Bildsegmentierung
Schnell und effizient
- Die hochpräzise Erkennung und Segmentierung mit Deep Learning-Technologie liefert effiziente und zuverlässige Analyseergebnisse
- Optimal für Zellzählungen und geometrische Messungen, beispielsweise von Flächen oder Formen ohne Phototoxizität
- Weniger als 1 Sekunde Bearbeitungszeit pro Position
Beispiel eines erkannten Zellkerns. Schematische Darstellung der Anwendung (Inferenz) des trainierten neuronalen Netzes. |
Nächste Generation der Bildanalyse mit Deep Learning
Untersuchungen erfordern häufig Daten von Mikroskopbildern. Für eine genaue Bildanalyse wird eine Segmentierung (insbesondere der Schwellenwerte für Intensitätswerte oder Farbe) verwendet, um die Analysebereiche aus dem Bild zu extrahieren. Dies kann jedoch zeitaufwändig sein und den Probenzustand beeinträchtigen.
Mit der Bildanalyse der nächsten Generation der TruAI Technologie lassen sich diese Herausforderungen bewältigen.
Vorhersage mitotischer Zellen mit TruAI (grün). | Vorhersage der Glomeruli-Positionen auf einem Maus-Nierenschnitt mit TruAI (blau). | Blau: Erkennung der Zellkerne mit hoher Genauigkeit trotz Kratzern und Staub auf dem Kulturgefäß. | Grün: Niedrige Erkennungsgenauigkeit aufgrund von Ungleichmäßigkeiten der GFP-Färbung
BildoptimierungDas neuronale Netz kann die Rauschmerkmale im Voraus erlernen, so dass Bilder mit hohem Signal-Rausch-Abstand selbst aus schwachen Signalen konstruiert werden können.
Verrauschte Bilder mit sehr schwacher Fluoreszenz erschweren auch die Objekterkennung für die Segmentierung. Zudem ist es wichtig, das Verblassen der Bilder zu minimieren und die Bilder so schnell wie möglich zu erfassen.
|
Zeit und Aufwand sparen mit Live AILassen Sie sich die Live-Inferenzergebnisse des trainierten neuronalen Netzes in Echtzeit anzeigen. Die Kenntnis der Inferenzergebnisse schon vor der Bildaufnahme erhöht die Effizienz Ihrer Experimente. | Related VideosLive-Detektion von verschiedenen Phasen im Zellzyklus in einer HeLa-Zellkultur* |
*Auch wenn die Zelllinien von Henrietta Lacks in der medizinischen Forschung unverzichtbar geworden sind, darf nicht unerwähnt bleiben, dass ihre Erzeugung und Verwendung ohne Zustimmung von Henrietta Lacks erfolgten. Dieses Unrecht führte einerseits zu wichtigen Entdeckungen in der Immunologie, bei Infektionskrankheiten und Krebs, warf aber auch wichtige Diskussionen über Datenschutz, Ethik und Einwilligung in der Medizin auf.
Um mehr über das Leben von Henrietta Lacks und ihren Beitrag zur modernen Medizin zu erfahren, klicken Sie bitte hier.
http://henriettalacksfoundation.org/
Vom Makro- zum Mikro-ImagingDie Makro-zu-Mikro-Funktion ermöglicht die Aufnahme von Übersichtsbildern mit einem Objektiv mit geringer Vergrößerung (z. B. 4x) und nach Erkennung des Probenbereichs die anschließende Erfassung von Bildern mit hoher Vergrößerung. Mit TruAI erfolgt dieser Prozess automatisch, was die Bildgebung bei der Verwendung von Glasobjektträgern oder Petrischalen mit mehreren Gewebeschnitten beschleunigt und effizienter macht. |
„Die vortrainierte Detektion von Zellkernen ist absolut verblüffend und ermöglicht die Analyse sehr heterogener Proben, ohne die Zellfraktionen zu beschädigen. Vor allem in Bereichen mit hoher Zelldichte ist die TruAI-basierte Separation deutlich schneller und leistungsfähiger als die Intensitäts- oder Kantendetektion.“ Robert Strauss |
Mehr erfahren
Genaue und effiziente Mikroskopie-Bildanalyse mit TruAI Technologie und Deep Learning | Vorhersage von Kernphänotypen mehrerer Klassen für Arzneimittelprüfungen mit Deep Learning | Schnelle automatisierte Erkennung und Segmentierung von Glomeruli dank selbstlernender KI-Technologie | Beschleunigung und Optimierung der Segmentierung und Analyse von Pankreasinseln mit dem VS200 Objektträgerscanner für die Forschung und der Deep-Learning-Lösung TruAI |
Markerfreier Transmigrationsassay mit scanR TruAI für die selbstlernende Mikroskopie | Lokalisation von Hefeproteinen – klassifiziert mit der TruAI Deep-Learning Technologie | Vereinfachung der Instanzsegmentierung von Zellen und Zellkernen durch Deep Learning | 20 Beispiele für die mühelose Segmentierung von Zellkernen und Zellen mit vortrainierten Deep-Learning-Modellen |
Ähnliche Produkte
APX100
| IXplore Pro
| IXplore Live
| IXplore Spin
|
IXplore SpinSR
| FV4000
*Stand Oktober 2023. | FV4000MPE
| VS200
|
scanR
|
Mit den innovativen Tru Technologien lassen sich Herausforderungen bei wissenschaftlichen Bildgebungsuntersuchungen problemlos bewältigen.
Klarere und schärfe Bilder durch nahtlose Dekonvolution | Stabiler Fokus während Zeitraffer-Untersuchungen. | Helle und präzise mehrfarbige Bilder durch hohe Lichteffizienz | Hellere und schärfere Bilder in tiefen Schichten durch automatisierte Korrektur |
Sorry, this page is not
available in your country.
Sorry, this page is not
available in your country.