Life Science Solutions

Pergunte a um especialista

Aprendizado profundo: abrindo portas para novos aplicativos

Aprendizado profundo: abrindo portas para novos aplicativos

Neste webinar, Manoel e Kathy mostram como liberar o poder do aprendizado profundo para lidar com tarefas desafiadoras de análise de imagem — por exemplo, detecção de células robustas em imagens desafiadoras em campo claro e tarefas de classificação de células que são difíceis para o olho humano.

Apresentador:

Manoel Veiga, Especialista em aplicativos, Pesquisa de Ciências da Vida
Kathy Lindsley, Especialista em aplicativos, aplicativos de Ciências da Vida

FAQ

Perguntas frequentes do webinar | Aprendizado profundo

É possível realizar medições de intensidade quantitativas após a aplicação dos algoritmos de aprendizado profundo?

Os algoritmos de aprendizado profundo preveem a posição do sinal fluorescente, mas não a intensidade. Contudo, é possível realizar a segmentação com base no aprendizado profundo e, em seguida, usar o canal secundário para realizar uma análise de intensidade quantitativa (por ex., fluorescência).

Por exemplo, se não estiver usando marcação e desejar medir uma expressão de proteína e irradiar o seu espécime com uma potência muito baixa, você poderá realizar a segmentação na imagem de campo claro para, em seguida, medir a fluorescência no canal secundário. Ademais, se a sua intensidade for baixa, mas tiver um fundo constante, será possível realizar uma análise quantitativa, mesmo que o sinal esteja somente algumas contagens acima do ruído da câmera.

O software de aprendizado profundo pode ser aplicado a lâminas de histologia corada (por ex., HE)?

Sim, há uma arquitetura de rede neural especial no software cellSens™ para imagens RGB. Esta rede RGB tem um procedimento de aprimoramento que modifica ligeiramente as contribuições das diferentes cores, garantindo que a rede neural não será afetada pelas pequenas variações do RGB e da proporção de cores.

Quantas imagens o software de aprendizado profundo precisa para o treinamento?

O parâmetro principal é o número de objetos anotados e não o número de imagens. Em alguns casos, bastariam 20 a 30 objetos, porém essa rede neural poderia ser usada somente para analisar imagens com contraste similar. Se desejar ir além para não usar marcação e analisar objetos em condições difíceis, geralmente serão necessárias milhares de anotações. Esse alto nível de anotações pode ser alcançado aplicando uma segmentação de referência automatizada usando fluorescência, por exemplo.

Os algoritmos de aprendizado profundo da Olympus se baseiam na U-Net?

Sim eles foram inspirados pela U-Net. Os algoritmos não são exatamente iguais, mas a estrutura geral é baseada na U-Net.

Qual é a diferença entre redes neurais profundas e redes neurais convolucionais?

As redes neurais possuem uma camada de entrada e uma de saída. Uma rede neural profunda possui pelo menos uma camada intermediária entre as camadas de entrada e de saída (elas geralmente possuem diversas camadas intermediárias). Uma rede neural convolucional é uma categoria de redes neurais profundas em que as camadas intermediárias são convoluídas umas nas outras. A convolução é uma operação matemática que funciona muito bem para tarefas de análise de formação de imagens. Por esse motivo, as redes neurais convolucionais são usadas para analisar imagens de microscopia. Também é possível usar aprendizado profundo em outros campos fora da análise de imagem. Estas aplicações não exigem redes convolucionais e, em vez disso, usam outros tipos de redes.


Produtos Relacionados

Soluções para ciência da vida

cellSens

  • Plataforma de software de formação de imagem modular
  • Interface do usuário orientada para a aplicação intuitiva
  • Vasto conjunto de recursos, variando de um simples instantâneo a experimentos avançados multidimensionais em tempo real

Aprendizado profundo: abrindo portas para novos aplicativos

Loading the player…

Webinar: Deep Learning: Opening Doors to New Applications

Neste webinar, Manoel e Kathy mostram como liberar o poder do aprendizado profundo para lidar com tarefas desafiadoras de análise de imagem — por exemplo, detecção de células robustas em imagens desafiadoras em campo claro e tarefas de classificação de células que são difíceis para o olho humano.

FAQ

Perguntas frequentes do webinar | Aprendizado profundo

É possível realizar medições de intensidade quantitativas após a aplicação dos algoritmos de aprendizado profundo?

