1
00:00:02,02 --> 00:00:06,18
Neste segundo vídeo da nossa série sobre tecnologia
de aprendizado profundo em duas partes,

2
00:00:06,18 --> 00:00:10,04
mostramos como usar os dados de treinamento
que criamos na parte 1

3
00:00:10,04 --> 00:00:14,18
para configurar seu software para detecção
de núcleo sem etiqueta.

4	
00:00:14,18 --> 00:00:17,16
Para começar, vá para a guia de
layout Deep Learning

5
00:00:17,16 --> 00:00:21,03
e clique em ‘New Training’ na janela da ferramenta
de aprendizado profundo.

6
00:00:21,03 --> 00:00:24,03
Altere o nome do seu novo treinamento e
selecione o conjunto de dados que

7
00:00:24,03 --> 00:00:28,01
você criou enquanto assistia ao primeiro vídeo.

8
00:00:42,18 --> 00:00:47,20
Clique em OK na caixa de diálogo e
aguarde alguns segundos.

9
00:00:55,09 --> 00:00:57,22
Depois, selecione o canal de entrada.

10	
00:00:57,22 --> 00:01:02,23
Para detecção de núcleo sem rótulo, você deve
selecionar o canal de luz transmitida.

11
00:01:02,23 --> 00:01:05,14
No entanto, como vamos usar
os dados de treinamento

12
00:01:05,14 --> 00:01:08,09
para detectar núcleos de imagens
de contraste de fase,

13	
00:01:08,09 --> 00:01:12,06
selecione PH em vez de luz transmitida.

14	
00:01:12,06 --> 00:01:18,05
A classe de rótulo de treinamento é apenas núcleos,
e nós definimos isso no vídeo anterior.

15
00:01:18,05 --> 00:01:21,15
Agora podemos selecionar a
configuração do treinamento.

16	
00:01:21,15 --> 00:01:25,04
Em muitos casos, a rede padrão está OK.

17
00:01:25,04 --> 00:01:27,22	
Também podemos selecionar a
duração do treinamento;

18	
00:01:27,22 --> 00:01:30,02	
Se selecionarmos “Iteration limit”,

19	
00:01:30,02 --> 00:01:35,06
o processo de treinamento para automaticamente
quando o número necessário de iterações é alcançado.

20
00:01:35,06 --> 00:01:39,11
Se necessário, podemos aumentá-la mais tarde.

21
00:01:39,11 --> 00:01:44,20
Normalmente, a fase de treinamento de aprendizado profundo
requer um processador de computador poderoso.

22
00:01:44,20 --> 00:01:50,19
Usamos um NVIDIA Quadro P2200,
e o processo demorou cerca de 50 minutos.

23
00:01:50,19 --> 00:01:53,11
Existem várias maneiras de verificar a precisão.

24
00:01:53,11 --> 00:01:56,09
A semelhança entre a camada de
treinamento e as camadas

25
00:01:56,09 --> 00:02:02,00
onde a rede neural identificou os núcleos,
chamadas de camadas inferidas, é mostrada por padrão.

26
00:02:02,00 --> 00:02:05,12
O valor mínimo é zero e o máximo é 1.

27
00:02:05,12 --> 00:02:09,17
Observe que a semelhança aumenta
durante o processo de treinamento.

28
00:02:16,15 --> 00:02:20,22
Quando cada iteração termina, um
ponto de verificação é criado.

29
00:02:20,22 --> 00:02:25,20
Você pode verificar a qualidade da rede neural
validando os dados em cada ponto de verificação.

30
00:02:25,20 --> 00:02:29,06
Os dados de validação são selecionados no
conjunto de dados de treinamento.

31
00:02:29,06 --> 00:02:35,01
As áreas vermelhas são os núcleos inferidos do
canal de contraste de fase dos dados de validação.

32	
00:02:35,01 --> 00:02:39,16
O círculo vermelho é a etiqueta de treinamento
que mostra a área correta dos núcleos.

33
00:02:39,16 --> 00:02:49,08
Você pode salvar a rede neural em um ponto de verificação
e finalizar o treinamento, mas vamos continuar.

34
00:02:49,08 --> 00:02:56,11
Neste exemplo, o processo de treinamento é concluído
após a criação de cinco pontos de verificação.

35
00:02:56,11 --> 00:03:01,15
Agora que o treinamento está completo,
podemos ver que a detecção é precisa.

36
00:03:01,15 --> 00:03:13,19
Salve a rede neural no ponto de verificação cinco
para que possamos usá-lo para outras imagens.

37
00:03:13,19 --> 00:03:16,06
O treinamento da rede neural está completo.

38
00:03:16,06 --> 00:03:21,03
Vá para a guia de layout “Count and Measure”
para aplicar a rede neural a outras imagens.

39
00:03:21,03 --> 00:03:26,05
As imagens que vamos usar neste exemplo
estão disponíveis no guia do instalador.

40
00:03:26,05 --> 00:03:30,07
Abra uma das imagens.

41
00:03:30,07 --> 00:03:41,07
Aplique a rede neural ao canal de contraste de fase
inferir núcleos e contá-los.

42
00:03:41,07 --> 00:03:50,08
No menu “Automatic Threshold”,
selecione “Neural Network Segmentation”

43
00:03:50,08 --> 00:03:56,15
Selecione o canal PH desde a rede neural
foi treinado usando o canal de contraste de fase.

44
00:03:56,15 --> 00:04:00,05
A detection threshold will be applied to the nuclei.

45
00:04:00,05 --> 00:04:04,02
Defina o limite para que dois núcleos
próximos sejam devidamente divididos

46
00:04:04,02 --> 00:04:07,19
e para que todos os núcleos sejam
devidamente detectados.

47
00:04:07,19 --> 00:04:10,14
Em seguida, clique no botão “Count and Measure”.

48
00:04:10,14 --> 00:04:14,10
O número de núcleos pode ser
contado na imagem PH.

49
00:04:14,10 --> 00:04:18,07
Além de ser capaz de identificar
núcleos sem coloração,

50
00:04:18,07 --> 00:04:21,10
a tecnologia de aprendizado profundo ajuda
a manter suas células mais saudáveis

51	
00:04:21,10 --> 00:04:26,02
eliminando a fototoxicidade causada
por excitação de fluorescência.

52
00:04:26,02 --> 00:04:27,14
Obrigado por assistir!

53
00:04:27,14 --> 00:04:32,06
Se você quiser mais informações sobre o software cellSens
da tecnologia de aprendizagem profunda,

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