Ilustración del paquete AI Toolkit
KITS DE HERRAMIENTAS DE SOFTWARE DE ZEN

AI Toolkit Análisis de imágenes en ciencias de la vida a través del aprendizaje automático

En las aplicaciones para ciencias de la vida, el aprendizaje automático puede aumentar exponencialmente el rendimiento del análisis de imágenes y reducir el riesgo de error humano. Este kit de herramientas contiene soluciones para la eliminación del ruido de las imágenes, la segmentación de imágenes y la clasificación de objetos.

  • Mejore cada paso del flujo de trabajo de análisis de imágenes
  • Permita que incluso los usuarios nuevos adquieran rápidamente destreza
  • Importe modelos de aprendizaje automático de terceros
  • 30 días de prueba gratuita

Descubra el ZEN AI Toolkit

Descubra cómo acelera su investigación con automatización avanzada en menos de 60 s.

Optimice cada paso del flujo de trabajo analítico con el aprendizaje automático
Optimice cada paso del flujo de trabajo analítico con el aprendizaje automático

Optimice cada paso del flujo de trabajo analítico con el aprendizaje automático

Desde la optimización de imágenes brutas hasta la identificación y la clasificación de objetos

El análisis de imágenes es un proceso de múltiples pasos que requiere el procesamiento de imágenes brutas, la identificación de las estructuras de interés mediante segmentación y, posteriormente, la clasificación de estas estructuras en función de sus propiedades. El kit de herramientas ZEN AI Toolkit, con la tecnología ZEN Intellesis, ofrece herramientas para cada paso de todo este flujo de trabajo.

  • La eliminación del ruido mediante Intellesis optimiza las imágenes brutas.
  • La segmentación mediante Intellesis identifica una o varias clases de objetos.
  • La clasificación mediante Intellesis clasifica estos objetos en subgrupos significativos.
Clasificación de fenotipos celulares en cultivo celular de U2OS + LLC2. Algunas células se asignaron manualmente
La clasificación mediante Intellesis posteriormente predijo el conjunto de datos completo
Clasificación de fenotipos celulares en cultivo celular de U2OS + LLC2. Algunas células se asignaron manualmente (izquierda). La clasificación mediante Intellesis posteriormente predijo el conjunto de datos completo (derecha).

El aprendizaje profundo facilita el análisis automatizado de imágenes

Dejar a un lado la programación manual habilita incluso a los usuarios principiantes

Los algoritmos de procesamiento convencionales requieren que el usuario programe y luego afine las herramientas y los parámetros para lograr un resultado óptimo del análisis. Esto requiere un profundo conocimiento de los algoritmos de procesamiento de imágenes combinado con conocimientos de programación y, a menudo, una prolongada experimentación de prueba y error para encontrar las herramientas y los parámetros adecuados para cada experimento. Esta complicada combinación de habilidades y tiempo a menudo hace que los algoritmos analíticos queden fuera del alcance de muchos investigadores. Con el aprendizaje automático, el usuario enseña al algoritmo el resultado óptimo y el algoritmo encuentra las herramientas óptimas para resolver el problema. Se trata de un proceso mucho más rápido, intuitivo y fácil de usar, incluso para los usuarios principiantes.

Marcado de una imagen para entrenar un modelo de segmentación
segmentación de imágenes automatizada basada en ese modelo
Marcado de una imagen para entrenar un modelo de segmentación (izquierda) y segmentación de imágenes automatizada basada en ese modelo (derecha). Imagen cortesía de Yannick Schwab, EMBL Heidelberg

Una visión integral e imparcial proporciona un mejor rendimiento

Más allá de los píxeles individuales en una imagen digital

La imagen digital adquirida por un microscopio es un conjunto de valores de píxeles. Los algoritmos convencionales suelen evaluar cada píxel individualmente. Sin embargo, para comprender mejor los datos aportados por una imagen, es necesario considerar cada píxel, además de sus relaciones circundantes con otros píxeles. Esto incluye bordes, gradientes, texturas y formas, así como artefactos de la imagen, como el fondo y el sombreado. El aprendizaje automático ofrece resultados superiores y más sólidos gracias a su capacidad para procesar grandes cantidades de estos datos de forma imparcial, sin sesgos ni errores humanos.