Os algoritmos de aprendizado profundo preveem a posição do sinal fluorescente, mas não a intensidade. Contudo, é possível realizar a segmentação com base no aprendizado profundo e, em seguida, usar o canal secundário para realizar uma análise de intensidade quantitativa (por ex., fluorescência).

Por exemplo, se não estiver usando marcação e desejar medir uma expressão de proteína e irradiar o seu espécime com uma potência muito baixa, você poderá realizar a segmentação na imagem de campo claro para, em seguida, medir a fluorescência no canal secundário. Ademais, se a sua intensidade for baixa, mas tiver um fundo constante, será possível realizar uma análise quantitativa, mesmo que o sinal esteja somente algumas contagens acima do ruído da câmera.

O software de aprendizado profundo pode ser aplicado a lâminas de histologia corada (por ex., HE)?

Sim, há uma arquitetura de rede neural especial no software cellSens™ para imagens RGB. Esta rede RGB tem um procedimento de aprimoramento que modifica ligeiramente as contribuições das diferentes cores, garantindo que a rede neural não será afetada pelas pequenas variações do RGB e da proporção de cores.

Quantas imagens o software de aprendizado profundo precisa para o treinamento?

O parâmetro principal é o número de objetos anotados e não o número de imagens. Em alguns casos, bastariam 20 a 30 objetos, porém essa rede neural poderia ser usada somente para analisar imagens com contraste similar. Se desejar ir além para não usar marcação e analisar objetos em condições difíceis, geralmente serão necessárias milhares de anotações. Esse alto nível de anotações pode ser alcançado aplicando uma segmentação de referência automatizada usando fluorescência, por exemplo.

Os algoritmos de aprendizado profundo da Olympus se baseiam na U-Net?

Sim eles foram inspirados pela U-Net. Os algoritmos não são exatamente iguais, mas a estrutura geral é baseada na U-Net.

Qual é a diferença entre redes neurais profundas e redes neurais convolucionais?

As redes neurais possuem uma camada de entrada e uma de saída. Uma rede neural profunda possui pelo menos uma camada intermediária entre as camadas de entrada e de saída (elas geralmente possuem diversas camadas intermediárias). Uma rede neural convolucional é uma categoria de redes neurais profundas em que as camadas intermediárias são convoluídas umas nas outras. A convolução é uma operação matemática que funciona muito bem para tarefas de análise de formação de imagens. Por esse motivo, as redes neurais convolucionais são usadas para analisar imagens de microscopia. Também é possível usar aprendizado profundo em outros campos fora da análise de imagem. Estas aplicações não exigem redes convolucionais e, em vez disso, usam outros tipos de redes.


Produtos Relacionados

Soluções para ciência da vida

cellSens

  • Plataforma de software de formação de imagem modular
  • Interface do usuário orientada para a aplicação intuitiva
  • Vasto conjunto de recursos, variando de um simples instantâneo a experimentos avançados multidimensionais em tempo real
Especialistas
Kathy Lindsley
Especialista em aplicativos, aplicativos de Ciências da Vida

Eu sou Kathy Lindsley e sou um especialista em aplicativos da Olympus, oferecendo suporte a sistemas de imagem baseados em câmera. Eu tenho um bacharelado em bioquímica pela Universidade do Estado de Iowa. Entrei para a Olympus em 2006 como representante de vendas de imagens de pesquisa e em 2012 fiz a transição para o grupo de aplicações de ciências biológicas. Antes de ingressar na Olympus, trabalhei como assistente de pesquisa em pesquisa acadêmica por 15 anos, ganhando experiência em patch clamp, imagem de cálcio, cultura de tecidos e imunohistoquímica.

Manoel Veiga
Especialista em aplicativos, Pesquisa de Ciências da Vida

Olá! Meu nome é Manoel Veiga e faço parte da equipe que implementou a aprendizagem profunda no software Olympus. Entrei para a Olympus em 2017, onde desenvolvi expertise em triagem de alto conteúdo, análise de imagem e aprendizado profundo. Também sou um especialista em imagens de fluorescência ao longo da vida.

Comecei a me interessar por análise de dados durante meu doutorado em físico-química — um interesse que desenvolvi depois de descobrir o poder das redes neurais convolucionais e as incríveis tarefas de análise de imagens que elas podem realizar.

Aprendizado profundo: abrindo portas para novos aplicativosOut 17 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.