1
00:00:02,02 --> 00:00:06,18
En esta segunda parte de la serie de videos sobre la tecnología de aprendizaje profundo (Deep Learning),

2
00:00:06,18 --> 00:00:10,04
se mostrará cómo usar los datos de formación que se crearon en la primera parte

3
00:00:10,04 --> 00:00:14,18
para configurar el software a fin de detectar núcleos sin marcado (etiquetado).

4	
00:00:14,18 --> 00:00:17,16
Primero, diríjase a la pestaña Deep Learning

5
00:00:17,16 --> 00:00:21,03
y haga clic en New Training bajo la ventana de la herramienta Deep Learning.

6
00:00:21,03 --> 00:00:24,03
Cambie el nombre de su nueva formación y seleccione el conjunto de datos que ha creado

7
00:00:24,03 --> 00:00:28,01
tras visualizar el primer video.

8
00:00:42,18 --> 00:00:47,20
Haga clic en botón Open del cuadro de diálogo emergente y espere unos segundos.

9
00:00:55,09 --> 00:00:57,22
Después, seleccione el canal de entrada.

10	
00:00:57,22 --> 00:01:02,23
Para la detección de núcleos sin marcado, 
se debe seleccionar el canal de luz transmitida.

11
00:01:02,23 --> 00:01:05,14
Sin embargo, como los datos de formación se usarán

12
00:01:05,14 --> 00:01:08,09
para detectar los núcleos a partir de imágenes de contraste de fase,

13	
00:01:08,09 --> 00:01:12,06
seleccione la opción PH en lugar de aquella de luz transmitida.

14	
00:01:12,06 --> 00:01:18,05
La clase de marcado de formación es solo para núcleos,
y ha sido definida en el primer video.

15
00:01:18,05 --> 00:01:21,15
Ahora, se puede seleccionar la configuración de formación.

16	
00:01:21,15 --> 00:01:25,04
En varios casos, la red estándar es la correcta.

17
00:01:25,04 --> 00:01:27,22	
También, es posible seleccionar la duración de la formación;

18	
00:01:27,22 --> 00:01:30,02	
Si selecciona la opción Iteration limit

19	
00:01:30,02 --> 00:01:35,06
el proceso de formación se detendrá automáticamente
al alcanzar el número requerido de iteración.

20
00:01:35,06 --> 00:01:39,11
De ser necesario, es posible incrementarlo en el transcurso.

21
00:01:39,11 --> 00:01:44,20
Por lo general, la fase de formación del aprendizaje profundo
requiere un potente procesador de PC.

22
00:01:44,20 --> 00:01:50,19
Se usa una tarjeta gráfica NVIDIA Quadro P2200,
y el proceso requiere 50 minutos aproximadamente.

23
00:01:50,19 --> 00:01:53,11
Hay varias formas de verificar la fiabilidad.

24
00:01:53,11 --> 00:01:56,09
La similitud entre la capa de formación y

25
00:01:56,09 --> 00:02:02,00
las capas donde la red neuronal identificó los núcleos 
se muestra por defecto.

26
00:02:02,00 --> 00:02:05,12
El valor mínimo es 0 y el máximo 1.

27
00:02:05,12 --> 00:02:09,17
Note que la similitud incrementa durante el proceso de formación.

28
00:02:16,15 --> 00:02:20,22
Al finalizar un ciclo, se crea un control.

29
00:02:20,22 --> 00:02:25,20
Es posible asegurarse de la calidad de la red neuronal
al validar los datos de cada control.

30
00:02:25,20 --> 00:02:29,06
Los datos de validación son seleccionados a partir del conjunto de datos de formación.

31
00:02:29,06 --> 00:02:35,01
Las áreas rojas son núcleos inferidos
a partir del canal de contraste de fase de los datos de validación.

32	
00:02:35,01 --> 00:02:39,16
El círculo rojo es un marcado de formación, que muestra el área correcta de núcleos.

33
00:02:39,16 --> 00:02:49,08
Es posible guardar la red neuronal en un punto de control (Checkpoint)
y terminar la formación aquí; pero, en este caso se proseguirá.

34
00:02:49,08 --> 00:02:56,11
En este ejemplo, el proceso de formación ha acabado
después de que se hayan creado cinco controles.

35
00:02:56,11 --> 00:03:01,15
Con la formación completada,
se aprecia la fiabilidad de la detección.

36
00:03:01,15 --> 00:03:13,19
Guarde la red neuronal en el quinto control
para usarla en otras imágenes.

37
00:03:13,19 --> 00:03:16,06
La formación de la red neuronal ha finalizado.

38
00:03:16,06 --> 00:03:21,03
Diríjase a la pestaña Count and Measure
para aplicar la red neuronal a otras imágenes.

39
00:03:21,03 --> 00:03:26,05
Las imágenes que se utilizarán en este ejemplo
están disponibles en la guía del instalador.

40
00:03:26,05 --> 00:03:30,07
Abra una de estas imágenes.

41
00:03:30,07 --> 00:03:41,07
Aplique la red neuronal en el canal de contraste de fase 
para inferir los núcleos y contarlos.

42
00:03:41,07 --> 00:03:50,08
En el menú Automatic Threshold, 
seleccione la opción Neural Network Segmentation.

43
00:03:50,08 --> 00:03:56,15
Seleccione el canal PH dado que la red neuronal
ha sido formada a partir del canal de contraste de fase.

44
00:03:56,15 --> 00:04:00,05
Se aplicará un umbral de detección a los núcleos.

45
00:04:00,05 --> 00:04:04,02
Determine el umbral para que los dos núcleos cercanos se separen adecuadamente

46
00:04:04,02 --> 00:04:07,19
y todos puedan ser detectados de forma correcta.

47
00:04:07,19 --> 00:04:10,14
Después, haga clic en el botón Count and Measure.

48
00:04:10,14 --> 00:04:14,10
La cantidad de núcleos puede ser contada en la imagen PH.

49
00:04:14,10 --> 00:04:18,07
Además de poder identificar núcleos sin tinción,

50
00:04:18,07 --> 00:04:21,10
la tecnología de aprendizaje profundo ayuda a mantener la salud de sus células

51	
00:04:21,10 --> 00:04:26,02
gracias a la eliminación de la fototoxicidad
causada por la excitación de la fluorescencia.

52
00:04:26,02 --> 00:04:27,14
Gracias por su atención.

53
00:04:27,14 --> 00:04:32,06
Si desea obtener más información sobre la tecnología de aprendizaje profundo (Deep Learning) 
del software cellSens de Olympus,

54
00:04:32,06 --> 00:04:35,21
visite www.olympus-lifescience.com.