Life Science Solutions

Pregunte a los expertos

Aprendizaje profundo: Puertas abiertas a nuevas aplicaciones

Aprendizaje profundo: Puertas abiertas a nuevas aplicaciones

A través de este seminario web, Manoel y Kathy examinan cómo dar rienda suelta al poder del aprendizaje profundo para cubrir tareas analíticas de imágenes desafiantes; por ejemplo, detectar células robustas en imágenes complejas de campo claro, o ejecutar tareas de clasificación celular caracterizadas por ser difíciles para el ojo humano.

Presentador:

Manoel Veiga, Especialista de aplicaciones - Investigación en Ciencias de la Vida
Kathy Lindsley, Especialista de aplicaciones - Ciencias de la Vida

FAQ

Preguntas frecuentes sobre el seminario web | Aprendizaje profundo

¿Es posible medir de forma cuantitativa la intensidad después de aplicar los algoritmos de aprendizaje profundo?

El aprendizaje profundo prevé la posición de la señal fluorescente; pero, no la intensidad. Sin embargo, es posible llevar a cabo la segmentación por aprendizaje profundo y, después, usar el segundo canal para el análisis de intensidad cuantitativo (p. ej., con fluorescencia).

Por ejemplo, si no opta por el marcado y desea medir una expresión de proteína e irradiar su espécimen con muy baja potencia, en ese caso, puede llevar a cabo la segmentación en la imagen de campo claro; y, después, medir la fluorescencia en el canal secundario.  Por otra parte, si la intensidad es baja, pero presenta un fondo constante, puede efectuar un análisis cuantitativo incluso si la señal es sólo una par de cuentas superior al ruido de la cámara.

¿Es posible aplicar el aprendizaje profundo a portaobjetos histológicos teñidos (p. ej., con hematoxilina-eosina)?

Sí. El software cellSens™ posee una estructura de red neuronal especial para imágenes RGB. Esta red RGB tiene un procedimiento de aumento que modifica ligeramente las contribuciones de los distintos colores, lo que garantiza que la red neuronal sea robusta a las variaciones ligeras del RGB y del equilibrio cromático.

¿Cuántas imágenes necesita la función de aprendizaje profundo para la formación?

El parámetro fundamental vendría a ser la cantidad de objetos definidos y no el número de imágenes. En algunos casos, entre 20 y 30 objetos podrían funcionar; pero, la red neuronal formada servirá tan sólo para analizar imágenes con un contraste similar. Sin embargo, si se quiere ir más allá del método sin marcado y analizar objetos bajo condiciones difíciles, por lo general se requerirán miles de anotaciones. Este alto nivel de anotaciones puede lograrse aplicando una verdad de base automatizada, por ejemplo, con la fluorescencia

¿Los algoritmos de aprendizaje profundo de Olympus están basados en U-Net?

Sí, se inspiran de U-Net. No son exactamente iguales; pero, la estructura general se basa en la red neuronal convolucional U-Net.

¿Cuál es la diferen convolucionales cia entre redes neuronales profundas y redes neuronales?

Las redes neuronales poseen una capa de entrada y salida. Una red neuronal profunda tiene al menos una capa intermedia entre las capas de entrada y de salida; por lo general, poseen varias capas intermedias. Una red neuronal convolucional engloba una clase de redes neuronales profundas cuyas capas intermedias conviven entre sí. La convolución es una operación matemática que funciona muy bien en las tareas analíticas resultantes del procesamiento de imágenes. Por esta razón, las redes neuronales convolucionales son usadas para analizar imágenes microscópicas. El aprendizaje profundo también es usado en otros campos fuera del análisis de imágenes. Estas aplicaciones no requieren redes convolucionales y más bien usan otros tipos de redes.


Producto Relacionado

Soluciones para ciencias de la vida

cellSens

  • Plataforma de software para la captura y el análisis de imágenes
  • Intuitiva interfaz del usuario basada en aplicaciones
  • Amplia gama de funciones que van desde la simple toma fotográfica hasta avanzados experimentos multidimensionales en tiempo real

Aprendizaje profundo: Puertas abiertas a nuevas aplicaciones

Loading the player…

Webinar: Deep Learning: Opening Doors to New Applications

A través de este seminario web, Manoel y Kathy examinan cómo dar rienda suelta al poder del aprendizaje profundo para cubrir tareas analíticas de imágenes desafiantes; por ejemplo, detectar células robustas en imágenes complejas de campo claro, o ejecutar tareas de clasificación celular caracterizadas por ser difíciles para el ojo humano.

FAQ

Preguntas frecuentes sobre el seminario web | Aprendizaje profundo

¿Es posible medir de forma cuantitativa la intensidad después de aplicar los algoritmos de aprendizaje profundo?

