TruAI Technologie Genaue und effiziente Bildanalyse für die Deep Learning-Mikroskopie

Bildsegmentierung

Schnell und effizient

Die hochpräzise Erkennung und Segmentierung mit Deep Learning-Technologie liefert effiziente und zuverlässige Analyseergebnisse
Optimal für Zellzählungen und geometrische Messungen, beispielsweise von Flächen oder Formen ohne Phototoxizität
Weniger als 1 Sekunde Bearbeitungszeit pro Position

Whitepaper über TruAI lesen

Abbildung 6

Beispiel eines erkannten Zellkerns. Schematische Darstellung der Anwendung (Inferenz) des trainierten neuronalen Netzes.

Nächste Generation der Bildanalyse mit Deep Learning

Untersuchungen erfordern häufig Daten von Mikroskopbildern. Für eine genaue Bildanalyse wird eine Segmentierung (insbesondere der Schwellenwerte für Intensitätswerte oder Farbe) verwendet, um die Analysebereiche aus dem Bild zu extrahieren. Dies kann jedoch zeitaufwändig sein und den Probenzustand beeinträchtigen.

Mit der Bildanalyse der nächsten Generation der TruAI Technologie lassen sich diese Herausforderungen bewältigen.

Nur sich teilende Zellen werden erkannt (rechts)

Vorhersage mitotischer Zellen mit TruAI (grün).

TruAI erkennt die Glomeruli-Merkmale (rechts)

Vorhersage der Glomeruli-Positionen auf einem Maus-Nierenschnitt mit TruAI (blau).

Fluoreszenzbild von Zellkernen (grün), Hellfeldbild mit Zellkernen nach Erfassung mit der TruAI Technologie (blau)

Grün: Niedrige Erkennungsgenauigkeit aufgrund von Ungleichmäßigkeiten der GFP-Färbung

Blau: Erkennung der Zellkerne mit hoher Genauigkeit trotz Kratzern und Staub auf dem Kulturgefäß.

Bildoptimierung

Das neuronale Netz kann die Rauschmerkmale im Voraus erlernen, so dass Bilder mit hohem Signal-Rausch-Abstand selbst aus schwachen Signalen konstruiert werden können.

Verrauschte Bilder mit sehr schwacher Fluoreszenz erschweren auch die Objekterkennung für die Segmentierung. Zudem ist es wichtig, das Verblassen der Bilder zu minimieren und die Bilder so schnell wie möglich zu erfassen.
Die Rauschunterdrückung mit Deep-Learning-Technologie ermöglicht die Aufnahme klarer Bilder trotz hohem Rauschpegel und kurzer Belichtungszeit.

Inserting image...

Ganerate clear image with high signal-to-noise ratio from noisy image

Zeit und Aufwand sparen mit Live AI

Lassen Sie sich die Live-Inferenzergebnisse des trainierten neuronalen Netzes in Echtzeit anzeigen. Die Kenntnis der Inferenzergebnisse schon vor der Bildaufnahme erhöht die Effizienz Ihrer Experimente.

https://adobeassets.evidentscientific.com/content/dam/video/video/library/TruAI_lp.mp4

Live-Detektion von verschiedenen Phasen im Zellzyklus in einer HeLa-Zellkultur^*
Orange: G1-Phase, grün: S- und G2-Phase und rot: Mitose- und Tochterkerne

*Auch wenn die Zelllinien von Henrietta Lacks in der medizinischen Forschung unverzichtbar geworden sind, darf nicht unerwähnt bleiben, dass ihre Erzeugung und Verwendung ohne Zustimmung von Henrietta Lacks erfolgten. Dieses Unrecht führte einerseits zu wichtigen Entdeckungen in der Immunologie, bei Infektionskrankheiten und Krebs, warf aber auch wichtige Diskussionen über Datenschutz, Ethik und Einwilligung in der Medizin auf.
Um mehr über das Leben von Henrietta Lacks und ihren Beitrag zur modernen Medizin zu erfahren, klicken Sie bitte hier.
http://henriettalacksfoundation.org/

Vom Makro- zum Mikro-Imaging

Die Makro-zu-Mikro-Funktion ermöglicht die Aufnahme von Übersichtsbildern mit einem Objektiv mit geringer Vergrößerung (z. B. 4x) und nach Erkennung des Probenbereichs die anschließende Erfassung von Bildern mit hoher Vergrößerung. Mit TruAI erfolgt dieser Prozess automatisch, was die Bildgebung bei der Verwendung von Glasobjektträgern oder Petrischalen mit mehreren Gewebeschnitten beschleunigt und effizienter macht.

Mehr erfahren

„Die vortrainierte Detektion von Zellkernen ist absolut verblüffend und ermöglicht die Analyse sehr heterogener Proben, ohne die Zellfraktionen zu beschädigen. Vor allem in Bereichen mit hoher Zelldichte ist die TruAI-basierte Separation deutlich schneller und leistungsfähiger als die Intensitäts- oder Kantendetektion.“

Robert Strauss
Senior Scientist
Danish Cancer Society Research Center