மைக்ரோஸ்கோப் பட செயலாக்கத்தில் செயற்கை நுண்ணறிவு
செயற்கை நுண்ணறிவு துல்லியமான பிரித்தல், சத்தம் குறைத்தல், சூப்பர் தீர்மானம் மற்றும் தானியங்கி படப் பெறுதல் போன்ற சக்திவாய்ந்த திறன்களுடன் மைக்ரோஸ்கோப் பட செயலாக்கத்தில் புரட்சியை ஏற்படுத்துகிறது. இந்த கட்டுரை முக்கியமான செயற்கை நுண்ணறிவு கருவிகள் மற்றும் அறிவியல் ஆராய்ச்சியில் தோன்றும் புதிய போக்குகளை வெளிப்படுத்துகிறது.
செயற்கை நுண்ணறிவு தொழில்நுட்பங்கள் படப் பெறுதலை மேம்படுத்தி மற்றும் ஆய்வை தானாகச் செய்யும் முறையில் மைக்ரோஸ்கோபியை மாற்றி அமைக்கின்றன. நவீன புத்திசாலி மைக்ரோஸ்கோப்புகளில், செயற்கை நுண்ணறிவு தொகுதிகள் படப்பரிமாணங்களை நேரடியாக (உதாரணமாக, கவனம், ஒளிர்வு) சரிசெய்து ஒளி அழுகலை குறைத்து சிக்னலை மேம்படுத்த முடியும். அதே சமயம், ஆழ்ந்த கற்றல் அல்காரிதம்கள் சிக்கலான படத் தரவுகளை ஆராய்ந்து மறைந்த உயிரியல் தகவல்களை எடுத்துக்காட்டி, படங்களை பிற தரவுகளுடன் (உதாரணமாக, ஜெனோமிக்ஸ்) இணைக்கவும் முடியும்.
செயற்கை நுண்ணறிவு முறைகள்: இயந்திரக் கற்றல் மற்றும் ஆழ்ந்த கற்றல்
செயற்கை நுண்ணறிவு முறைகள் பாரம்பரிய இயந்திரக் கற்றல் (ML) முதல் நவீன ஆழ்ந்த கற்றல் (DL) வரை பரவலாக உள்ளன. ஒவ்வொரு முறைக்கும் தனித்துவமான பலவீனங்கள் மற்றும் பலவீனங்கள் உள்ளன:
கையால் உருவாக்கப்பட்ட அம்சங்கள்
- ஆராய்ச்சியாளர்கள் பட அம்சங்களை (எட்ஜ்கள், அமைப்புகள், வடிவங்கள்) கையால் உருவாக்குகிறார்கள்
- அம்சங்கள் வகைப்பாட்டாளர்களுக்கு (தீர்மான மரங்கள், SVM) வழங்கப்படுகின்றன
- விரைவாக பயிற்சி பெறக்கூடியது
- சிக்கலான அல்லது சத்தமுள்ள படங்களில் சிரமம்
தானாக அம்சக் கற்றல்
- பல அடுக்கு நரம்பு வலைப்பின்னல்கள் (CNNs) அம்சங்களை தானாக கற்றுக்கொள்கின்றன
- மூல பிக்சல்கள் முதல் முழுமையான கற்றல்
- மாறுபாடுகளுக்கு மிகவும் உறுதியானது
- சிக்கலான அமைப்புகள் மற்றும் அமைப்புகளை நம்பகமாகப் பிடிக்கிறது
CNNs எப்படி செயல்படுகின்றன: இணைப்பு நரம்பு வலைப்பின்னல்கள் மைக்ரோஸ்கோப் படங்களில் தொடர்ச்சியான வடிகட்டிகளை பயன்படுத்தி, ஆரம்ப அடுக்குகளில் எளிய வடிவங்களை (எட்ஜ்கள்) கண்டறிந்து, ஆழமான அடுக்குகளில் சிக்கலான அமைப்புகளை (செல் வடிவங்கள், அமைப்புகள்) கற்றுக்கொள்கின்றன. இந்த அடுக்குமுறை கற்றல், தீவிரத்தன்மை மாறுபாடுகள் இருந்தாலும் DL-ஐ மிகவும் உறுதியானதாக மாற்றுகிறது.
காணொளி ஒப்பீடு: ML மற்றும் DL செயல்முறைகள்
மைக்ரோஸ்கோபியில் முக்கிய செயற்கை நுண்ணறிவு பயன்பாடுகள்
செயற்கை நுண்ணறிவு தற்போது மைக்ரோஸ்கோப் வேலைநடவடிக்கைகளில் பல பட செயலாக்க பணிகளில் உள்ளடக்கப்பட்டுள்ளது:
பிரித்தல்
படங்களை பகுதிகளாக பிரித்தல் (எ.கா., ஒவ்வொரு செல் அல்லது நியூக்ளியஸையும் அடையாளம் காணுதல்). U-Net போன்ற ஆழ்ந்த வலைப்பின்னல்கள் இந்த பணியில் சிறந்தவை.
- அர்த்தபூர்வ பிரித்தல்: பிக்சல் ஒன்றுக்கு ஒரு வகுப்பு லேபிள்
- உதாரண பிரித்தல்: தனிப்பட்ட பொருட்களை பிரித்தல்
- கூட்டமான அல்லது மங்கலான படங்களில் உயர் துல்லியம்
- காட்சி அடித்தள மாதிரிகள் (எ.கா., μSAM) இப்போது மைக்ரோஸ்கோப்பிற்கு ஏற்றுக்கொள்ளப்பட்டுள்ளன
பொருள் வகைப்படுத்தல்
பிரித்தலுக்குப் பிறகு, செயற்கை நுண்ணறிவு ஒவ்வொரு பொருளையும் மிகுந்த துல்லியத்துடன் வகைப்படுத்துகிறது.
- செல் வகை அடையாளம்
- மிடோட்டிக் கட்டம் தீர்மானம்
- பாதோலஜி குறியீடு கண்டறிதல்
- கையால் அளவிட கடினமான நுணுக்கமான பண்புகளை வேறுபடுத்துகிறது
பின்தொடர்தல்
நேரம்-தடம் மைக்ரோஸ்கோப்பியில், செயற்கை நுண்ணறிவு செல் அல்லது துகள்களை படிகளுக்கு இடையே மிகுந்த துல்லியத்துடன் பின்தொடர்கிறது.
