprendizaje profundo previamente
entrenadas y no requieren configuraciones o 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 los
parámetros de experimentos definidos por el usuario: emplea
redes neuronales convolucionales (CNN) para aprender de los
datos de entrenamiento etiquetados creados por segmentación
convencional o trazado 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 los datos de muestra, lo
que elimina 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. La receta
resultante del entrenamiento se puede aplicar repetida y
confiablemente a muestras similares para procesar o analizar
grandes volúmenes de datos a una velocidad significativamente
más rápida que las técnicas tradicionales.
|
GA3: un proceso de análisis con capacidades de IA
Utilizando NIS-Elements General Análisis (GA3), se pueden combinar varias
herramientas convencionales de segmentación e
inteligencia artificial para crear rutinas de medición
de datos personalizadas para un experimento
específico. Estos se pueden aplicar a 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 de experimentos. Las
rutinas también se pueden incluir durante las
ejecuciones de adquisición de experimentos.
|
|
|
|
El análisis general se utiliza para aplicar Convert.ai
a imágenes de campo claro para marcar núcleos, y
Denoise.ai se aplica a canales de fluorescencia
ruidosos. Luego, los canales convertidos se pueden
rastrear a lo largo de un lapso de tiempo para medir
los movimientos de las células. Esta rutina se aplica
a varios conjuntos de datos para su medición.
|
|
Utilice NIS.ai como parte de una línea de trabajao de imágenes
Las herramientas de NIS.ai se pueden combinar con todas las demás
características de la plataforma NIS-Elements para
desarrollar protocolos de imágenes y análisis
dirigidos desde el conteo básico hasta la detección y
análisis de eventos raros o 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 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.
|
|
|
|
Ejemplo de utilización de Segment.ai en una ejecución
de experimento para analizar las posiciones XY
conforme se capturan y para buscar fenotipos
específicos. Cuando se encuentra una célula objetivo,
se realiza un experimento de estimulación. Si no se
encuentra ninguna célula objetivo, el experimento
sigue a la siguiente posición XY.
|
Resultados cuantificables
La inteligencia artificial se ha vuelto comúnmente aceptada en imágenes
de diagnóstico 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 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 datos de IA a
datos reales.
Resumen de módulos de IA
●: incluido, O: opción
|
|
Denoise.ai
|
Clarify.ai
|
Enhace.ai
|
Segment.ai
|
Convert.ai
|
|
NIS C, AR, AR-ML, Pasivo
|
●
|
O
|
O
|
O
|
O
|
|
Módulo Nis.ai
|
|
|
●
|
●
|
●
|
|
Incluido con módulos de
deconvolución
|
|
●
|
|
|
|
|
Paquete fuera de línea proceso por
lotos para eliminar el ruido
|
●
|
|
|
|
|
|
