AI Toolkit
ZEN Toolkits

AI Toolkit Bildanalyse in den Biowissenschaften mit Machine Learning

In den Biowissenschaften kann Machine Learning den Durchsatz bei der Bildanalyse exponentiell steigern und das Risiko menschlicher Fehler reduzieren. Dieses Toolkit enthält Lösungen für die Rauschunterdrückung, Bildsegmentierung und Objektklassifizierung.

 

  • Verbessern Sie jeden Schritt Ihres Bildanalyse-Workflows
  • Ermöglichen Sie auch neuen Anwendern eine schnelle Einarbeitung
  • Importieren Sie Machine-Learning-Modelle von Drittanbietern
  • Kostenlose 30-Tage-Testversion
Verbessern Sie mit Machine Learning jeden Schritt Ihres Analyse-Workflows
Verbessern Sie mit Machine Learning jeden Schritt Ihres Analyse-Workflows

Verbessern Sie mit Machine Learning jeden Schritt Ihres Analyse-Workflows

Von der Optimierung der Rohbilder bis hin zur Objektidentifizierung und -klassifizierung

Die Bildanalyse ist ein mehrstufiger Prozess. Zunächst werden Rohbilder verarbeitet, anschließend relevante Strukturen per Segmentierung identifiziert und anhand ihrer Eigenschaften klassifiziert. ZEN AI Toolkit (auf Basis von ZEN Intellesis) hält Werkzeuge für jeden Schritt im Workflow bereit.

  • Intellesis Denoising optimiert die Rohbilder
  • Intellesis Segmentation identifiziert eine oder mehrere Objektklassen
  • Intellesis Classification klassifiziert diese Objekte in sinnvolle Untergruppen
Klassifizierung der Zellphänotypen in einer U2OS- und LLC2-Zellkultur. Einige Zellen wurden manuell klassifiziert.
Intellesis Classification übernahm daraufhin die Einteilung des vollständigen Datensatzes.
Klassifizierung der Zellphänotypen in einer U2OS- und LLC2-Zellkultur. Einige Zellen wurden manuell klassifiziert (links). Intellesis Classification übernahm daraufhin die Einteilung des vollständigen Datensatzes (rechts).

Vereinfachte automatisierte Bildanalyse mit Deep Learning

Ohne manuelle Programmierung – auch für unerfahrene Nutzer

Bei konventionellen Verarbeitungsalgorithmen müssen die Nutzer die nötigen Tools und Parameter selbst programmieren und feinabstimmen, um optimale Analyseergebnisse zu erzielen. Dazu braucht es fundiertes Fachwissen zu Bildverarbeitungsalgorithmen, umfangreiche Programmierkenntnisse und oft langwieriges Ausprobieren, bis die richtigen Werkzeuge und Parameter für die anstehenden Versuche gefunden sind. Dieser übermäßig hohe Kompetenz- und Zeitbedarf macht Analysealgorithmen für viele Wissenschaftler nur allzu oft unerreichbar. Mit Machine Learning können Nutzer dem Algorithmus das optimale Ergebnis beibringen, der dann die optimalen Werkzeuge für die Problemstellung bestimmt. Dieser Prozess ist nicht nur erheblich schneller, sondern auch intuitiv und anwenderfreundlich – sogar für unerfahrene Nutzer.

Markierung eines Bilds für das Training eines Segmentierungsmodells
Automatisierte Bildsegmentierung anhand dieses Modells
Markierung eines Bilds für das Training eines Segmentierungsmodells (links) und automatisierte Bildsegmentierung anhand dieses Modells (rechts). Bild mit freundlicher Genehmigung von Yannick Schwab, EMBL Heidelberg.​

Umfassende, unvoreingenommene Auswertung mit besserer Leistung

Auswertung digitaler Bilder über Pixelgrenzen hinaus

Das von einem Mikroskop aufgenommene digitale Bild besteht aus einer Menge einzelner Pixel. Konventionelle Algorithmen werten in der Regel jedes Pixel einzeln aus. Bessere Einblicke in die Daten eines digitalen Bilds sind jedoch möglich, wenn jedes Pixel im Zusammenhang mit den umgebenden Pixeln betrachtet wird. Dies sind im Einzelnen Kanten, Gradienten, Texturen und Formen, ebenso wie Bildartefakte wie Hintergrund und Shading. Machine Learning liefert überragende, solide Ergebnisse, denn es kann große Mengen dieser Daten unvoreingenommen und ohne menschliche Fehler verarbeiten.

