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.
FAQPreguntas 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. |
