Intelligence-artificielle_embryon_lamproie

Solutions de microscopie assistée par l'IA

Amélioration de l'acquisition et de l'analyse des images et du service

Découvrez l'intégration transparente de l'IA dans la microscopie et libérez le potentiel de vos recherches comme jamais auparavant.

Classification des phénotypes cellulaires avec l'IA
Classification des phénotypes cellulaires avec l'IA
Classification des phénotypes cellulaires dans les cultures de cellules U2OS + LLC2. Quelques cellules ont été attribuées manuellement (à gauche). ZEISS Intellesis Classification a ensuite prédit l'ensemble des données (à droite).

Des solutions basées sur l'IA tracent l'avenir de la microscopie

Si l'intelligence artificielle (IA) a changé la donne dans de nombreux secteurs, la microscopie ne fait pas exception. Les solutions de microscopie assistée par l'IA de ZEISS exploitent toute la puissance de l'intelligence artificielle pour révolutionner notre manière d'acquérir des images, d'analyser et d'interpréter les données de microscopie, ainsi que de gérer les performances du microscope.

Cathode de batterie lithium-ion - analysée avec l'IA
Cathode de batterie lithium-ion - analysée avec l'IA
À gauche : image d'une cathode de batterie lithium-ion capturée par un MEB avec détecteur d'électrons rétrodiffusés, 10 kV À droite : segmentation de l'image en rouge (collecteur de courant en aluminium), jaune (nickel cobalt manganèse - NCM - particules de stockage) et vert (espace entre les particules), à l'aide du module d'IA ZEN Intellesis. Avec l'aimable autorisation de l'Université d'Aalen, Allemagne.

Intégrer l'IA à la microscopie

Nos solutions de microscopie assistée par l'IA sont conçues pour améliorer la précision, la rapidité et l'évolutivité de vos recherches, ceci afin de vous offrir une vue sans précédent du monde microscopique. Pour les sciences de la vie, les sciences des matériaux, les géosciences, l'électronique, l'éducation ou encore l'usage quotidien, nos solutions de microscopie assistée par l'IA transforment l'exploration microscopique en une expérience révolutionnaire.

L'influence significative de l'IA sur l'ensemble du flux de tâches

L'IA a eu un impact significatif sur plusieurs secteurs de la microscopie, tels que la détection des échantillons, l'acquisition d'image, le prétraitement et l'analyse d'image.

  • Détection automatique de l'échantillon : basée traditionnellement sur des manipulations manuelles, la microscopie connaît une véritable transformation depuis l'émergence de l'IA. ZEISS AI Sample Finder simplifie le placement des échantillons, le réglage de la mise au point et l'identification. Il permet ainsi de réduire les manipulations manuelles et de commencer rapidement l'expérience de microscopie.
  • Acquisition d'image guidée par l'IA : en sciences de la vie, il est courant d'identifier des régions d'intérêt de petite taille à partir d'images issues de grand champ d'observation. Si les méthodes manuelles sont chronophages et sujettes à erreur, l'IA excelle à passer rapidement au crible un très grand nombre de données. Le module d'acquisition guidée de ZEN intègre en toute transparence l'automatisation de la microscopie avec analyse d'image assistée par l'IA pour optimiser l'efficacité des flux de tâches d'acquisition guidée.
  • Réduction du bruit : dans certaines applications telles que l'imagerie de cellules vivantes, il est tout simplement impossible de travailler avec des doses élevées de photons en raison du risque de photoblanchiment et de phototoxicité. Il en résulte souvent des bruits numériques, nécessitant une réduction du bruit pour obtenir des informations scientifiques significatives. ZEN y remédie grâce au module Intellesis Denoising. Celui-ci utilise des outils d'lA, tels que l'algorithme Noise2Void, afin de préserver efficacement les informations pour l'analyse quantitative des images.
  • Reconstruction 3D : la reconstruction 3D pilotée par l'IA des images de tomographie à rayons X multiplie au moins par 10 la vitesse d'acquisition des données en conservant la qualité des images. Elle offre la reconstruction 3D la plus efficace parmi toutes les méthodes traditionnelles. La plateforme de rayons X 3D ZEISS Xradia, dotée de l'Advanced Reconstruction Toolkit (ART), utilise la reconstruction basée sur l'apprentissage profond pour améliorer le flux d'acquisition dans divers secteurs, dont les géosciences, la recherche pharmaceutique, les biosciences, l'électronique, les batteries et les matériaux techniques.
  • Segmentation des images : cette méthode constitue une étape décisive dans le flux d'analyse des images capturées en microscopie, notamment dans l'analyse en imagerie biologique. L'apprentissage profond a démontré une efficacité remarquable dans l'automatisation de la segmentation à l'échelle des pixels (sémantique) et de l'objet (instance). L'écosystème logiciel de ZEISS, englobant ZEN et arivis, offre plusieurs outils de segmentation pilotée par IA qui exploitent à la fois les approches de l'apprentissage automatique conventionnel et de l'apprentissage profond.
  • Classification des objets : une fois que les images sont segmentées pour identifier les différents objets, l'étape suivante inclut souvent la classification de ces objets en différents groupes. ZEN intègre des algorithmes de classification assistés par l'IA et simples d'utilisation. Ces derniers peuvent être facilement programmés par des novices afin de classer les objets dans des catégories personnalisées.
  • Predictive Service : la valorisation maximale du potentiel du microscope dépend de sa fonctionnalité optimale. L'IA tient un rôle essentiel dans la prévision des éventuels problèmes, minimisant les temps d'arrêt non planifiés. ZEISS Predictive Service anticipe les éventuels problèmes et les traite avant qu'ils ne surviennent, évitant les temps d'arrêt non planifiés.
     