- ஆழ்ந்த கற்றல் பின்தொடர்தல் துல்லியத்தை மிகைப்படுத்துகிறது
- செயல்படும் செல்களின் நம்பகமான பகுப்பாய்வை சாத்தியமாக்குகிறது
- செயல்படும் உயிரியல் செயல்முறைகளை பிடிக்கிறது
சத்தம் நீக்குதல் மற்றும் சூப்பர் தீர்மானம்
செயற்கை நுண்ணறிவு மாதிரிகள் பட தரத்தை சத்தம் மற்றும் மங்கலை அகற்றி மேம்படுத்துகின்றன.
- புவியியல் அறிவு கொண்ட ஆழ்ந்த மாதிரிகள் மைக்ரோஸ்கோப் ஒளியியல் கற்றுக்கொள்கின்றன
- கூடுதல் கலைச்சிதறல்கள் இல்லாத கூர்மையான படங்களை மீட்டமைக்கின்றன
- பாரம்பரிய முறைகளுக்கு ஒப்பிடுகையில் குறைந்த கலைச்சிதறல்களுடன் உயர் தீர்மானம்
தானியங்கி படப் பெறுதல்
செயற்கை நுண்ணறிவு நேரடி முறையில் மைக்ரோஸ்கோப்பை வழிநடத்துகிறது.
- நேரடி படங்களை பகுப்பாய்வு செய்து புத்திசாலி முடிவுகளை எடுக்கிறது
- தானாக கவனம் சரிசெய்து ஆர்வமான பகுதிகளை ஸ்கேன் செய்கிறது
- ஒளி விஷமத்தன்மையை குறைத்து நேரத்தை சேமிக்கிறது
- உயர் திறன் மற்றும் தகுந்த படப்பிடிப்பு பரிசோதனைகளை சாத்தியமாக்குகிறது
மைக்ரோஸ்கோப் பட செயலாக்கத்தில் பிரபலமான செயற்கை நுண்ணறிவு கருவிகள்
மைக்ரோஸ்கோபியில் செயற்கை நுண்ணறிவை ஆதரிக்கும் செல்வந்தமான கருவிகளின் சூழல் உள்ளது. ஆராய்ச்சியாளர்கள் பொதுவான மற்றும் சிறப்பு பயன்பாட்டுக்கான மென்பொருட்களை உருவாக்கியுள்ளனர், அவற்றில் பல திறந்த மூலமாகும்:
Cellpose
| உருவாக்குனர் | Carsen Stringer மற்றும் Marius Pachitariu (MouseLand ஆராய்ச்சி குழு) |
| ஆதரவு தளங்கள் |
Python (pip/conda நிறுவல்) தேவை. GUI டெஸ்க்டாபில் மட்டுமே கிடைக்கும். |
| மொழி ஆதரவு | ஆங்கில ஆவணங்கள்; உலகளாவிய ஆராய்ச்சி ஆய்வகங்களில் பரவலாக பயன்படுத்தப்படுகிறது |
| விலை முறை | இலவச மற்றும் திறந்த மூல BSD-3-Clause உரிமத்தில் |
கண்ணோட்டம்
Cellpose என்பது மைக்ரோஸ்கோபி படங்களுக்கான முன்னேற்றமான, ஆழ்ந்த கற்றல் அடிப்படையிலான பிரிப்பு கருவி ஆகும். பொதுவான அல்காரிதமாக, இது மாடல் மறுபயிற்சி தேவையின்றி வெவ்வேறு செல்கள் வகைகள் (நியூகிளி, சைட்டோபிளாஸம் மற்றும் பிற) மற்றும் படமெடுக்கும் முறைகளில் துல்லியமாக பிரிக்கிறது. மனிதன்-இன்-தி-லூப் திறன்களுடன், ஆராய்ச்சியாளர்கள் முடிவுகளை மேம்படுத்தி, தங்களது தரவுக்கு மாடலை ஏற்படுத்தி, 2D மற்றும் 3D படமெடுக்கும் பணிகளுக்கு பயன்படுத்தலாம்.
முக்கிய அம்சங்கள்
தனிப்பயன் பயிற்சி இல்லாமல் பல்வேறு செல்கள் வகைகள், வண்ணமயக்கங்கள் மற்றும் படமெடுக்கும் முறைகளுக்கு உடனடி பயன்பாடு.
“2.5D” முறையை பயன்படுத்தி முழு 3D தொகுதிகளுக்கு ஆதரவு, 2D மாதிரிகளை தொகுதி தரவுக்கு மீண்டும் பயன்படுத்துகிறது.
பிரிப்பு முடிவுகளை கைமுறையாக திருத்தி, உங்கள் தனிப்பயன் தரவுகளில் மாடலை மறுபயிற்சி செய்யலாம்.
Python API, கட்டளை வரி இடைமுகம் அல்லது கிராபிகல் பயனர் இடைமுகம் மூலம் அணுகல், நெகிழ்வான பணிக்குழுக்கள்.
பிரிப்புக்கு முன் பட தரத்தை மேம்படுத்த சத்தம் நீக்கம், தெளிவுபடுத்தல் மற்றும் உயர்த்தல் திறன்கள்.
பதிவிறக்கம் அல்லது அணுகல்
தொழில்நுட்ப பின்னணி
Cellpose ஐ Stringer, Wang, Michaelos மற்றும் Pachitariu ஆகியோர் அறிமுகப்படுத்தினர், இது 70,000க்கும் மேற்பட்ட பிரிக்கப்பட்ட பொருட்கள் கொண்ட பெரிய மற்றும் மிகப் பரபரப்பான தரவுத்தொகுப்பில் பயிற்சி பெற்றது. இந்த பரபரப்பான தரவு மாடலை செல்களின் வடிவங்கள், அளவுகள் மற்றும் மைக்ரோஸ்கோபி அமைப்புகளில் பொதுவாக செயல்பட உதவுகிறது, பெரும்பாலான பயன்பாடுகளில் தனிப்பயன் பயிற்சியின் தேவையை குறைக்கிறது. 3D தரவுக்கு, Cellpose அதன் 2D மாதிரியை “2.5D” முறையில் மீண்டும் பயன்படுத்தி, முழுமையான 3D குறிச்சொற்கள் கொண்ட பயிற்சி தரவின் தேவையை தவிர்க்கிறது, அதே சமயம் தொகுதி பிரிப்பை வழங்குகிறது. Cellpose 2.0 மனிதன்-இன்-தி-லூப் மறுபயிற்சியை அறிமுகப்படுத்தியது, இது பயனர்களுக்கு தங்களது படங்களில் கைமுறையாக திருத்தி, சிறப்பான தரவுத்தொகுப்புகளுக்கு மேம்படுத்த மறுபயிற்சி செய்ய அனுமதிக்கிறது.
