人工智能工具包(AI Toolkit) 通过机器学习进行生命科学图像分析
在生命科学应用中,机器学习可以极大地提高图像分析的效率,降低人为错误的风险。该工具包包括图像去噪、图像分割和对象分类解决方案。
通过机器学习改进分析工作流的每一个步骤
从生图优化到对象识别和分类,各种功能应有尽有
图像分析是一个多步骤过程,包括生图处理、通过分割进行感兴趣结构识别,然后基于其特性对这些结构进行分类。ZEN AI Toolkit由ZEN Intellesis驱动,可为整个工作流的每一步提供工具。
- Intellesis去噪可以优化生图。
- Intellesis图像分割可以识别一个或多个对象分类
- Intellesis分类可以将这些对象分到适当的子组
深度学习简化自动图像分析
无需手动编程,新用户也可很快上手
传统的处理算法要求用户先编程,然后再对工具和参数进行微调,才能获得出色分析结果。这要求用户对图像处理算法和编程知识都有深入的了解,并进行长时间的试错实验,才能为特定实验找到合适的工具和参数。这一整套复杂的技术和时间要求通常让分析算法对许多研究人员来说难以企及。而借助机器学习,用户可以将理想结果示教于算法,算法即可找到解决问题的合适工具。整个过程非常快速、直观并且易于使用,即使是新用户也可掌握。
全面的、不偏不倚的视图可提供更好的表现
数字图像可以提供高于单个像素的清晰度
显微镜采集的数字图像是一组像素值。传统算法一般会单独评估每个像素。但是,如果要更好地理解数字图像提供的数据,就不仅需要考虑每个像素本身,还要考虑其与其他像素的周边关系,这包括边缘、梯度、纹理和形状以及背景和阴影等图像伪影。机器学习能够在一定程度上避免人为造成的偏差和错误,以一种近乎不偏不倚的方式处理大量此类数据,从而提供更为优质可靠的结果。
蔡司Intellesis图像分割的技术详情
用于提升性能的独特方法
深度学习与机器学习相结合:将VGG19神经网络馈入随机森林分类器
结合机器学习和深度学习的优势
随机森林分类器:多数票的力量
蔡司Intellesis图像分割采用名为“随机森林”的机器学习像素分类算法。该算法基于可依据大量像素特征对像素进行分类的决策树。随机森林使用许多这样的“树”,并根据多数票对像素进行分类。这样可以使分割非常可靠,所需的训练数据极少,并且训练过程比其他算法快许多。
将VGG19神经网络馈入随机森林分类器
标准随机森林分类器依赖的只有标准图像过滤器,因此可能缺少情境感知能力(“像素的周围要素”)。通过将图像输入VGG19神经网络并将特征图提供给随机森林分类器,可以将随机森林的速度与出色的深度神经网络图像识别功能相结合。如此即可获得更好的情境感知能力,从而得到更优质的分割结果。
|
|
|
|
---|---|---|---|
开放式结构 |
ZEN工作流集成 |
性能 |
可靠的算法 |
|
|
|
|