Au cours de ce webinaire, Manoel et Kathy expliqueront comment décupler la puissance de la technologie d’apprentissage profond afin de s’attaquer aux tâches d’analyse d’images les plus ardues comme la détection fiable de cellules sur des images à fond clair et les tâches de classification des cellules difficiles pour l’œil humain.
FAQFoire aux questions du webinaire | Apprentissage profondEst-il possible de quantifier l’intensité après avoir appliqué des algorithmes d’apprentissage profond ?Les algorithmes d’apprentissage profond prédisent la position du signal fluorescent, mais pas son intensité. Vous pouvez toutefois réaliser une segmentation à partir de l’apprentissage profond et utiliser ensuite le canal secondaire pour effectuer une analyse quantitative de l’intensité des signaux (c.-à-d. signaux fluorescents). Par exemple, si vous n’utilisez pas de fluorophore et que vous souhaitez mesurer l’expression d’une protéine et irradier votre spécimen avec une puissance très faible, vous pouvez réaliser la segmentation dans l’image en fond clair, puis mesurer la fluorescence d’un rapporteur de type GFP dans le canal secondaire. Si l’intensité est faible, mais que le bruit de fond est constant, vous pouvez réaliser une analyse quantitative, même si le signal ne dépasse le bruit de la caméra que de quelques degrés. Le logiciel d’apprentissage profond peut-il être appliqué aux lames histologiques colorées (par exemple à l’hématoxyline et à l’éosine) ?Oui, le logiciel cellSens™ possède une architecture de réseau neuronal spéciale pour les images RVB. Ce réseau RVB comporte une procédure d’augmentation qui modifie légèrement les contributions des différentes couleurs, ce qui permet au réseau neuronal de parer aux légères variations des couleurs RVB et de l’équilibre des couleurs. De combien d’images un logiciel d’apprentissage profond a-t-il besoin pour l’entraînement ?Le nombre d’objets annotés a plus d’importance que le nombre d’images. Dans certains cas, entre 20 et 30 objets suffisent généralement, mais le réseau neuronal généré ne peut être utilisé que pour analyser des images avec un contraste similaire. Si vous souhaitez aller au-delà pour observer sans marqueurs et analyser des objets dans des conditions difficiles, vous aurez généralement besoin de plusieurs milliers d’annotations. Il est possible d’obtenir un tel nombre d’annotations en appliquant une vérité de terrain automatisée en utilisant, par exemple, la fluorescence. Les algorithmes d’apprentissage profond d’Olympus sont-ils basés sur le réseau U-Net ?Oui, ils sont inspirés du réseau U-Net. Ils ne sont pas tout à fait identiques, mais la structure générale est basée sur le réseau U-Net. Quelle est la différence entre les réseaux neuronaux profonds et les réseaux neuronaux convolutifs ?Les réseaux neuronaux possèdent une couche d’entrée et une couche de sortie. Un réseau neuronal profond possède au moins une couche intermédiaire entre la couche d’entrée et la couche de sortie (généralement, ils possèdent plusieurs couches intermédiaires). Un réseau neuronal convolutif est une catégorie de réseaux neuronaux profonds dans lesquels les couches intermédiaires sont convolutées les unes avec les autres. La convolution est une opération mathématique qui fonctionne très bien pour les tâches d’analyse d’images. C’est la raison pour laquelle les réseaux neuronaux convolutifs sont utilisés pour analyser les images de microscopie. L’apprentissage profond est également utilisé dans d’autres domaines que l’analyse d’images. Ces applications ne nécessitent pas de réseaux convolutifs et utilisent d’autres types de réseaux. |
