1
00:00:01,480 --> 00:00:05,840
Dans cette série de 2 vidéos, vous verrez comment
utiliser la technologie d’apprentissage profond

2
00:00:05,840 --> 00:00:10,000
du logiciel cellSens pour
la détection de noyaux non marqués.

3
00:00:10,000 --> 00:00:13,840
Au lieu d’utiliser des images en fluorescence
pour détecter et compter les noyaux,

4
00:00:13,840 --> 00:00:18,200
cette technologie compte les noyaux
au moyen d’images en transmission simple et

5
00:00:18,200 --> 00:00:23,920
sans colorant, ce qui élimine la phototoxicité
causée par l’excitation de fluorescence.

6
00:00:23,920 --> 00:00:27,360
L’apprentissage profond utilise un réseau neuronal
entraîné par un opérateur qui entre

7
00:00:27,360 --> 00:00:30,880
dans le système des images sur lesquelles
les noyaux sont déjà identifiés.

8
00:00:30,880 --> 00:00:36,400
Une fois cet entraînement terminé, le système pourra
reconnaître par lui-même les noyaux.

9
00:00:36,400 --> 00:00:40,400
Dans cette vidéo, vous verrez comment préparer
vos données d’entraînement.

10
00:00:40,400 --> 00:00:43,520
Les autres étapes de la détection de noyaux non marqués

11
00:00:43,520 --> 00:00:46,000
sont présentées dans la deuxième vidéo.

12
00:00:46,000 --> 00:00:50,360
Pour commencer, cliquez sur
l’onglet « Count and Measure » du logiciel cellSens.

13
00:00:50,360 --> 00:00:54,280
Ouvrez une image d’entraînement
stockée dans l’installateur de cellSens.

14
00:00:54,280 --> 00:00:59,560
Pour y accéder, allez dans cellSens > Example Images >

15
00:00:59,560 --> 00:01:05,960
Deep Learning > Training Images.
Ouvrez la première image.

16
00:01:05,960 --> 00:01:10,400
Les noyaux sur ces images d’entraînement
en fluorescence ont été colorés au DAPI.

17
00:01:10,400 --> 00:01:14,320
Les canaux de fond clair et
de contraste de phase sont illustrés.

18
00:01:14,320 --> 00:01:17,400
Utilisez le canal DAPI pour créer
les données d’entraînement binaire

19
00:01:17,400 --> 00:01:20,440
dans le module « Count and Measure » du logiciel.

20
00:01:20,440 --> 00:01:25,120
Puisque vous devez suivre ces étapes pour plusieurs images,
enregistrez le tout en tant que macro.

21
00:01:25,120 --> 00:01:33,720
Pour ce faire, ouvrez la fenêtre de
l’outil « Macro Manager » dans la barre de menus.

22
00:01:33,720 --> 00:01:47,040
Cliquez sur « Create Macro » et nommez la macro
pour créer l’étiquette d’entraînement.

23
00:01:47,040 --> 00:01:51,480
Sélectionnez ensuite le canal DAPI
dans la fenêtre « Dimension Selector ».

24
00:01:51,480 --> 00:01:55,720
Sélectionnez « Automatic Threshold » pour
appliquer automatiquement un seuil d’intensité

25
00:01:55,720 --> 00:02:01,400
au canal DAPI pour détecter les noyaux.

26
00:02:01,400 --> 00:02:06,000
Cliquez ensuite sur le canal DAPI.

27
00:02:06,000 --> 00:02:09,200
Double-cliquez sur le nom de la phase pour le modifier.

28
00:02:09,200 --> 00:02:14,200
Plus tard, nous utiliserons ce nom
comme nom de l’étiquette d’entraînement.

29
00:02:14,200 --> 00:02:17,200
Sélectionnez la couleur dans le menu déroulant.

30
00:02:17,200 --> 00:02:21,160
Utilisez une couleur différente de celle
du canal DAPI et des autres phases.

