ZEN Toolkits

AI Toolkit Analyse d'images grâce à l'apprentissage automatique en sciences de la vie

Dans les sciences de la vie, l'apprentissage automatique peut augmenter de façon exponentielle le débit de l'analyse d'images et réduire le risque d'erreur humaine. Cette boîte à outils contient des solutions pour le débruitage d'images, la segmentation d'images et la classification d'objets.

Améliorez chaque étape du flux de tâches de l'analyse d'image.
Permettez même aux nouveaux utilisateurs d'acquérir rapidement des compétences.
Importez des modèles tiers d'apprentissage automatique.
Essai gratuit de 30 jours

Améliorez chaque étape du processus d'analyse grâce à l'apprentissage automatique.

De l'optimisation des images brutes à l'identification et à la classification des objets

L'analyse d'images est un processus en plusieurs étapes qui nécessite le traitement d'images brutes, l'identification des structures d'intérêt par segmentation, puis la classification de ces structures en fonction de leurs propriétés. La boîte à outils ZEN AI Toolkit, alimentée par ZEN Intellesis, offre des outils pour chaque étape de ce flux de tâches complet.

Intellesis Denoising optimise les images brutes.
Intellesis Segmentation identifie une ou plusieurs classes d'objets.
Intellesis Classification classe ces objets en sous-groupes significatifs.

Intellesis Classification a ensuite prédit l'ensemble des données.

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

L'apprentissage profond facilite l'analyse automatisée des images.

L'abandon de la programmation manuelle la rend accessible même aux utilisateurs novices.

Les algorithmes de traitement conventionnels exigent que l'utilisateur programme et ajuste les outils et paramètres pour un résultat d'analyse optimal. Dans ce cadre, une connaissance approfondie des algorithmes de traitement d'images ainsi qu'un savoir-faire en matière de programmation sont indispensables. Cela implique également des essais souvent longs avant de trouver les outils et les paramètres adéquats pour chaque expérience. Cet ensemble complexe de compétences et d'investissement en temps rend souvent les algorithmes d'analyse hors de la portée de nombreux chercheurs. Avec l'apprentissage automatique, l'utilisateur enseigne à l'algorithme le résultat optimal et l'algorithme trouve les outils optimaux pour résoudre le problème. Le processus est beaucoup plus rapide, et aussi intuitif que facile à utiliser, même pour les novices.

segmentation automatique des images sur la base de ce modèle

Étiquetage d'une image pour l'entraînement d'un modèle de segmentation (à gauche) et segmentation automatisée d'une image sur la base de ce modèle (à droite). Image reproduite avec l'aimable autorisation de Yannick Schwab, EMBL Heidelberg.

Une vision globale et impartiale pour de meilleures performances

Au-delà des pixels individuels d'une image numérique

L'image numérique acquise par un microscope est un ensemble de valeurs de pixels. En principe, les algorithmes conventionnels évaluent chaque pixel individuellement. Une meilleure compréhension des données fournies par une image numérique est toutefois possible en considérant chaque pixel ainsi que les relations qu'ils entretiennent avec d'autres pixels. Cela comprend les bords, les dégradés, les textures et les formes, de même que les artefacts de l'image tels que l'arrière-plan et les ombres. L'apprentissage automatique fournit des résultats supérieurs et plus robustes grâce à sa capacité à traiter de grandes quantités de données en toute impartialité, sans erreur humaine.

La technologie ZEISS Intellesis Segmentation en détail

Des méthodes uniques pour booster les performances

Apprentissage profond et apprentissage automatique combinés : un réseau neuronal VGG19 alimentant les classificateurs de forêt aléatoire

Les forces combinées de l'apprentissage automatique et de l'apprentissage profond

Classificateurs forêt aléatoire (random forest) : le pouvoir du vote majoritaire
ZEISS Intellesis Segmentation fonctionne avec un algorithme d'apprentissage automatique de classification des pixels appelé forêt aléatoire. Cet algorithme est basé sur des arborescences de décision qui peuvent classer les pixels sur la base d'un grand nombre de caractéristiques de pixels. Les forêts aléatoires utilisent plusieurs de ces arborescences et classent les pixels sur la base d'un vote majoritaire. Elles obtiennent ainsi une segmentation très robuste, nécessitent un minimum de données d'entraînement et apprennent beaucoup plus rapidement que les autres algorithmes.

Un réseau neuronal VGG19 alimentant les classificateurs de forêt aléatoire
Les classificateurs de forêt aléatoire standard peuvent manquer de connaissances du contexte (le « voisinage d'un pixel »), car elles s'appuient uniquement sur des filtres d'image standard. En introduisant les images dans un réseau neuronal VGG19 et en fournissant les cartes de caractéristiques au classificateur de forêt aléatoire, la vitesse de la forêt aléatoire peut être combinée à la reconnaissance d'images supérieure des réseaux neuronaux profonds. Il en résulte une meilleure connaissance du contexte et, par conséquent, de meilleurs résultats en matière de segmentation.


Architecture ouverte	Intégration dans le flux de tâches ZEN	Performances	Algorithmes fiables
Importation de modèles d'apprentissage profond à partir d'APEER et d'outils externes (compatibles avec l'IA) Échange et partage de modèles via un format de modèle ouvert	Compatibles avec les ensembles de données multidimensionnels, y compris les piles Z et les images en mosaïque Intégration transparente dans l'assistant d'analyse d'images et les Bio Apps	Calcul parallèle et calcul par le processeur graphique Traitement de grandes quantités de données	Algorithme de champ aléatoire conditionnel (segmentation) Algorithmes d'apprentissage automatique open-source bien établis, alimentés par Python, TensorFlow, ONNX, Scikit-Learn et Dask

Introduction à l'analyse d'images par l'IA

Apprentissage automatique Intellesis

Webinaire en libre accès (Portail ZEISS)

Téléchargements

ZEISS ZEN AI Toolkit

Segmentation and Classification by Machine Learning

Taille du fichier: 1 MB

Télécharger

Contact ZEISS Microscopy

Mise à niveau/rétrofit

Formation

Rechercher un logiciel

Téléchargement de logiciels

Contact

Chargement du formulaire en cours...

Étape suivante :

Étape 1
Étape 2
Étape 3

Contactez-nous

Informations requises

Informations facultatives

Si vous souhaitez avoir plus d'informations concernant le traitement de vos données par ZEISS, veuillez consulter la politique de confidentialité.