AIツールキット
ZENツールキット

AIツールキット 機械学習によるライフサイエンス画像解析

ライフサイエンス分野のアプリケーションにおいて、機械学習は画像解析のスループットを飛躍的に向上させ、ヒューマンエラーのリスクを低減させることができます。このツールキットには、画像ノイズ除去、画像セグメンテーション、オブジェクト分類のソリューションが含まれています。

  • 画像解析ワークフローの各プロセスを改善
  • 簡単操作で、初心者ユーザーでもすぐに使用可能
  • サードパーティ製の機械学習モデルをインポート
  • 30日間無料トライアル
機械学習で解析ワークフローの各プロセスを改善
機械学習で解析ワークフローの各プロセスを改善

機械学習で解析ワークフローの各プロセスを改善

生画像の最適化からオブジェクトの特定と分類まで

画像解析は多くのプロセスからなる処理であり、その中で生画像を処理し、セグメンテーションによって目的の構造を特定し、その構造を特性に基づいて分類する必要があります。ZEN AIツールキットはZEN Intellesisを搭載し、画像処理ワークフローの各プロセスで使用できるツールを提供します。

  • Intellesisノイズ除去で生画像を最適化
  • Intellesisセグメンテーションにより、オブジェクトの1つまたは複数のクラスを特定
  • Intellesisの分類で、オブジェクトを意義のあるサブグループに分類
U2OS + LLC2細胞培養における細胞表現型の分類。いくつかの細胞を手動で割り当て
Intellesisの分類が完全なデータセットを予測
U2OS + LLC2細胞培養における細胞表現型の分類。 いくつかの細胞を手動で割り当て(左)。Intellesisの分類が完全なデータセットを予測(右)。

深層学習で自動画像解析が容易に

手動プログラミングからの移行により、初心者ユーザーでも簡単に操作可能

従来の処理アルゴリズムで最適な解析結果を得るには、ユーザーがプログラムし、ツールやパラメータを微調整しなければなりません。そのためには、画像処理アルゴリズムの詳細な知識とプログラミングのノウハウが求められ、個々の実験に適したツールやパラメータを試行錯誤しながら見極めるための長期実験が必要です。複雑なスキルと長い時間が必要となる解析アルゴリズムは、多くの研究者にとって手の届かないものとなっています。機械学習を用いれば、ユーザーがアルゴリズムに最適な結果をティーチングし、アルゴリズムが問題解決に最適なツールを見つけることが可能です。非常にスピーディーで直感的なプロセスのため、初心者ユーザーでも簡単に操作できます。

セグメンテーションモデルをトレーニングするための画像のラベルリング
そのモデルに基づく自動画像セグメンテーション
セグメンテーションモデルを学習するための画像のラベリング(左)と、そのモデルに基づく自動画像セグメンテーション(右)。画像ご提供:Yannick Schwab, EMBL Heidelberg

包括的で偏りのないビューがより優れたパフォーマンスを実現

デジタル画像のピクセルの先へ

顕微鏡で取得したデジタル画像は、一連の画素値で構成されています。従来のアルゴリズムは通常、各ピクセルを個別に評価します。しかし、デジタル画像から得られたデータをより深く理解するには、個々のピクセルだけではなく、その周辺のピクセルとの関係も考慮する必要があります。これには、エッジ、勾配、テクスチャ、形状のほかに、背景やシェーディングといった画像のアーチファクトなどが含まれます。機械学習は、このようなデータを大量に処理し、人間によるバイアスやエラーがない偏りのない方法で扱うことができるため、確実で優れた結果をもたらします。

ZEISS Intellesisセグメンテーションの技術について

パフォーマンスを向上させる独自の手法

深層学習と機械学習の組み合わせ:VGG19ニューラルネットワークにより、ランダムフォレスト分類器にデータをフィード

深層学習と機械学習の組み合わせ:VGG19ニューラルネットワークにより、ランダムフォレスト分類器にデータをフィード

深層学習と機械学習の組み合わせ:VGG19ニューラルネットワークにより、ランダムフォレスト分類器にデータをフィード

深層学習と機械学習の組み合わせ:VGG19ニューラルネットワークにより、ランダムフォレスト分類器にデータをフィード

深層学習と機械学習の組み合わせ:VGG19ニューラルネットワークにより、ランダムフォレスト分類器にデータをフィード

機械学習と深層学習の強みを組み合わせる

ランダムフォレスト分類器:多数決で決定
ZEISS Intellesisセグメンテーションでは、ランダムフォレストと呼ばれる機械学習アルゴリズムをピクセル分類に使用しています。このアルゴリズムは決定木を基準としており、決定木はピクセルの特徴の数が多いものに基づいてピクセルを分類します。ランダムフォレストでは、多くの決定木を使用して多数決によりピクセルを分類します。これにより最低限のトレーニングデータで確実なセグメンテーションを行い、他のアルゴリズムと比べてより迅速にトレーニングができます。

VGG19ニューラルネットワークにより、ランダムフォレスト分類器にデータをフィード
標準的なランダムフォレスト分類器は一般的な画像フィルターに依存しているため、コンテキストの認識(「ピクセルの周辺」の認識)ができない場合があります。画像をVGG19ニューラルネットワークにフィードし、特徴マップをランダムフォレスト分類器に与えることで、ランダムフォレストのスピードとディープニューラルネットワークの優れた画像認識を組み合わせることができます。この組み合わせによりコンテキストの認識が向上し、その結果、良好なセグメンテーション結果が取得できます。 

オープンアーキテクチャ

ZENワークフローの自動化

性能

信頼性の高いアルゴリズム

  • APEERや外部ツール(AI-ready)から深層学習モデルをインポート
  • オープンフォーマットでモデルを交換・共有
  • Zスタックやタイル画像などの多次元データセットと互換性あり
  • 画像解析ウィザードとBio Appsにシームレスに統合
  • 並列GPUコンピューティング
  • 大規模データの処理
  • 条件付きランダムフィールドアルゴリズム(セグメンテーション)
  • Python、TensorFlow、ONNX、Scikit-Learn、Daskを利用した、定評あるオープンソースの機械学習アルゴリズム
AI画像解析の概要

AI画像解析の概要

Intellesis機械学習

ダウンロード

  • ZEISS ZEN AI Toolkit

    Segmentation and Classification by Machine Learning

    ページ: 4
    ファイルサイズ: 1 MB

ZEISS Microscopyへ問い合わせる

お問い合わせ先

フォームを読み込み中…

/ 4
次のステップ:
  • ステップ1
  • ステップ2
  • ステップ3
お問い合わせ
必須入力項目
任意入力項目

ZEISSでのデータ処理の詳細につきましては、データプライバシーに関するお知らせをご覧ください