நிறுவல் மற்றும் அமைப்பு
conda பயன்படுத்தி Python சூழலை அமைக்கவும்:
conda create -n cellpose python=3.10சூழலை செயல்படுத்தி Cellpose ஐ நிறுவவும்:
# For GUI support
pip install cellpose[gui]
# For minimal setup (API/CLI only)
pip install cellposeதொடங்குவது எப்படி
GUI முறை
- GUI ஐ இயக்க:
python -m cellpose - பட கோப்புகளை (
.tif,.pngபோன்றவை) இடைமுகத்தில் இழுத்து விடவும் - மாதிரி வகையை தேர்ந்தெடுக்கவும் (உதா: சைட்டோபிளாஸத்திற்கு "cyto" அல்லது நியூகிளிக்கு "nuclei")
- கணிக்கப்பட்ட செல்களின் விட்டத்தை அமைக்கவும் அல்லது Cellpose தானாக அளவிட அனுமதிக்கவும்
- பிரிப்பை துவக்க கிளிக் செய்து முடிவுகளை காண்க
Python API முறை
from cellpose import models
# Load model
model = models.Cellpose(model_type='cyto')
# Segment images
masks, flows = model.eval(images, diameter=30)மேம்படுத்தவும் மறுபயிற்சி செய்யவும்
- மாஸ்க்களை உருவாக்கிய பிறகு, GUI இல் கைமுறையாக மாஸ்க்களை இணைக்க அல்லது நீக்கி பிரிப்பை திருத்தவும்
- உள்ளமைக்கப்பட்ட பயிற்சி செயல்பாடுகளை பயன்படுத்தி திருத்தப்பட்ட உதாரணங்களில் மறுபயிற்சி செய்யவும்
- உங்கள் தனிப்பட்ட தரவுத்தொகுப்பில் மேம்பட்ட மாதிரி செயல்திறன்
3D தரவை செயலாக்கவும்
- பல Z TIFF அல்லது தொகுதி ஸ்டாக் ஏற்றவும்
- GUI அல்லது API இல்
--Zstackகொடியை பயன்படுத்தி 3D ஆக செயலாக்கவும் - மேம்பட்ட பிரிப்புக்கு 3D ஓட்டங்களை மென்மையாக்கல் அல்லது சிறப்பு அளவுருக்களை பயன்படுத்தி விருப்பப்படி மேம்படுத்தவும்
வரம்புகள் மற்றும் கவனிக்க வேண்டியவை
- மாதிரி பொதுவுத்தன்மை வர்த்தகம்: பொதுவான மாதிரி பரவலாக செயல்படினாலும், மிகவும் அசாதாரண செல்கள் வடிவங்கள் அல்லது படமெடுக்கும் சூழல்கள் மறுபயிற்சியை தேவைப்படுத்தலாம்.
- கையேடு குறிப்பு முயற்சி: மனிதன்-இன்-தி-லூப் பயிற்சி கைமுறை திருத்தங்களை தேவைப்படுத்துகிறது, இது பெரிய தரவுத்தொகுப்புகளுக்கு நேரம் எடுத்துக்கொள்ளக்கூடும்.
- நிறுவல் சிக்கல்: GUI நிறுவல் கட்டளை வரி பயன்பாடு, conda சூழல்கள் மற்றும் Python சார்ந்த பொருட்களை நிர்வகிப்பதை தேவைப்படுத்தலாம் — நிரல் அறியாதவர்களுக்கு எளிதல்ல.
- டெஸ்க்டாப் மட்டுமே: Cellpose டெஸ்க்டாப் பயன்பாட்டுக்காக வடிவமைக்கப்பட்டுள்ளது; சொந்த Android அல்லது iOS செயலிகள் இல்லை.
அடிக்கடி கேட்கப்படும் கேள்விகள்
இல்லை — Cellpose முன்பயிற்சி பெற்ற பொதுவான மாதிரிகளை வழங்குகிறது, அவை பெரும்பாலும் மறுபயிற்சி இல்லாமல் நன்றாக செயல்படுகின்றன. இருப்பினும், சிறப்பு அல்லது அசாதாரண தரவுக்கு சிறந்த முடிவுகளுக்காக, மனிதன்-இன்-தி-லூப் அம்சங்களை பயன்படுத்தி குறிக்கவும் மறுபயிற்சி செய்யவும் முடியும்.
ஆம் — இது 2D மாதிரியை மீண்டும் பயன்படுத்தி (“2.5D” என அழைக்கப்படுகிறது) 3D ஐ ஆதரிக்கிறது, மேலும் GUI அல்லது API மூலம் தொகுதி ஸ்டாக்களை இயக்கலாம்.
பெரிய அல்லது 3D தரவுத்தொகுப்புகளுக்கு வேகமான கணிப்பதற்கும் பயிற்சிக்கும் GPU மிகவும் பரிந்துரைக்கப்படுகிறது, ஆனால் Cellpose CPU மட்டுமே கொண்ட இயந்திரங்களிலும் மெதுவாக இயங்க முடியும்.
GUI இல், கணிக்கப்பட்ட செல்களின் விட்டத்தை கைமுறையாக அமைக்கவும் அல்லது Cellpose தானாக அளவிட அனுமதிக்கவும். பிரிப்பு சிறந்ததாக இல்லாவிட்டால் முடிவுகளை மேம்படுத்தி மறுபயிற்சி செய்யலாம்.
ஆம் — புதிய பதிப்புகள் (Cellpose 3) சத்தம் நீக்கம், தெளிவுபடுத்தல் மற்றும் உயர்த்தல் போன்ற பட மீட்பு மாதிரிகளை உள்ளடக்கியுள்ளன, பிரிப்புக்கு முன் பட தரத்தை மேம்படுத்த.
