KI-Mikroskopielösungen

Die KI-gestützte Bildanalyse optimiert die Analyse von Mikroskopbildern mittels künstlicher Intelligenz, u. a. mit Machine Learning und Deep Learning. Dafür werden Algorithmen so trainiert, dass sie Muster und Strukturen erkennen, was die Genauigkeit und Effizienz verschiedener Tätigkeiten verbessert, darunter die Probenerkennung und Bildsegmentierung, die Rauschunterdrückung, die Objektklassifizierung und die 3D-Rekonstruktion. Diese Technologie beschleunigt und automatisiert die Bildanalyse in der Mikroskopie und bahnt damit den Weg für effektivere wissenschaftliche Forschung und Diagnostik.

In der Mikroskopie umfasst Deep Learning das Training künstlicher neuronaler Netzwerke, damit diese ohne weiteren Eingriff seitens des Anwenders Mikroskopiebilder analysieren können. Dazu erlernen die Deep-Learning-Algorithmen mithilfe von zuvor von Experten annotierten Datensätzen, Muster und Strukturen zu erkennen. Durch dieses Training erledigen die Netzwerke Aufgaben wie Bildsegmentierung, Objekterkennung und Klassifizierung – und das mit größerer Genauigkeit und Effizienz. Detailliertere Informationen zu den Unterschieden zwischen Machine Learning und Deep Learning finden Sie in unserem eBook zur KI.

Die Integration der KI in die Mikroskopie ermöglicht die Aufnahme und Analyse multidimensionaler Bilddaten mit hohem Durchsatz und auf reproduzierbare Weise – eine unerlässliche Grundlage für die wissenschaftliche Forschung. Diese Technologien automatisieren manuelle Routinearbeiten und setzen damit wertvolle Zeit für Forschende frei, um noch mehr Experimente zu konzipieren und noch schneller zu Innovationen gelangen zu können.

a. Auf Basis der Beobachtung subzellulärer Prozesse unter dem Fluoreszenzmikroskop neue Therapien gegen konzeptionieren, per Mikrostrukturanalyse mit dem REM Batteriematerialen entwickeln oder anhand einer röntgenmikroskopischen Untersuchung der Mineralogie die Kohlenwasserstoffausbeute optimieren – KI liefert gleichermaßen Einblicke aus kleinen sowie großen Datenmengen, und das mit höherem Durchsatz. Diese Vielseitigkeit unterstreicht, wie sehr der Wandel durch KI dazu beiträgt, den wissenschaftlichen Fortschritt in zahlreichen Bereichen der Mikroskopie zu beschleunigen.

Bei der konventionellen Bildanalyse werden Informationen aus Bildern anhand von vordefinierten Regeln gewonnen, z. B. durch einfache Schwellenwertverfahren. Sollen beispielsweise Bilder anhand der Pixelintensität segmentiert werden, wird ein fester Wert für die diese Intensität festgelegt. Diese regelbasierten Abläufe sind jedoch nicht immer zuverlässig, insbesondere wenn die Bilder nicht dem Idealzustand entsprechen. Das kann zu nicht reproduzierbaren Ergebnissen führen. Die KI-gestützte Analyse geht dagegen über die bloße Anwendung von Regeln hinaus, denn KI-Systeme lernen mithilfe verschiedenartiger Datensätze, verborgene Muster zu erkennen. So können sie generalisieren und dennoch stabil arbeiten, selbst wenn sich die Imaging-Bedingungen verändern. Das gewährleistet zuverlässigere, adaptierbare Ergebnisse in der Mikroskopie.

KI kommt mehr und mehr bei den Herausforderungen des Alltags zum Einsatz. Dieser Trend weitet sich allmählich auch auf Mikroskopie aus – und auch hier kann jeder Aspekt im Workflow davon profitieren. Die generative KI entwickelt sich laufend weiter und dient als wertvolles Hilfsmittel. Wir gehen davon aus, dass künftig noch mehr Interaktionen mit Mikroskopiesystemen in natürlicher Sprache erfolgen werden. Stellen Sie sich vor, ein Nutzer belädt eine Multiwellplatte mit zahlreichen Experimenten und sagt nur noch: „Nimm diese Proben mit 10-facher Vergrößerung auf und fasse die Ergebnisse aller Wells zusammen.“ In dieser Vision läuft der Übergang von den Proben zu den Ergebnissen nahtlos ab – keine manuelle Einrichtung mehr, keine Datenübertragung, keine Vorverarbeitung, Segmentierung und Klassifizierung. Die Zukunft der Mikroskopie mit KI verspricht eine erheblich größere Produktivität, selbst für Experimente mit Zehntausenden von Durchläufen.

Wenn Sie sich mit der Programmierung in Python auskennen, können Sie KI-gestützte Lösungen in der Mikroskopie mithilfe von Open-Source-Bibliotheken umsetzen. Das setzt allerdings Fachkenntnisse in der Bearbeitung großer Datensätze und umfangreiches Wissen bei der Verwaltung kleiner Bild-Patches und deren Rekonstruktion in Originalgröße voraus. Erfreulicherweise bietet ZEISS über eine anwenderfreundliche Bedienoberfläche eine Reihe von KI-Tools, für die keine Programmierungskenntnisse nötig sind und die daher allen offenstehen. Sowohl in ZEN als auch in arivis können Anwender verschiedene KI-Tools für Rauschunterdrückung, Segmentierung, Klassifizierung und vieles mehr nutzen. Die arivis Cloud Plattform bietet beispielsweise eine Infrastruktur, mit der anwenderdefinierte KI-Modelle für die Bildsegmentierung trainiert werden können. Diese Infrastruktur lässt sich wahlweise in der Cloud, lokal in arivis Pro oder in den ZEN Softwarepaketen nutzen und sorgt damit für konsistente Ergebnisse über verschiedene Plattformen hinweg.

ZEN, ZEN Blue, arivis Pro, arivis Hub oder arivis Cloud – jede Software von ZEISS enthält KI-Tools für die Bildanalyse. Auf diese Weise gewährleisten wir, dass unsere Anwender von modernsten Funktionen profitieren. Jedes Softwarepaket ist damit ein leistungsstarkes Tool zur Steigerung der Produktivität.

Deep Learning (DL) ist ein Teilbereich des Machine Learnings (ML). Die meisten Menschen haben bei „Machine Learning“ allerdings eher das konventionelle ML vor Augen, bei dem vordefinierte Filter auf Trainingsdaten angewendet werden. Dieses konventionelle Verfahren ist mit dem Feature Engineering verbunden, bei dem diese Filter manuell zusammengestellt werden, oft mit einer begrenzten Anzahl von Features (meist nur wenige Dutzend). Durch diese Einschränkung ist es für die Algorithmen manchmal nur schwer möglich, die Komplexität in Bildern zu erfassen. Deep Learning ist dagegen ein Feature-Learning-Verfahren, bei dem Millionen von Parametern optimiert werden, weil das Verfahren aus umfangreichen Trainingsdaten lernt. Das macht diese Algorithmen robuster gegenüber veränderlichen Bildbedingungen. Der Hauptunterschied liegt im Wesentlichen in der geringen Zahl der durch Engineering gewonnenen Features beim ML gegenüber der Vielzahl erlernter Features beim DL.