1 00:00:01,480 --> 00:00:05,840 In dieser zweiteiligen Video-Reihe wird die Verwendung der Deep Learning-Technologie der 2 00:00:05,840 --> 00:00:10,000 cellSens Software zur Erkennung von Zellkernen ohne Anfärbung gezeigt. 3 00:00:10,000 --> 00:00:13,840 Anstelle von Fluoreszenzbildern werden bei der 4 00:00:13,840 --> 00:00:18,360 Deep Learning-Technologie einfache Durchlichtbilder, 5 00:00:18,360 --> 00:00:21,000 ohne Färbung zur Erkennung und Zählung von Zellkernen verwendet, 6 00:00:21,000 --> 00:00:23,920 sodass keine Fototoxizität infolge einer Fluoreszenzanregung auftritt. 7 00:00:23,920 --> 00:00:27,520 Deep Learning beruht auf einem neuralen Netz, das vom Anwender 8 00:00:27,520 --> 00:00:30,880 durch die Eingabe von Bildmaterial mit bereits erkannten Zellkernen trainiert wird. 9 00:00:30,880 --> 00:00:36,400 Nach Abschluss des Trainings kann das System Zellkerne selbständig erkennen. 10 00:00:36,400 --> 00:00:40,400 In diesem Video wird die Vorbereitung von Trainingsdaten gezeigt. 11 00:00:40,400 --> 00:00:43,520 Die restlichen Schritte der Zellkern-Erkennung ohne Färbung 12 00:00:43,520 --> 00:00:46,160 werden im zweiten Video erklärt. 13 00:00:46,160 --> 00:00:50,360 Öffnen Sie zunächst in der cellSens Software die Registerkarte „Count and Measure“. 14 00:00:50,360 --> 00:00:54,280 Öffnen Sie dann ein Trainingsbild aus dem cellSens Installer. 15 00:00:54,280 --> 00:00:59,560 Wählen Sie dazu cellSens > Example Images > 16 00:00:59,560 --> 00:01:05,960 Deep Learning > Training Images. Öffnen Sie das erste Bild. 17 00:01:05,960 --> 00:01:10,400 Die Zellkerne in diesen Fluoreszenztrainingsbildern wurden mit DAPI gefärbt. 18 00:01:10,400 --> 00:01:14,320 Die Hellfeld- und Phasenkontrast-Kanäle sind angezeigt. 19 00:01:14,320 --> 00:01:17,400 Verwenden Sie den DAPI-Kanal zur Erstellung von binären Trainingsdaten 20 00:01:17,400 --> 00:01:20,440 im „Count and Measure“-Modul der Software. 21 00:01:20,440 --> 00:01:25,120 Da dies für mehrere Bilder durchgeführt werden muss, speichern Sie den Vorgang als Makrobefehl. 22 00:01:25,120 --> 00:01:33,880 Öffnen Sie hierfür das Fenster mit dem Macro Manager-Tool in der Menüleiste. 23 00:01:33,880 --> 00:01:47,040 Klicken Sie auf „Create Macro“ und benennen Sie das Makro für das Trainingslabel. 24 00:01:47,040 --> 00:01:51,480 Wählen Sie dann den DAPI-Kanal aus dem Dimension Selector. 25 00:01:51,480 --> 00:01:55,720 Wählen Sie „Automatic Threshold“ zur automatischen Anwendung eines Intensitätsschwellenwerts 26 00:01:55,720 --> 00:02:01,400 auf den DAPI-Kanal zur Erkennung von Zellkernen. 27 00:02:01,400 --> 00:02:06,000 Klicken Sie dann auf den DAPI-Kanal. 28 00:02:06,000 --> 00:02:09,200 Doppelklicken Sie auf den Phasennamen, um ihn zu bearbeiten. 29 00:02:09,200 --> 00:02:14,200 Wir werden ihn später als Namen für das Trainingslabel verwenden. 30 00:02:14,200 --> 00:02:17,200 Wählen Sie die Farbe aus der Dropdown-Liste aus. 31 00:02:17,200 --> 00:02:21,160 Verwenden Sie eine andere Farbe aus dem DAPI-Kanal und anderen Phasen. 