StarDist
| உருவாக்குனர்கள் | உவே ஷ்மிட், மார்டின் வைகெர்ட், கோல்மன் ப்ரோடஸ், மற்றும் ஜீன் மயர்ஸ் |
| ஆதரவு வழங்கும் தளங்கள் |
|
| மொழி ஆதரவு | ஆங்கிலத்தில் முதன்மையாக ஆவணங்கள் மற்றும் சமூகத்துடன் திறந்த மூல திட்டம் |
| விலைமை முறை | இலவசம் மற்றும் திறந்த மூலமாகும். BSD-3-Clause உரிமத்தில் உள்ளது |
கண்ணோட்டம்
StarDist என்பது மைக்ரோஸ்கோபி படங்களில் தனித்துவமான பகுப்பாய்வுக்கான ஆழ்ந்த கற்றல் கருவி. இது ஒவ்வொரு பொருளையும் (செல் நியூகிளி போன்ற) 2D-இல் நட்சத்திர-உருண்ட பன்முகமாக அல்லது 3D-இல் பன்முகவியலாக பிரதிநிதித்துவம் செய்கிறது, இது அடர்த்தியாக கூடிய அல்லது ஒட்டியுள்ள பொருட்களை துல்லியமாக கண்டறிந்து பிரிக்க உதவுகிறது. அதன் வலுவான கட்டமைப்புடன், StarDist பிரகாசமான மைக்ரோஸ்கோபி, ஹிஸ்டோபத்தாலஜி மற்றும் பிற உயிரியல் பட பகுப்பாய்வு பயன்பாடுகளில் தானாக செல்கள் மற்றும் நியூகிளி பகுப்பாய்வுக்கு பரவலாக பயன்படுத்தப்படுகிறது.
முக்கிய அம்சங்கள்
நட்சத்திர-உருண்ட பன்முகங்கள் (2D) மற்றும் பன்முகவியல் (3D) மூலம் மிகுந்த துல்லியமான தனித்துவமான பகுப்பாய்வு மற்றும் நம்பகமான பொருள் கண்டறிதல்.
முழுமையான மைக்ரோஸ்கோபி பகுப்பாய்வுக்கான 2D படங்கள் மற்றும் 3D அளவியல் தரவுகளுக்கான அர்ப்பணிக்கப்பட்ட மாதிரிகள்.
பிரகாசமான நியூகிளி, H&E-மூடிய ஹிஸ்டாலஜி மற்றும் பிற பொதுவான படமெடுக்கும் சூழல்களுக்கு தயாராக உள்ள மாதிரிகள்.
ஒரே பகுப்பாய்வு ஓட்டத்தில் கண்டறியப்பட்ட பொருட்களை வேறுபட்ட வகைகளில் (எ.கா., வெவ்வேறு செல்களின் வகைகள்) வகைப்படுத்தலாம்.
ImageJ/Fiji, QuPath மற்றும் napari உடன் எளிதான GUI அடிப்படையிலான பணிகள் ஒருங்கிணைப்பு.
துல்லியம், மீட்டெடுப்பு, F1 மதிப்பெண் மற்றும் பானோப்டிக் தரம் உள்ளிட்ட விரிவான தனித்துவமான பகுப்பாய்வு மதிப்பீடு.
தொழில்நுட்ப பின்னணி
MICCAI 2018 கட்டுரையில் முதலில் அறிமுகப்படுத்தப்பட்ட StarDist இன் முக்கிய கண்டுபிடிப்பு, ஒவ்வொரு பிக்சலுக்கும் பொருள் சாத்தியக்கூறு மற்றும் நிலையான கதிர்களின் வழியாக வட்டார தூரங்களை கணிப்பது, இது நட்சத்திர-உருண்ட வடிவங்களை துல்லியமாக மீட்டமைக்க உதவுகிறது. இந்த முறையால் பாரம்பரிய பிக்சல் அடிப்படையிலான அல்லது கட்டுப்பட்ட பெட்டிகள் முறைகளால் பிரிக்க முடியாத நெருக்கமாக தொடும் பொருட்களை நம்பகமாக பிரிக்க முடிகிறது.
சமீபத்திய முன்னேற்றங்கள் StarDist ஐ ஹிஸ்டோபத்தாலஜி படங்களுக்கு விரிவுபடுத்தியுள்ளன, இது நியூகிளி பகுப்பாய்வுக்கு மட்டுமல்லாமல் கண்டறியப்பட்ட பொருட்களின் பல வகுப்பு வகைப்படுத்தலையும் செய்ய உதவுகிறது. இந்த முறை CoNIC (காலன் நியூகிளி அடையாளம் மற்றும் எண்ணிக்கை) சவால்களில் சிறந்த செயல்திறனை பெற்றுள்ளது.
பதிவிறக்கம் அல்லது அணுகல்
நிறுவல் மற்றும் அமைப்பு
StarDist க்கான முன்னோட்டமாக TensorFlow (பதிப்பு 1.x அல்லது 2.x) ஐ நிறுவவும்.
StarDist பைதான் தொகுப்பை நிறுவ pip ஐ பயன்படுத்தவும்:
pip install stardistnapari க்காக:
pip install stardist-napariQuPath க்காக: QuPath இல் .jar கோப்பை இழுத்து StarDist நீட்டிப்பை நிறுவவும்.
ImageJ/Fiji க்காக: உள்ளமைக்கப்பட்ட பிளக்கின் மேலாளரை பயன்படுத்தவும் அல்லது பிளக்கின்கள் மெனுவின் மூலம் கைமுறை நிறுவலை செய்யவும்.
பகுப்பாய்வை இயக்குதல்
முன்-பயிற்சி பெற்ற மாதிரியை ஏற்றவும், உங்கள் படத்தை சாதாரணப்படுத்தி, கணிப்பை இயக்கவும்:
from stardist.models import StarDist2D
model = StarDist2D.from_pretrained('2D_versatile_fluo')
labels, details = model.predict_instances(image)உங்கள் படத்தை napari இல் திறந்து, StarDist பிளக்கினை தேர்ந்தெடுத்து, முன்-பயிற்சி பெற்ற அல்லது தனிப்பயன் மாதிரியை தேர்ந்தெடுத்து, GUI இல் இருந்து நேரடியாக கணிப்பை இயக்கவும்.
