Técnica Home | Nikon Home | Software | NIS-Elements | NIS-Elements AR

Llevando las imágenes y el análisis al siguiente nivel

 

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

 

 

 Programa NIS-Elements

Nis IA (Inteligencia Artificial)

NIS-Elements AR

NIS Elements BR 

NIS Elements D

Nis Elements C

Nis Elements HC 

Notas de Aplicación

Catálogo


Recursos Nis Elements 

Compatibilidad

Ambiente de Operación

Comparación de Paquetes

SUA Acuerdo de Actualización de Software

Novedades en NIS Elements

Visor de NIS Elements


Ir al Principio

Técnica En Laboratorios, S. A. Acerca de Nosotros | Contactos | Mapa del Sitio | Términos de Uso


Tapachula # 10 Col. Roma México D.F. (0155)-55-74-58-83 y 55-74-11-38 info@tecnicaenlaboratorios.com

 Logo Nikon

Programa Nis Elements

Investigación Avanzada AR

Tecnica En Laboratorios SA  

Técnica En Laboratorios, S.A.
Tapachula # 10 Col. Roma
México D. F. 06700
Tels: (01-55) 5574 5883 y 5574 1138
Fax (01-55) 5564 1663
Correo info@tecnicaenlaboratorios.com

  Home | Novedades | Directorio | Cotizaciones | Soporte | Contacto