ZEISS arivis Cloud

Vous perdez un temps précieux à traiter manuellement les images ? Vous êtes aux prises avec des images complexes et multidimensionnelles aboutissant à des résultats incohérents ? L'apprentissage profond utilise l'automatisation pour les étapes difficiles de vos pipelines d'analyse d'images qui ne peuvent pas être automatisées avec les méthodes conventionnelles (par exemple, la segmentation manuelle et les algorithmes d'apprentissage automatique simplistes).

L'interface conviviale de ZEISS arivis Cloud permet d'entraîner facilement vos propres modèles d'apprentissage profond pour la segmentation d'images sans recourir à la programmation. N’importe qui dans votre laboratoire peut maintenant entraîner rapidement des modèles d'IA sans avoir à demander l'intervention d'un spécialiste de l'image. Les modèles peuvent être exportés, puis facilement intégrés dans des pipelines d'analyse automatisée des images dans les logiciels ZEISS, tels que ZEN, ZEN core et ZEISS arivis Pro.

ZEISS arivis Cloud vous permet de tirer le meilleur parti de ressources de calcul indépendantes. Il intègre également une fonctionnalité de partage qui permet une annotation collaborative transparente des régions d'intérêt et la visualisation des résultats d'analyse au sein de votre équipe/organisation.

La segmentation plus précise grâce à l'IA pour l'analyse d'images ouvre la voie à diverses applications en aval, qui ne seraient pas possibles avec des méthodes traditionnelles. L'IA met la personnalisation des fonctionnalités d'analyse au premier plan.

ZEISS arivis Cloud propose deux types de modèles de segmentation : la segmentation sémantique (qui repose sur les pixels) et la segmentation par instance (qui repose sur les objets). Vous avez la possibilité de choisir le type de modèle de segmentation qui vous convient dès le début de l'entraînement du modèle d'IA.

• Les modèles de segmentation sémantique (qui utilisent les pixels) permettent d'identifier la zone couverte par vos structures d'intérêt.
• Les modèles de segmentation par instance (qui utilisent les objets) permettent d'identifier et de délimiter individuellement les objets, même lorsqu'ils se chevauchent.