1
00:00:01,480 --> 00:00:03,480
In questa serie composta da due video, mostreremo come

2
00:00:03,480 --> 00:00:05,840
utilizzare la tecnologia deep learning
(apprendimento profondo)

3
00:00:05,840 --> 00:00:10,000
del software cellSens per il
rilevamento label-free di nuclei.

4
00:00:10,000 --> 00:00:14,000
Piuttosto che usare immagini in fluorescenza
per rilevare e contare i nuclei,

5
00:00:14,000 --> 00:00:18,200
la tecnologia deep learning permette di contare
i nuclei usando delle semplici immagini trasmesse

6
00:00:18,200 --> 00:00:24,080
senza colorazione, eliminando la fototossicità
causata dall'eccitazione della fluorescenza.

7
00:00:24,080 --> 00:00:27,360
La tecnologia deep learning utilizza una rete neurale
che è preparata da un operatore

8
00:00:27,360 --> 00:00:31,040
che inserisce immagini
con i nuclei già identificati.

9
00:00:31,040 --> 00:00:36,400
Quando questo training è completato, il sistema sarà
in grado di riconoscere i nuclei autonomamente.

10
00:00:36,400 --> 00:00:40,400
In questo video vi mostreremo come preparare
i vostri training data (dati del training).

11
00:00:40,400 --> 00:00:43,520
Le rimanenti fasi di rilevamento
dei nuclei label-free

12
00:00:43,520 --> 00:00:46,160
sono trattate in questo secondo video.

13
00:00:46,160 --> 00:00:50,360
Per iniziare, passare alla scheda Count and Measure
(Conteggio e misura) del software cellSens.

14
00:00:50,360 --> 00:00:54,280
Aprire un training image posizionata
nell'installer cellSens.

15
00:00:54,280 --> 00:00:59,560
Per accedervi, seguire il percorso
cellSens > example images >

16
00:00:59,560 --> 00:01:06,120
deep learning > training images (immagini del training).
Aprire la prima immagine.

17
00:01:06,120 --> 00:01:10,400
Questi nuclei di training image in fluorescenza sono stati
colorati con DAPI.

18
00:01:10,400 --> 00:01:14,320
Sono visualizzati i canali in
contrasto di fase e campo chiaro.

19
00:01:14,320 --> 00:01:17,400
Usare il canale DAPI per
creare i data training binari

20
00:01:17,400 --> 00:01:20,600
nel modulo Count and Measure
del software.

21
00:01:20,600 --> 00:01:25,120
Visto che dobbiamo ripetere questa
operazione per diverse immagini, registrarla come macro.

22
00:01:25,120 --> 00:01:33,720
Per questo è necessario aprire la schermata degli strumenti
Macro Manager (Gestione macro) nella barra di menu.

23
00:01:33,720 --> 00:01:47,040
Cliccare su Create Macro (Creare macro)
e attribuirle un nome per creare la training label.

24
00:01:47,040 --> 00:01:51,640
In seguito selezionare il canale DAPI
da Dimension Selector (Selettore delle dimensioni)

25
00:01:51,640 --> 00:01:55,720
Selezionare Automatic Threshold (Soglia automatica)
per applicare automaticamente una soglia dell'intensità

26
00:01:55,720 --> 00:02:01,400
nel canale DAPI per rilevare i nuclei.

27
00:02:01,400 --> 00:02:06,000
In seguito cliccare sul canale DAPI.

28
00:02:06,000 --> 00:02:09,200
Cliccare due volte sul nome
della fase per modificarla.

29
00:02:09,200 --> 00:02:14,200
In seguito, useremo questo
nome per la training label.

30
00:02:14,200 --> 00:02:17,200
Selezionare il colore dal menu a tendina.

31
00:02:17,200 --> 00:02:21,160
Usare un diverso colore
dal canale DAPI e altre fasi.

32
00:02:21,160 --> 00:02:23,240
Abbiamo scelto il colore rosso.