Details zur Segmentierungstechnologie mit ZEISS Intellesis

Einzigartige Methoden zur Leistungssteigerung

Deep Learning und Machine Learning in Kombination: Neuronales VGG19-Netz liefert Daten an Random-Forest-Klassifikatoren

Deep Learning und Machine Learning in Kombination: Neuronales VGG19-Netz liefert Daten an Random-Forest-Klassifikatoren

Deep Learning und Machine Learning in Kombination: Neuronales VGG19-Netz liefert Daten an Random-Forest-Klassifikatoren

Deep Learning und Machine Learning in Kombination: Neuronales VGG19-Netz liefert Daten an Random-Forest-Klassifikatoren
 

Deep Learning und Machine Learning in Kombination: Neuronales VGG19-Netz liefert Daten an Random-Forest-Klassifikatoren
 

Die Stärken von Deep Learning und Machine Learning kombinieren

Random-Forest-Klassifikatoren: Stimmenmehrheit ist das Schlüsselwort
ZEISS Intellesis Segmentation arbeitet mit dem Machine-Learning-Pixelklassifikationsalgorithmus „Random Forest“. Dieser Algorithmus beruht auf Entscheidungsbäumen, mit denen Pixel anhand zahlreicher Pixelmerkmale klassifiziert werden. Random Forests bestehen aus einer Vielzahl solcher Bäume und klassifizieren Pixel nach dem Prinzip der Stimmenmehrheit. So entsteht eine sehr solide Segmentierung, es sind nur äußerst wenige Trainingsdaten erforderlich und das Training verläuft deutlich schneller als bei anderen Algorithmen.

Neuronales VGG19-Netz liefert Daten an Random-Forest-Klassifikatoren
Standardmäßige Random-Forest-Klassifikatoren sind nicht immer kontextsensitiv (d. h., sie beachten die „Nachbarschaft“ eines Pixels nicht), sondern verlassen sich lediglich auf Standard-Imaging-Filter. Wenn die Bilder in ein neuronales VGG19-Netz eingespeist und von dort aus wiederum Feature Maps an den Random-Forest-Klassifikator übermittelt werden, lässt sich die Random-Forest-Geschwindigkeit mit der überragenden Bilderkennung tiefer neuronaler Netze verbinden. Die Abläufe werden kontextsensitiver und liefern folglich bessere Segmentierungsergebnisse. 

Offene Architektur

ZEN Workflow-Integration

Leistungsfähigkeit

Zuverlässige Algorithmen

  • Import von Deep-Learning-Modellen aus APEER und externen Werkzeugen (KI-fähig)
  • Austausch und gemeinsame Nutzung von Modellen über ein offenes Modellformat
  • Kompatibel mit multidimensionalen Datensätzen wie Z-Ebenen und Kachelbildern
  • Nahtlose Integration in den Bildanalyseassistenten und Bio Apps
  • Parallel- und GPU-Datenverarbeitung
  • Verarbeitung großer Datenmengen
  • Conditional-Random-Field-Algorithmus (Segmentierung)
  • Bewährte Open-Source-Algorithmen für Machine-Learning-Funktionen auf Basis von Python, TensorFlow, ONNX, Scikit-Learn und Dask
Einführung in die KI-Bildanalyse

Einführung in die KI-Bildanalyse

Intellesis Machine Learning

Downloads

  • ZEISS ZEN AI Toolkit

    Das vielseitige Machine-Learning-Paket für die Bildanalyse

    Dateigröße: 1 MB
  • ZEISS ZEN AI Toolkit

    Segmentation and Classification by Machine Learning

    Dateigröße: 1 MB

ZEISS Microscopy kontaktieren

Kontakt

Formular wird geladen ...

/ 4
Nächster Schritt:
  • Schritt 1
  • Schritt 2
  • Schritt 3
Kontaktieren Sie uns
Erforderliche Angaben
Optionale Angaben

Weitere Informationen über die Datenverarbeitung bei ZEISS entnehmen Sie bitte unserem Datenschutzhinweis.