32 00:02:21,160 --> 00:02:23,240 Wie haben rot ausgewählt. 33 00:02:23,240 --> 00:02:26,360 Klicken Sie dann auf „Count and Measure“. 34 00:02:26,360 --> 00:02:29,200 Die erkannten Zellkerne sind rot dargestellt. 35 00:02:29,200 --> 00:02:31,800 Befinden sich zwei Kerne nahe beieinander, 36 00:02:31,800 --> 00:02:35,600 werden sie manchmal als ein einziger Kern erkannt. 37 00:02:35,600 --> 00:02:40,920 In diesem Fall kann das System so trainiert werden, dass es diese zwei Objekte automatisch splittet. 38 00:02:40,920 --> 00:02:43,200 Klicken Sie auf „Select All Detected Objects“ 39 00:02:43,200 --> 00:02:47,640 und dann auf „Auto Split Selected Objects“. 40 00:03:02,600 --> 00:03:05,320 Bestätigen Sie, dass die Objekte korrekt gesplittet wurden, 41 00:03:05,320 --> 00:03:08,440 und halten Sie dann die Makro-Aufzeichnung an. 42 00:03:19,720 --> 00:03:24,440 Nun wenden wir das aufgenommene Makro auf mehrere Bilder an. 43 00:03:24,440 --> 00:03:28,400 Schließen Sie das geöffnete Bild. 44 00:03:28,400 --> 00:03:36,520 Aktivieren Sie den Toggle Batch-Modus und klicken Sie auf „Run Macro Batch“. 45 00:03:36,520 --> 00:03:41,440 Wir verwenden Bilder aus dem Installer Guide in diesem Beispiel. 46 00:03:41,440 --> 00:03:45,360 Um diese Eingabebilder zu definieren, wählen Sie Dokumente aus dem Dateisystem 47 00:03:45,360 --> 00:03:56,240 und die 10 Trainingsbilder. 48 00:03:56,240 --> 00:03:58,560 Klicken Sie dann auf „Next“. 49 00:03:58,560 --> 00:04:02,400 Wählen Sie den Speicherort für die Dateien. 50 00:04:12,320 --> 00:04:16,560 Hier nehmen wir eine Umbenennung des Chargentrainingslabels vor. 51 00:04:31,720 --> 00:04:37,400 Die Trainingsdaten müssen im .vsi-Format vorliegen. 52 00:04:37,400 --> 00:04:40,760 Normalerweise empfehlen wir die Auswahl geschlossener Dokumente, 53 00:04:40,760 --> 00:04:44,880 falls das Chargenmakro auf eine große Zahl von Bildern angewendet werden soll. 54 00:04:44,880 --> 00:04:50,520 Da wir nur 10 Bilder in diesem Beispiel verwenden, wählen wir es nicht aus. 55 00:04:50,520 --> 00:04:58,520 „Run Macro Batch“ wird durchgeführt, um Trainingslabels für die 10 Bilder zu erstellen. 56 00:04:58,520 --> 00:05:02,360 Überprüfen Sie, ob der Vorgang bei allen 10 Bildern erfolgreich war 57 00:05:02,360 --> 00:05:09,480 und ob die Daten im .vsi-Format gespeichert wurden. 58 00:05:09,480 --> 00:05:15,040 Es empfiehlt sich, die Korrektheit der Erkennung und des Splittings der Zellkerne rasch zu überprüfen. 59 00:05:15,040 --> 00:05:21,640 Wurde ein Objekt nicht korrekt gesplittet, korrigieren Sie dies von Hand. 60 00:05:29,120 --> 00:05:33,160 Falls das Bild bearbeitet wurde, speichern Sie es erneut. 61 00:05:33,160 --> 00:05:35,960 Die Trainingsdaten sind nun fertig. 62 00:05:35,960 --> 00:05:41,720 Schauen Sie sich Teil 2 dieser Video-Reihe über die Verwendung dieses Datensatzes an. 63 00:05:41,720 --> 00:05:45,600 Weitere Informationen zu der Deep Learning-Technologie 64 00:05:45,600 --> 00:05:49,880 finden Sie auf olympus-lifescience.com.