Plugins மெனுவில் இருந்து StarDist பிளக்கினை பயன்படுத்தி உங்கள் பட தொகுப்பில் மாதிரியை செயல்படுத்த எளிய இடைமுகம்.
நீட்டிப்பை நிறுவிய பிறகு, QuPath இன் ஸ்கிரிப்டிங் கன்சோல் அல்லது கிராபிகல் இடைமுகம் மூலம் StarDist கண்டறிதலை இயக்கி ஹிஸ்டோபத்தாலஜி பகுப்பாய்வை செய்யவும்.
பயிற்சி மற்றும் நுணுக்கப்படுத்தல்
ஒவ்வொரு பொருளும் தனித்துவமாக குறிக்கப்பட்ட உண்மையான குறிச்சொல் படங்களை உருவாக்கவும். LabKit, QuPath அல்லது Fiji போன்ற குறிச்சொல் கருவிகளை பயன்படுத்தி உங்கள் தரவுத்தொகுப்பை தயார் செய்யவும்.
StarDist இன் பைதான் API ஐ பயன்படுத்தி புதிய மாதிரியை பயிற்சி செய்யவோ அல்லது உங்கள் தனிப்பயன் குறிச்சொல் தரவுடன் உள்ள மாதிரியை நுணுக்கப்படுத்தவோ செய்யவும்.
பிந்தைய செயலாக்க விருப்பங்கள்
- மீண்டும் வரும் வேட்பாளர்களை நீக்க நானோ-அதிகபட்ச அழுத்தத்தை (NMS) பயன்படுத்தவும்
- நட்சத்திர-உருண்ட அல்லாத வடிவங்களுக்கு மாஸ்குகளை இணைக்க StarDist OPP (பொருள் பிந்தைய செயலாக்கம்) பயன்படுத்தவும்
வரம்புகள் மற்றும் கவனிக்க வேண்டியவை
- நட்சத்திர-உருண்ட கருதுகோள் மிகவும் உருண்ட அல்லாத அல்லது மிக அசாதாரண வடிவங்களை சரியாக மாதிரிப்பதில்லை
- நிறுவல் சிக்கல்: விரிவாக்கங்களை கட்டமைக்க பொருத்தமான C++ தொகுப்பி தேவை
- GPU வேகப்படுத்தல் பொருத்தமான TensorFlow, CUDA மற்றும் cuDNN பதிப்புகளுக்கு சார்ந்தது
- சில பயனர்கள் Java கட்டமைப்பினால் ImageJ பிளக்கின் இயக்கத்தில் பிரச்சனைகள் எதிர்கொள்கின்றனர்
அடிக்கடி கேட்கப்படும் கேள்விகள்
StarDist பிரகாசம், பிரைட்ஃபீல்ட் மற்றும் ஹிஸ்டோபத்தாலஜி (எ.கா., H&E) போன்ற பல்வேறு பட வகைகளுடன் வேலை செய்கிறது, அதன் நெகிழ்வான முன்-பயிற்சி பெற்ற மாதிரிகள் மற்றும் வெவ்வேறு படமெடுக்கும் முறைகளுக்கு ஏற்ப தகுதிகொண்டது.
ஆம் — StarDist 3D அளவியல் தரவுகளுக்கான நட்சத்திர-உருண்ட பன்முகவியலை பயன்படுத்தி 3D தனித்துவமான பகுப்பாய்வுக்கு ஆதரவு அளிக்கிறது, 2D திறன்களை முழுமையான 3D பகுப்பாய்வுக்கு விரிவுபடுத்துகிறது.
அவசியமில்லை. முன்-பயிற்சி பெற்ற மாதிரிகள் கிடைக்கின்றன மற்றும் பெரும்பாலும் உடனடியாக நல்ல செயல்திறன் தருகின்றன. ஆனால், சிறப்பு அல்லது புதிய தரவுகளுக்கு, தனிப்பயன் குறிச்சொல் செய்து மாதிரிகளை பயிற்சி செய்தால் துல்லியம் பெரிதும் மேம்படும்.
StarDist napari, ImageJ/Fiji, மற்றும் QuPath உடன் ஒருங்கிணைக்கப்படுகிறது, இது GUI மூலம் குறியீடு இல்லாமல் பகுப்பாய்வை இயக்க அனுமதிக்கிறது. மேலும் மேம்பட்ட பணிகளுக்கு நேரடி Python API பயன்பாட்டையும் ஆதரிக்கிறது.
StarDist துல்லியம், மீட்டெடுப்பு, F1 மதிப்பெண் மற்றும் பானோப்டிக் தரம் போன்ற பொதுவான தனித்துவமான பகுப்பாய்வு அளவுகோல்களை கணக்கிட உள்ளமைக்கப்பட்ட செயல்பாடுகளை வழங்குகிறது, இதனால் பகுப்பாய்வு செயல்திறனை மதிப்பீடு செய்ய முடியும்.
SAM
பயன்பாட்டு தகவல்
| உருவாக்குனர் | Meta AI ஆராய்ச்சி (FAIR) |
| ஆதரவு சாதனங்கள் |
|
| மொழி மற்றும் கிடைக்கும் இடம் | உலகளாவியமாக கிடைக்கும் திறந்த மூல அடித்தளம் மாதிரி; ஆவணங்கள் ஆங்கிலத்தில் |
| விலை | இலவசம் — Meta உரிமத்தில் GitHub மற்றும் MIB ஒருங்கிணைப்பின் கீழ் திறந்த மூலமாக |
பொதுவான கண்ணோட்டம்
SAM (Segment Anything Model) என்பது Meta உருவாக்கிய சக்திவாய்ந்த AI அடித்தளம் மாதிரி ஆகும், இது படங்களில் உள்ள எந்தவொரு பொருளையும் இடைமுகம் மற்றும் தானாகவே பகுப்பாய்வு செய்ய உதவுகிறது. புள்ளிகள், பெட்டிகள் அல்லது மிதமான மாஸ்க்கள் போன்ற முன்மொழிவுகளை பயன்படுத்தி, SAM பணிக்கான மறுபயிற்சி தேவையில்லாமல் பகுப்பாய்வு மாஸ்க்களை உருவாக்குகிறது. மைக்ரோஸ்கோபி ஆராய்ச்சியில், SAM இன் நெகிழ்வுத்தன்மை செல்கள் பகுப்பாய்வு, உறுப்புகளின் கண்டறிதல் மற்றும் ஹிஸ்டோபத்தாலஜி பகுப்பாய்வுக்கு மாற்றப்பட்டுள்ளது, இது முன்மொழிவுக்கேற்ற பொதுவான பயன்பாட்டிற்கான கருவியாக ஆராய்ச்சியாளர்களுக்கு உதவுகிறது.