33
00:02:23,240 --> 00:02:26,360
In seguito cliccare su Count and Measure.

34
00:02:26,360 --> 00:02:29,200
I nuclei sono stati rilevati con il colore rosso.

35
00:02:29,200 --> 00:02:31,800
Se due nuclei sono posizionati vicini,

36
00:02:31,800 --> 00:02:35,760
alcune volte saranno rilevati come nuclei singoli.

37
00:02:35,760 --> 00:02:38,040
Quando si verifica questa situazione,
è possibile configurare il

38
00:02:38,040 --> 00:02:40,920
sistema in modo che gli separi
automaticamente in due oggetti.

39
00:02:40,920 --> 00:02:43,360
Cliccare su Select all detected objects
(Seleziona tutti gli oggetti rilevati)

40
00:02:43,360 --> 00:02:47,640
e in seguito cliccare su Auto split selected objects
(Separa automaticamente gli oggetti selezionati).

41
00:03:02,600 --> 00:03:05,320
Confermare che gli oggetti
siano separati correttamente

42
00:03:05,320 --> 00:03:08,440
e in seguito arrestare la registrazione della macro.

43
00:03:19,720 --> 00:03:24,440
Adesso applichiamo la macro che
abbiamo registrato a diverse immagini.

44
00:03:24,440 --> 00:03:28,240
Chiudere l'immagine che è stata aperta.

45
00:03:28,240 --> 00:03:36,520
Attivare Toggle batch mode (Modalità attiva/disattiva batch)
e in seguito cliccare su Run macro (Esegui macro).

46
00:03:36,520 --> 00:03:41,440
Per questo esempio
useremo le immagini nella guida dell'installer.

47
00:03:41,440 --> 00:03:45,360
Per definire queste immagini di input, selezionare Documents
infile systems (Documenti nei sistemi di file)

48
00:03:45,360 --> 00:03:56,240
e selezionare le 10 training image.

49
00:03:56,240 --> 00:03:58,560
Cliccare su Next (avanti).

50
00:03:58,560 --> 00:04:02,400
Scegliere la posizione dove
si vogliono salvare i file.

51
00:04:12,320 --> 00:04:16,560
A questo punto attribuiremo
al batch il nome Training label.

52
00:04:31,720 --> 00:04:37,400
I training data devono essere in formato .vsi.

53
00:04:37,400 --> 00:04:40,600
In genere, si consiglia di selezionare
Close documents (Chiudi documenti)

54
00:04:40,600 --> 00:04:45,040
nel caso in cui la macro batch
sia applicata a numerose immagini.

55
00:04:45,040 --> 00:04:50,360
Visto che in questo esempio usiamo solamente
10 immagini, lasceremo questa opzione deselezionata.

56
00:04:50,360 --> 00:04:58,520
Eseguire la macro batch per creare
le training label per le 10 immagini.

57
00:04:58,520 --> 00:05:02,360
Verificare che il processo
sia riuscito per tutte e 10 le immagini

58
00:05:02,360 --> 00:05:09,640
e che i dati siano stati
salvati in formato .vsi.

59
00:05:09,640 --> 00:05:15,040
È consigliabile di verificare velocemente la
qualitàdell'identificazione e della separazione dei nuclei.

60
00:05:15,040 --> 00:05:21,640
Se un oggetto non è separato correttamente,
effettuare questa operazione correttamente.

61
00:05:29,120 --> 00:05:33,160
Nel caso sia modificata un'immagine,
non dimenticare di salvarla.

62
00:05:33,160 --> 00:05:35,960
I training data sono adesso pronti.

63
00:05:35,960 --> 00:05:41,720
Guardate il secondo video di questa serie dove
viene indicato come usare questo dataset.

64
00:05:41,720 --> 00:05:45,600
Se si desiderano maggior informazioni
sulla tecnologia deep learning Olympus,

65
00:05:45,600 --> 00:05:49,880
visitare il sito
olympus-lifescience.com.