31
00:02:21,160 --> 00:02:23,240
Nous avons choisi le rouge ici.

32
00:02:23,240 --> 00:02:26,360
Cliquez ensuite sur « Count and Measure ».

33
00:02:26,360 --> 00:02:29,200
Les noyaux ont été détectés et identifiés en rouge.

34
00:02:29,200 --> 00:02:31,800
Si 2 noyaux sont situés à proximité l’un de l’autre,

35
00:02:31,800 --> 00:02:35,600
ils sont parfois détectés comme un seul noyau.

36
00:02:35,600 --> 00:02:40,920
Dans ce cas, vous pouvez indiquer au système
de les séparer automatiquement en deux objets.

37
00:02:40,920 --> 00:02:43,200
Cliquez sur « Select All Detected Objects »,

38
00:02:43,200 --> 00:02:47,640
puis sur « Auto Split Selected Objects ».

39
00:03:02,600 --> 00:03:05,320
Vérifiez que les objets ont été divisés correctement,

40
00:03:05,320 --> 00:03:08,440
puis arrêtez l’enregistrement de la macro.

41
00:03:19,720 --> 00:03:24,440
Maintenant, appliquons la macro
enregistrée à plusieurs images.

42
00:03:24,440 --> 00:03:28,240
Fermez l’image que vous avez ouverte.

43
00:03:28,240 --> 00:03:36,520
Activez le mode « Toggle Batch Mode »,
puis cliquez sur « Run Macro Batch ».

44
00:03:36,520 --> 00:03:41,280
Nous allons utiliser les images du guide
de l’installateur pour cet exemple.

45
00:03:41,280 --> 00:03:45,360
Pour définir ces images d’entrée,
sélectionnez « Documents in file system »,

46
00:03:45,360 --> 00:03:56,240
et sélectionnez les 10 images d’entraînement.

47
00:03:56,240 --> 00:03:58,560
Cliquez ensuite sur « Next ».

48
00:03:58,560 --> 00:04:02,400
Choisissez l’endroit où vous
souhaitez enregistrer les fichiers.

49
00:04:12,320 --> 00:04:16,560
Ici, nous renommons le lot et l’appelons « Training Label ».

50
00:04:31,720 --> 00:04:37,240
Les données d’entraînement doivent être au format .vsi.

51
00:04:37,400 --> 00:04:40,600
Nous recommandons normalement
de sélectionner « Close documents »

52
00:04:40,600 --> 00:04:44,880
au cas où la macro pour lots serait
appliquée à un grand nombre d’images.

53
00:04:44,880 --> 00:04:50,360
Puisque nous n’utilisons que 10 images dans
cet exemple, nous laissons l’option décochée.

54
00:04:50,360 --> 00:04:58,520
Exécutez la macro pour lots afin de créer
des étiquettes d’entraînement pour les 10 images.

55
00:04:58,520 --> 00:05:02,360
Vérifiez que le processus a fonctionné
pour l’ensemble des 10 images

56
00:05:02,360 --> 00:05:09,480
et que les données ont été enregistrées au format .vsi.

57
00:05:09,480 --> 00:05:15,040
Il est bon de vérifier rapidement la qualité
de l’identification et de la division des noyaux.

58
00:05:15,040 --> 00:05:21,640
Si un objet n’est pas correctement
divisé, divisez-le manuellement.

59
00:05:29,120 --> 00:05:33,160
N’oubliez pas d’enregistrer
l’image si vous la modifiez.

60
00:05:33,160 --> 00:05:35,960
Vos données d’entraînement sont maintenant prêtes.

61
00:05:35,960 --> 00:05:41,720
Visionnez la 2e partie de cette série de vidéos,
où vous verrez comment utiliser cet ensemble de données.

62
00:05:41,720 --> 00:05:45,600
Pour obtenir de plus amples renseignements
sur la technologie d’apprentissage profond d’Olympus,

63
00:05:45,600 --> 00:05:49,880
visitez le site
olympus-lifescience.com.