விரிவான அறிமுகம்
Meta மூலம் 1 பில்லியன் மாஸ்க்கள் மற்றும் 11 மில்லியன் படங்களின் மேல் பயிற்சி பெற்ற SAM, புதிய துறைகளில் "சுழற்சி-இல்லா" செயல்திறனுடன் முன்மொழிவுக்கேற்ற அடித்தளம் மாதிரியாக வடிவமைக்கப்பட்டது. மருத்துவ பட ஆராய்ச்சியில், SAM முழு-ஸ்லைடு பாதாலஜி பகுப்பாய்வு, கட்டி கண்டறிதல் மற்றும் செல் நியூகிளி அடையாளம் காண்பதில் மதிப்பீடு செய்யப்பட்டது. இருப்பினும், அடர்ந்த மற்றும் சிக்கலான மைக்ரோஸ்கோபி படங்களில், 20 கிளிக்குகள் அல்லது பெட்டிகள் போன்ற விரிவான முன்மொழிவுகளுடன் கூட, சுழற்சி-இல்லா பகுப்பாய்வு சிரமப்படலாம்.
இந்த வரம்பை சமாளிக்க, துறைக்கு ஏற்ற மாற்றங்கள் உருவானுள்ளன:
- SAMCell — பெரிய மைக்ரோஸ்கோபி தரவுத்தொகுப்புகளில் சிறப்புப் பயிற்சியுடன் பல்வேறு செல்கள் வகைகளில் வலுவான சுழற்சி-இல்லா பகுப்பாய்வுக்கு
- μSAM — சிறிய செல்கள் அமைப்புகளில் துல்லியத்தை மேம்படுத்த 17,000 க்கும் மேற்பட்ட கைமுறை குறிக்கப்பட்ட மைக்ரோஸ்கோபி படங்களில் மறுபயிற்சி செய்தது
முக்கிய அம்சங்கள்
துல்லியமான கட்டுப்பாட்டிற்காக புள்ளிகள், பெட்டிகள் மற்றும் மாஸ்க்களை பயன்படுத்தி நெகிழ்வான இடைமுகம்.
புதிய படத் துறைகளில் சிறப்புப் பயிற்சி இல்லாமலேயே பகுப்பாய்வு செய்கிறது.
சிறிய பயிற்சி அல்லது முன்மொழிவின் அடிப்படையில் மைக்ரோஸ்கோபி மற்றும் ஹிஸ்டோபத்தாலஜிக்கு ஏற்ற மாற்றம்.
மைக்ரோஸ்கோபி பட உலாவியில் (MIB) 3D மற்றும் இணைக்கப்பட்ட பகுப்பாய்வுக்கு கிடைக்கிறது.
IDCC-SAM, நோய்த்தொற்றுநோயியல் படங்களில் கைமுறை குறிப்பு இல்லாமல் தானாக செல் எண்ணிக்கையை செய்கிறது.
பதிவிறக்கம் அல்லது அணுகல்
பயனர் வழிகாட்டி
- மைக்ரோஸ்கோபி பட உலாவியை திறந்து SAM பகுப்பாய்வு பலகைக்கு செல்லவும்
- Python மொழிபெயர்ப்பாளரை அமைத்து SAM-1 அல்லது SAM-2 மாதிரிகளில் ஒன்றை தேர்ந்தெடுக்கவும்
- GPU வேகப்படுத்தலுக்கு, செயல்பாட்டு சூழலில் "cuda" ஐ தேர்ந்தெடுக்கவும் (சிறந்த செயல்திறனுக்காக பரிந்துரைக்கப்படுகிறது)
- புள்ளி முன்மொழிவுகள்: ஒரு பொருளை கிளிக் செய்து நேர்மறை விதையை வரையறுக்கவும்; விரிவாக்கத்திற்கு Shift + கிளிக், எதிர்மறை விதைகளுக்கு Ctrl + கிளிக் பயன்படுத்தவும்
- 3D தொகுதிகள்: இடைமுக 3D முறையை பயன்படுத்தவும்—ஒரு துண்டை கிளிக் செய்து, shift-scroll செய்து விதைகளை துண்டுகளுக்கு இடையே இணைக்கவும்
- முறை சரிசெய்தல்: மாஸ்க்களை மாற்ற, சேர்க்க, கழிக்க அல்லது புதிய அடுக்கு உருவாக்கவும்
- SAM-2 பலகையில் MIB இன் "எல்லாவற்றையும் தானாக" விருப்பத்தை பயன்படுத்தி ஒரு பகுதியிலுள்ள அனைத்து காட்சிப்படுத்தப்பட்ட பொருட்களையும் பகுப்பாய்வு செய்யவும்
- பகுப்பாய்வுக்குப் பிறகு மாஸ்க்களை மதிப்பாய்வு செய்து திருத்தவும்
- புள்ளி முன்மொழிவுகளிலிருந்து பிக்சல் மட்ட குறிப்பு உருவாக்க "All-in-SAM" போன்ற முன்மொழிவு அடிப்படையிலான சிறப்புப் பயிற்சி வழிமுறைகளை பயன்படுத்தவும்
- செல் எண்ணிக்கைக்கு, SAM ஐ சுழற்சி-இல்லா வழிமுறையில் பயன்படுத்தி பின்னர் செயலாக்கம் செய்யும் IDCC-SAM ஐ பயன்படுத்தவும்
- உயர் துல்லியமான செல் பகுப்பாய்வுக்கு, மைக்ரோஸ்கோபி செல்படங்களில் சிறப்புப் பயிற்சி பெற்ற SAMCell ஐ பயன்படுத்தவும்
வரம்புகள் மற்றும் கவனிக்க வேண்டியவை
- துறைக்கு ஏற்ற சிறப்புப் பயிற்சி இல்லாமல் அடர்ந்த அல்லது ஒருங்கிணைந்த அமைப்புகளில் சுழற்சி-இல்லா செயல்திறன் ஒரே மாதிரியாக இல்லை
- பகுப்பாய்வு தரம் முன்மொழிவு வடிவமைப்பு மற்றும் முறைக்கு பெரிதும் சார்ந்தது
- GPU மிகவும் பரிந்துரைக்கப்படுகிறது; CPU கணக்கீடு மிகவும் மெதுவாக இருக்கும்
- மிக உயர்தர முழு-ஸ்லைடு படங்கள் மற்றும் பல அளவிலான திசு அமைப்புகளில் சிரமம்
- மைக்ரோஸ்கோபிக்கான சிறப்புப் பயிற்சி அல்லது மாற்றம் இயந்திரக் கற்றல் திறன்களை தேவைப்படுத்தலாம்
அடிக்கடி கேட்கப்படும் கேள்விகள்
ஆம்—SAMCell போன்ற மாற்றங்களின் மூலம், SAM ஐ மைக்ரோஸ்கோபி தரவுத்தொகுப்புகளில் செல் பகுப்பாய்வுக்காக சிறப்புப் பயிற்சி செய்துள்ளனர்.