El aprendizaje profundo prevé la posición de la señal fluorescente; pero, no la intensidad. Sin embargo, es posible llevar a cabo la segmentación por aprendizaje profundo y, después, usar el segundo canal para el análisis de intensidad cuantitativo (p. ej., con fluorescencia).

Por ejemplo, si no opta por el marcado y desea medir una expresión de proteína e irradiar su espécimen con muy baja potencia, en ese caso, puede llevar a cabo la segmentación en la imagen de campo claro; y, después, medir la fluorescencia en el canal secundario.  Por otra parte, si la intensidad es baja, pero presenta un fondo constante, puede efectuar un análisis cuantitativo incluso si la señal es sólo una par de cuentas superior al ruido de la cámara.

¿Es posible aplicar el aprendizaje profundo a portaobjetos histológicos teñidos (p. ej., con hematoxilina-eosina)?

Sí. El software cellSens™ posee una estructura de red neuronal especial para imágenes RGB. Esta red RGB tiene un procedimiento de aumento que modifica ligeramente las contribuciones de los distintos colores, lo que garantiza que la red neuronal sea robusta a las variaciones ligeras del RGB y del equilibrio cromático.

¿Cuántas imágenes necesita la función de aprendizaje profundo para la formación?

El parámetro fundamental vendría a ser la cantidad de objetos definidos y no el número de imágenes. En algunos casos, entre 20 y 30 objetos podrían funcionar; pero, la red neuronal formada servirá tan sólo para analizar imágenes con un contraste similar. Sin embargo, si se quiere ir más allá del método sin marcado y analizar objetos bajo condiciones difíciles, por lo general se requerirán miles de anotaciones. Este alto nivel de anotaciones puede lograrse aplicando una verdad de base automatizada, por ejemplo, con la fluorescencia

¿Los algoritmos de aprendizaje profundo de Olympus están basados en U-Net?

Sí, se inspiran de U-Net. No son exactamente iguales; pero, la estructura general se basa en la red neuronal convolucional U-Net.

¿Cuál es la diferencia entre redes neuronales profundas y redes neuronales convolucionales?

Las redes neuronales poseen una capa de entrada y salida. Una red neuronal profunda tiene al menos una capa intermedia entre las capas de entrada y de salida; por lo general, poseen varias capas intermedias. Una red neuronal convolucional engloba una clase de redes neuronales profundas cuyas capas intermedias conviven entre sí. La convolución es una operación matemática que funciona muy bien en las tareas analíticas resultantes del procesamiento de imágenes. Por esta razón, las redes neuronales convolucionales son usadas para analizar imágenes microscópicas. El aprendizaje profundo también es usado en otros campos fuera del análisis de imágenes. Estas aplicaciones no requieren redes convolucionales y más bien usan otros tipos de redes.


Producto Relacionado

Soluciones para ciencias de la vida

cellSens

  • Plataforma de software para la captura y el análisis de imágenes
  • Intuitiva interfaz del usuario basada en aplicaciones
  • Amplia gama de funciones que van desde la simple toma fotográfica hasta avanzados experimentos multidimensionales en tiempo real
Expertos
Kathy Lindsley
Especialista de aplicaciones - Ciencias de la Vida

Soy Kathy Lindsley, especialista de aplicaciones para Olympus y encargada del soporte destinado a sistemas de procesamiento de imágenes basados en cámaras. Poseo una licenciatura en Ciencias, bajo la concentración de Bioquímica, otorgada por la Universidad Estatal de Iowa. Me incorporé a Olympus en el año 2006 como representante de ventas en el campo de procesamiento de imágenes para la investigación, e hice la transición en el año 2012 al grupo de aplicaciones de ciencias de la vida. Antes de formar parte de Olympus, trabajé 15 años como asistente de investigación para una investigación académica, a partir de la cual gané experiencia sobre la técnica de fijación en parche de membrana (patch clamp), el procesamiento de imágenes de calcio, los cultivos tisulares y la inmunohistoquímica.

Manoel Veiga
Especialista de aplicaciones - Investigación en Ciencias de la Vida

Hola. Me llamo Manoel Veiga y soy parte del equipo Olympus que implementó la tecnología de aprendizaje profundo en software. Llegué a Olympus en el año 2017; he desarrollado experiencia en la tecnología de detección de alto contenido, análisis de imágenes y aprendizaje profundo. También soy experto en el procesamiento durable de imágenes de fluorescencia.

El interés por el análisis de datos despertó en mí durante mi doctorado en química física, el cual desarrollé aún más después de descubrir el poder de las redes neuronales de convolución y las increíbles tareas analíticas de imagen que estas últimas son capaces de tratar.

Aprendizaje profundo: Puertas abiertas a nuevas aplicacionesoct 22 2021
Sorry, this page is not available in your country
Ask the Expert Sign-up

By clicking subscribe you are agreeing to our privacy policy which can be found here.

Sorry, this page is not
available in your country.