Solutions ZEISS assistées par l'IA

ZEISS ART

ZEISS Advanced Reconstruction Toolbox

Technologies de reconstruction de pointe pour votre microscope ZEISS à rayons X ou microCT

arivis Cloud – Solutions d'analyse d'images de microscopie

ZEISS arivis Cloud

Exécutez des flux de tâches prédéfinis et entraînez des modèles d'apprentissage profond sur notre plateforme basée sur le cloud pour l'analyse d'images pilotée par l'IA.

arivis Pro

ZEISS arivis Pro

arivis Pro permet de traiter vos ensembles de données sans contraintes et d'obtenir vos résultats en un temps record.

ZEISS AI Sample Finder​

ZEISS AI Sample Finder​

Réduisez la durée de vos expériences de quelques minutes à quelques secondes seulement.

ZEISS Axiovert 5 digital

ZEISS Axiovert 5 digital

Grâce à l'Intelligence Artificielle, automatisez vos tâches de routine et rendez vos processus plus efficaces et vos résultats plus reproductibles.

FAQ

  • En microscopie, l'analyse d'image basée sur l'IA utilise l'intelligence artificielle, qui englobe l'apprentissage automatique et l'apprentissage profond, pour améliorer l'analyse des images obtenues au microscope. Dans ce but, des algorithmes sont programmés pour reconnaître des modèles et des structures, pour offrir une meilleure précision et augmenter l'efficacité de certaines tâches comme la détection de l'échantillon, la segmentation de l'image, la réduction du bruit, la classification des objets et la reconstruction 3D. Cette technologie accélère et automatise l'analyse d'image en microscopie en vue d'optimiser l'efficacité de la recherche scientifique et des diagnostics.

  • En microscopie, l'apprentissage profond implique l'entraînement de réseaux neuronaux artificiels pour analyser de manière autonome des images de microscopie. Pour ce faire, des experts entraînent des modèles et des structures à partir d'ensembles de données annotés. Cet entraînement permet aux réseaux d'exécuter plus précisément et efficacement des tâches telles que la segmentation d'images, la détection d'objets et la classification. Pour mieux comprendre la différence entre l'apprentissage automatique et l'apprentissage profond, vous pouvez consulter notre eBook sur l'IA.

  • L'intégration de l'IA dans la microscopie permet d'acquérir et d'analyser des données d'images multidimensionnelles à haut rendement et de manière reproductible, deux critères fondamentaux pour les découvertes scientifiques. Ces technologies automatisent les tâches manuelles courantes, laissant plus de temps aux chercheurs pour concevoir davantage d'expériences et innover à un rythme plus soutenu.