எப்போதும் அல்ல. IDCC-SAM மூலம், கைமுறை குறிப்பு இல்லாமல் சுழற்சி-இல்லா செல் எண்ணிக்கை செய்யலாம்.
முன்மொழிவு அடிப்படையிலான சிறப்புப் பயிற்சி (உதா., "All-in-SAM") அல்லது 17,000 க்கும் மேற்பட்ட குறிக்கப்பட்ட மைக்ரோஸ்கோபி படங்களில் பயிற்சி பெற்ற μSAM போன்ற முன்பயிற்சி பெற்ற பதிப்புகளை பயன்படுத்தவும்.
CPU-யில் இயங்கலாம் என்றாலும், GPU மிகவும் பரிந்துரைக்கப்படுகிறது விரைவான கணக்கீடு மற்றும் நேரடி இடைமுக பகுப்பாய்வுக்கு.
ஆம்—MIB இன் SAM-2 ஒருங்கிணைப்பு 3D பகுப்பாய்வுக்கு துண்டுகளுக்கு இடையே விதைகளை இணைத்து அளவியல் பகுப்பாய்வை ஆதரிக்கிறது.
AxonDeepSeg
| உருவாக்குனர் | பொலிடெக்னிக் மான்ட்ரியால் மற்றும் மான்ட்ரியால் பல்கலைக்கழகத்தில் நியூரோபொலி ஆய்வகம் |
| ஆதரவு வழங்கும் தளங்கள் |
|
| மொழி | ஆங்கில ஆவணங்கள்; உலகளாவியமாக பயன்படுத்தப்படும் திறந்த மூல கருவி |
| விலை | இலவசம் மற்றும் திறந்த மூலமாக உள்ளது |
கண்ணோட்டம்
ஆக்சன் டீப் செக் என்பது மைக்ரோஸ்கோபி படங்களில் ஆக்சன்கள் மற்றும் மைலினை தானாக பிரிக்கும் ஏ.ஐ சக்தியுள்ள கருவி ஆகும். கான்வல்யூஷனல் நியூரல் நெட்வொர்க்குகளை பயன்படுத்தி, TEM, SEM மற்றும் பிரைட்-பீல்ட் மைக்ரோஸ்கோபி உள்ளிட்ட பல படமெடுக்கும் முறைகளில் துல்லியமான மூன்று வகை பிரிப்பை வழங்குகிறது. ஆக்சன் விட்டம், ஜி-ரேஷியோ மற்றும் மைலின் தடிமன் போன்ற மோர்ஃபோமெட்ரிக் அளவுகோல்களை தானாகக் கணக்கிடுவதன் மூலம், ஆக்சன் டீப் செக் நியூரோசயின்ஸ் ஆராய்ச்சியில் அளவீட்டு பகுப்பாய்வை எளிதாக்கி, கைமுறை குறிப்பு நேரத்தை குறைத்து, மறுபடியும் பெறுதலை மேம்படுத்துகிறது.
முக்கிய அம்சங்கள்
TEM, SEM மற்றும் பிரைட்-பீல்ட் மைக்ரோஸ்கோபி முறைகளுக்கான தயாராக பயன்படுத்தக்கூடிய மாதிரிகள்.
மைக்ரோஸ்கோபி படங்களில் ஆக்சன், மைலின் மற்றும் பின்னணி பகுதிகளின் துல்லிய வகைப்படுத்தல்.
ஆக்சன் விட்டம், ஜி-ரேஷியோ, மைலின் தடிமன் மற்றும் அடர்த்தி அளவுகோல்களை தானாகக் கணக்கிடுகிறது.
Napari GUI ஒருங்கிணைப்பால் பிரிப்பு மாஸ்குகளை கைமுறையாக மேம்படுத்த முடியும், துல்லியத்தை அதிகரிக்க.
பெரிய அளவிலான நியூரல் திசு பகுப்பாய்வுக்கான தனிப்பயன் பணிமுறைகளில் எளிதாக இணைக்கக்கூடியது.
மறுபடியும் பெறுதல் மற்றும் நம்பகமான பிரிப்பு முடிவுகளுக்கான விரிவான சோதனை ஸ்கிரிப்ட்கள்.
