1 00:00:02,02 --> 00:00:06,18 Dans cette dernière vidéo d’une série de deux portant sur la technologie d’apprentissage profond, 2 00:00:06,18 --> 00:00:10,04 nous vous montrerons comment utiliser les données d’entraînement créées dans la première vidéo 3 00:00:10,04 --> 00:00:14,18 pour configurer votre logiciel afin qu’il détecte les noyaux non marqués. 4 00:00:14,18 --> 00:00:17,16 D’abord, allez dans l’onglet « Deep Learning » 5 00:00:17,16 --> 00:00:21,03 et cliquez sur le bouton « New Training » dans le volet de gauche. 6 00:00:21,03 --> 00:00:24,03 Nommez le nouvel entraînement et sélectionnez l’ensemble de données 7 00:00:24,03 --> 00:00:28,01 que vous avez créé en regardant la première vidéo. 8 00:00:42,18 --> 00:00:47,20 Cliquez sur « OK » dans la boîte de dialogue et attendez quelques secondes. 9 00:00:55,09 --> 00:00:57,22 Choisissez ensuite le canal d’entrée. 10 00:00:57,22 --> 00:01:02,23 Pour la détection de noyaux non marqués, sélectionnez le canal de lumière transmise. 11 00:01:02,23 --> 00:01:05,14 Comme nous allons utiliser les données d’entraînement 12 00:01:05,14 --> 00:01:08,09 pour détecter les noyaux à partir d’images en contraste de phase, 13 00:01:08,09 --> 00:01:12,06 sélectionnez le canal « PH » au lieu du canal de lumière transmise. 14 00:01:12,06 --> 00:01:18,05 La classe des étiquettes d’entraînement est « Nuclei » uniquement, et nous l’avions définie dans la vidéo précédente. 15 00:01:18,05 --> 00:01:21,15 Nous pouvons maintenant sélectionner la configuration de l’entraînement. 16 00:01:21,15 --> 00:01:25,04 Souvent, le réseau standard fonctionne bien. 17 00:01:25,04 --> 00:01:27,22 Vous pouvez également sélectionner la durée de l’entraînement. 18 00:01:27,22 --> 00:01:30,02 Si nous sélectionnons « Iteration limit », 19 00:01:30,02 --> 00:01:35,06 le processus d’entraînement s’arrête automatiquement une fois le nombre d’itérations requis atteint. 20 00:01:35,06 --> 00:01:39,11 Au besoin, nous pourrons le changer plus tard. 21 00:01:39,11 --> 00:01:44,20 Généralement, la phase d’entraînement de l’apprentissage profond nécessite un processeur informatique puissant. 22 00:01:44,20 --> 00:01:50,19 Nous avons utilisé une carte graphique NVIDIA Quadro P2200, et le processus s’est fait en 50 minutes environ. 23 00:01:50,19 --> 00:01:53,11 Il y a différentes façons de vérifier l’exactitude. 24 00:01:53,11 --> 00:01:56,09 La similarité entre la couche d’entraînement et les couches 25 00:01:56,09 --> 00:02:02,00 où le réseau neuronal a détecté les noyaux, appelées « couches inférées », est affichée par défaut. 26 00:02:02,00 --> 00:02:05,12 La valeur minimale est 0, et la valeur maximale est 1. 27 00:02:05,12 --> 00:02:09,17 Notez que la similarité augmente pendant le processus d’entraînement. 28 00:02:16,15 --> 00:02:20,22 À la fin de chaque itération, un point de contrôle est créé. 29 00:02:20,22 --> 00:02:25,20 Vous pouvez vérifier la qualité du réseau neuronal en validant les données à chaque point de contrôle. 30 00:02:25,20 --> 00:02:29,06 Les données de validation sont sélectionnées dans l’ensemble de données d’entraînement. 31 00:02:29,06 --> 00:02:35,01 Les zones rouges sont les noyaux ayant été inférés à partir du canal de contraste de phase des données de validation. 32 00:02:35,01 --> 00:02:39,16 Le cercle rouge est l’étiquette d’entraînement montrant la bonne superficie de chaque noyau. 33 00:02:39,16 --> 00:02:49,08 Nous pourrions enregistrer le réseau neuronal au point de contrôle et terminer l’entraînement, mais continuons. 34 00:02:49,08 --> 00:02:56,11 Dans cet exemple, le processus d’entraînement se termine après la création de 5 points de contrôle. 35 00:02:56,11 --> 00:03:01,15 Maintenant que l’entraînement est terminé, nous pouvons remarquer l’exactitude de la détection. 36 00:03:01,15 --> 00:03:13,19 Enregistrez le réseau neuronal au 5e point de contrôle pour que nous puissions l’utiliser pour d’autres images. 37 00:03:13,19 --> 00:03:16,06 L’entraînement du réseau neuronal est terminé. 38 00:03:16,06 --> 00:03:21,03 Allez dans l’onglet « Count and Measure » pour appliquer le réseau neuronal à d’autres images. 39 00:03:21,03 --> 00:03:26,05 Les images que nous utiliserons dans cet exemple sont disponibles dans le guide d’installation. 40 00:03:26,05 --> 00:03:30,07 Ouvrez l’une des images. 41 00:03:30,07 --> 00:03:41,07 Appliquez le réseau neuronal au canal de contraste de phase pour inférer les noyaux et les compter. 42 00:03:41,07 --> 00:03:50,08 Dans le menu « Automatic Threshold », sélectionnez « Neural Network Segmentation ». 43 00:03:50,08 --> 00:03:56,15 Sélectionnez le canal « PH » puisque le réseau neuronal a été entraîné au moyen du canal de contraste de phase. 44 00:03:56,15 --> 00:04:00,05 Un seuil de détection sera appliqué aux noyaux. 45 00:04:00,05 --> 00:04:04,02 Définissez le seuil de sorte que deux noyaux rapprochés soient correctement divisés 46 00:04:04,02 --> 00:04:07,19 et que tous les noyaux soient correctement détectés. 47 00:04:07,19 --> 00:04:10,14 Cliquez ensuite sur le bouton « Count and Measure ». 48 00:04:10,14 --> 00:04:14,10 Le nombre de noyaux peut être compté sur l’image PH. 49 00:04:14,10 --> 00:04:18,07 En plus de pouvoir identifier les noyaux sans coloration, 50 00:04:18,07 --> 00:04:21,10 la technologie d’apprentissage profond contribue au maintien de la santé de vos cellules 51 00:04:21,10 --> 00:04:26,02 en éliminant la phototoxicité causée par l’excitation de fluorescence. 52 00:04:26,02 --> 00:04:27,14 Merci d’avoir regardé cette vidéo. 53 00:04:27,14 --> 00:04:32,06 Pour de plus amples renseignements sur la technologie d’apprentissage profond du logiciel cellSens, 54 00:04:32,06 --> 00:04:35,21 visitez le site Web olympus-lifescience.com.