  • a. Que ce soit pour la recherche de nouvelles thérapies contre le cancer grâce à l'observation subcellulaire au microscope à fluorescence, pour la conception de matériaux de batteries par l'analyse de microstructures avec un MEB ou pour l'optimisation du rendement des hydrocarbures par l'étude minéralogique au microscope à rayons X, l'IA permet d'obtenir des informations à partir d'ensemble de données de petite et de grande taille, à des débits plus élevés. Cette polyvalence souligne la capacité de l'IA à transformer et accélérer les découvertes scientifiques dans de nombreux domaines de la microscopie.

  • L'analyse d'image traditionnelle repose sur des règles prédéfinies, comme le seuillage simple, pour extraire des informations à partir d'images. Par exemple, l'utilisation d'un seuil fixe déterminé pour segmenter des images à partir de l'intensité de pixels. Cependant, ces méthodes basées sur des règles peuvent s'avérer peu fiables lorsque des images s'écartent des conditions idéales, conduisant à des résultats non reproductibles. L'analyse basée sur l'IA va quant à elle au-delà des règles spécifiques. En effet, les systèmes d'IA apprennent des modèles cachés à partir d'ensembles de données variés. Ce principe permet de les généraliser et de conserver leur niveau de fiabilité, même lorsque les conditions d'imagerie changent. Les résultats sont donc plus fiables et modulables en microscopie.

  • L'IA résout progressivement les défis du quotidien, et cette tendance s'étend à la microscopie, où chaque aspect du flux de tâches est susceptible d'en bénéficier. À mesure que l'IA générative évolue et devient indispensable, de plus en plus d'interactions en langage naturel avec les systèmes de microscopie voient le jour. Pourquoi ne pas imaginer un utilisateur chargeant une plaque à titrage multiple pour diverses expériences donner l'ordre suivant : « Image ces échantillons à un grossissement x10 et résume les informations pour chaque titrage ». Cette vision prévoit une transition totalement homogène de l'échantillon à l'obtention des informations, en éliminant la nécessité de configuration manuelle, le transfert des données, le prétraitement, la segmentation et la classification. L'avenir de la microscopie assistée par l'IA promet une amélioration significative de la productivité, même dans le cadre d'expériences de grande envergure impliquant des dizaines de milliers d'itérations.

  • Pour les utilisateurs qui maîtrisent le codage Python, la mise en œuvre de solutions basées sur l'IA en microscopie passe par l'utilisation de librairies en open source. Néanmoins, cette méthode nécessite une expertise dans la manipulation de très grands ensembles de données et une compréhension approfondie de la gestion des correctifs d'images et de leur reconstruction à leur taille initiale. Fort heureusement, ZEISS propose une gamme d'outils guidés par l'IA disponibles à travers une interface conviviale et sans codage accessible à tous. Dans les écosystèmes logiciels ZEN et arivis, les utilisateurs peuvent s'appuyer sur des outils basés sur l'IA de réduction du bruit, de segmentation, de classification et bien plus encore. Par exemple, la plateforme arivis Cloud fournit l'infrastructure pour entraîner à la segmentation d'images des modèles d'IA personnalisés, utilisables sur le cloud ou localement depuis les logiciels arivis Pro ou ZEN, pour des résultats cohérents sur toutes les plateformes.

  • Que ce soit ZEN, ZEN Blue, arivis Pro, arivis Hub ou arivis Cloud, tous les logiciels ZEISS intègrent des outils d'IA pour l'analyse d'image. Chaque logiciel offre des fonctionnalités avancées à l'utilisateur et devient un puissant outil d'amélioration de la productivité.

  • L'apprentissage profond (deep learning) est un sous-ensemble de l'apprentissage automatique (machine learning). Toutefois, lorsqu'il est fait référence à l'apprentissage automatique, il s'agit généralement de l'apprentissage automatique conventionnel consistant à appliquer des filtres numériques prédéfinis aux données d'apprentissage. Cette approche conventionnelle implique la conception de variables par une personne qui assemble ces filtres en travaillant souvent avec un nombre limité de variables, jusqu'à quelques dizaines en règle générale. Du fait de cette limitation, il peut être difficile pour ces algorithmes de saisir toute la complexité de certaines images. En revanche, l'apprentissage profond est une technique d'apprentissage des variables qui optimise des millions de paramètres à partir de vastes données d'apprentissage. Elle se révèle donc plus fiable face aux conditions changeantes de l'image. La distinction essentielle réside dans la conception d'un petit nombre de variables pour l'apprentissage automatique face à l'apprentissage d'une multitude de variables pour l'apprentissage profond.