Detalles tecnológicos de la segmentación mediante ZEISS Intellesis

Métodos exclusivos para potenciar el rendimiento

Combinación de aprendizaje profundo y aprendizaje automático: Una red neuronal VGG19 que alimenta a los clasificadores de bosques aleatorios

Combinación de aprendizaje profundo y aprendizaje automático: Una red neuronal VGG19 que alimenta a los clasificadores de bosques aleatorios

Combinación de aprendizaje profundo y aprendizaje automático: Una red neuronal VGG19 que alimenta a los clasificadores de bosques aleatorios

Combinación de aprendizaje profundo y aprendizaje automático: Una red neuronal VGG19 que alimenta a los clasificadores de bosques aleatorios
 

Combinación de aprendizaje profundo y aprendizaje automático: Una red neuronal VGG19 que alimenta a los clasificadores de bosques aleatorios
 

Combinación de los puntos fuertes del aprendizaje automático y el aprendizaje profundo

Clasificadores de bosques aleatorios: El poder del voto mayoritario
La segmentación mediante ZEISS Intellesis funciona con un algoritmo de clasificación de píxeles con aprendizaje automático conocido como bosque aleatorio. Este algoritmo se basa en árboles de decisión que pueden clasificar píxeles basándose en un elevado número de características de píxel. Los bosques aleatorios utilizan muchos de estos árboles y clasifican los píxeles en función de un voto mayoritario. Esto conduce a una segmentación muy robusta, requiere un mínimo de datos de entrenamiento y se entrena mucho más rápido que otros algoritmos.

Una red neuronal VGG19 que alimenta a los clasificadores de bosques aleatorios
Los clasificadores de bosques aleatorios estándar pueden carecer de conciencia contextual (la «vecindad de un píxel»), basándose únicamente en filtros de imagen estándar. Al alimentar las imágenes a una red neuronal VGG19 y proporcionar los mapas de características al clasificador de bosques aleatorios, se puede combinar la velocidad del bosque aleatorio con el reconocimiento de imágenes superior de las redes neuronales profundas. Esto conduce a un mejor reconocimiento contextual y, en consecuencia, a mejores resultados de segmentación. 

Arquitectura abierta

Integración del flujo de trabajo con ZEN

Rendimiento

Algoritmos fiables

  • Importación de modelos de aprendizaje profundo desde APEER y herramientas externas (preparadas para IA)
  • Intercambio y uso compartido de modelos mediante un formato de modelo abierto
  • Compatible con conjuntos de datos multidimensionales, incluidas pilas Z e imágenes en mosaico
  • Integración fluida dentro de Image Analysis Wizard y Bio Apps
  • Computación paralela y por GPU
  • Manejo de grandes volúmenes de datos
  • Algoritmo de campo aleatorio condicional (segmentación)
  • Algoritmos de aprendizaje automático con código abierto y bien establecidos, con Python, TensorFlow, ONNX, Scikit-Learn y Dask
Introducción al análisis de imágenes por IA

Introducción al análisis de imágenes por IA

Aprendizaje automático mediante Intellesis

Descargas

  • ZEISS ZEN AI Toolkit

    Segmentation and Classification by Machine Learning

    1 MB


Visite el Centro de descargas de ZEISS para descargarse las traducciones y los manuales disponibles.

Contacto ZEISS Microscopy

Contacto

Cargando el formulario...

/ 4
Siguiente paso:
  • Paso 1
  • Paso 2
  • Paso 3
Contacto
Información necesaria
Información opcional

Para obtener más información sobre el procesamiento de datos en ZEISS, consulte nuestra declaración de protección de datos.