தொழில்நுட்ப விவரங்கள்
நியூரோபொலி ஆய்வகத்தால் உருவாக்கப்பட்ட ஆக்சன் டீப் செக், நியூரோசயின்ஸ் பயன்பாடுகளுக்கான உயர் துல்லிய பிரிப்பை வழங்க ஆழ்ந்த கற்றலை பயன்படுத்துகிறது. வெவ்வேறு மைக்ரோஸ்கோபி முறைகளுக்கான முன் பயிற்சி பெற்ற மாதிரிகள் கிடைக்கின்றன, இது படமெடுக்கும் தொழில்நுட்பங்களில் பல்துறை பயன்பாட்டை உறுதி செய்கிறது. Napari உடன் ஒருங்கிணைந்து, பிரிப்பு மாஸ்குகளை இடைமுகமாக திருத்துவதன் மூலம் சிக்கலான தரவுத்தொகுதிகளில் துல்லியத்தை மேம்படுத்துகிறது. ஆக்சன் டீப் செக் முக்கிய மோர்ஃபோமெட்ரிக் அளவுகோல்களை கணக்கிடுகிறது, இது நியூரல் திசு அமைப்பு மற்றும் நோயியல் உயர் திறன் ஆய்வுகளுக்கு உதவுகிறது. அதன் பைதான் அடிப்படையிலான கட்டமைப்பு, ஆக்சன் மற்றும் மைலின் வடிவமைப்பின் பெரிய அளவிலான பகுப்பாய்வுக்கான தனிப்பயன் பணிமுறைகளில் இணைக்க உதவுகிறது.
பதிவிறக்கம் அல்லது அணுகல்
நிறுவல் மற்றும் அமைப்பு
Python 3.8 அல்லது அதற்கு மேற்பட்ட பதிப்பை நிறுவியிருப்பதை உறுதி செய்து, பின்னர் pip மூலம் ஆக்சன் டீப் செக் மற்றும் Napari ஐ நிறுவுக:
pip install axondeepseg napariஅனைத்து கூறுகளும் சரியாக நிறுவப்பட்டு செயல்படுவதை உறுதி செய்ய வழங்கப்பட்ட சோதனை ஸ்கிரிப்ட்களை இயக்கவும்.
TEM, SEM அல்லது பிரைட்-பீல்ட் மைக்ரோஸ்கோபி படங்களை Napari அல்லது உங்கள் பைதான் சூழலில் இறக்குமதி செய்யவும்.
உங்கள் படமெடுக்கும் முறைக்கு பொருத்தமான முன் பயிற்சி பெற்ற மாதிரியை தேர்ந்தெடுத்து பிரிப்பை இயக்கி ஆக்சன் மற்றும் மைலின் மாஸ்குகளை உருவாக்கவும்.
ஆக்சன் விட்டம், ஜி-ரேஷியோ, அடர்த்தி மற்றும் மைலின் தடிமன் போன்ற மோர்ஃபோமெட்ரிக் அளவுகோல்களை தானாகக் கணக்கிட்டு, முடிவுகளை CSV வடிவில் ஏற்றுமதி செய்யவும்.
தேவைப்பட்டால், Napari GUI ஐ பயன்படுத்தி பிரிப்பு மாஸ்குகளை கைமுறையாக திருத்தி, மேம்படுத்தவும், மாஸ்குகளை இணைக்க அல்லது நீக்கவும்.
முக்கிய கவனிக்க வேண்டியவை
- புதிய அல்லது பயிற்சி பெறாத படமெடுக்கும் முறைகளில் செயல்திறன் குறையலாம்
- சிக்கலான அல்லது கடினமான பகுதிகளுக்கு கைமுறை திருத்தங்கள் தேவைப்படலாம்
- பெரிய தரவுத்தொகுதிகளின் விரைவான செயலாக்கத்திற்கு GPU பரிந்துரைக்கப்படுகிறது; சிறிய பகுப்பாய்வுகளுக்கு CPU செயலாக்கமும் ஆதரிக்கப்படுகிறது
அடிக்கடி கேட்கப்படும் கேள்விகள்
ஆக்சன் டீப் செக் TEM (டிரான்ஸ்மிஷன் எலக்ட்ரான் மைக்ரோஸ்கோபி), SEM (ஸ்கானிங் எலக்ட்ரான் மைக்ரோஸ்கோபி) மற்றும் பிரைட்-பீல்ட் மைக்ரோஸ்கோபி ஆகியவற்றுக்கு முன் பயிற்சி பெற்ற மாதிரிகளுடன் ஆதரவு வழங்குகிறது.
ஆம், ஆக்சன் டீப் செக் முழுமையாக இலவசமும் திறந்த மூலமாகவும் உள்ளது, கல்வி மற்றும் வணிக பயன்பாட்டிற்கும் கிடைக்கிறது.
ஆம், ஆக்சன் டீப் செக் பிரிக்கப்பட்ட படங்களிலிருந்து ஆக்சன் விட்டம், ஜி-ரேஷியோ, மைலின் தடிமன் மற்றும் அடர்த்தி அளவுகோல்களை தானாகக் கணக்கிடுகிறது.
பெரிய தரவுத்தொகுதிகளின் விரைவான பிரிப்பிற்கு GPU பரிந்துரைக்கப்படுகிறது, ஆனால் சிறிய பகுப்பாய்வுகளுக்கு CPU செயலாக்கமும் ஆதரிக்கப்படுகிறது.
ஆம், Napari GUI ஒருங்கிணைப்பால் சிக்கலான பகுதிகளின் பிரிப்பு மாஸ்குகளை இடைமுகமாக திருத்தி மேம்படுத்த முடியும்.
Ilastik
| உருவாக்குனர் | ஐரோப்பிய மூலக்கூறு உயிரியல் ஆய்வு நிலையம் (EMBL) மற்றும் தொடர்புடைய கல்வி கூட்டாளர்களின் Ilastik குழு |
| ஆதரவு வழங்கும் தளங்கள் |
|
| மொழி | ஆங்கிலம் |
| விலை | இலவசம் மற்றும் திறந்த மூலமாக உள்ளது |
கண்ணோட்டம்
Ilastik என்பது சக்திவாய்ந்த, செயற்கை நுண்ணறிவு இயக்கப்படும் கருவி ஆகும், இது மைக்ரோஸ்கோபி தரவுகளின் இணையதள படப் பிரிவினை, வகைப்படுத்தல் மற்றும் பகுப்பாய்வுக்கு உகந்தது. Random Forest வகைப்படுத்திகள் போன்ற இயந்திரக் கற்றல் தொழில்நுட்பங்களை பயன்படுத்தி, இது ஆராய்ச்சியாளர்களுக்கு பிக்சல்களை பிரிக்க, பொருட்களை வகைப்படுத்த, செல்களை நேரத்தின்போது கண்காணிக்க மற்றும் 2D மற்றும் 3D தரவுத்தொகுப்புகளில் அடர்த்தி எண்ணிக்கையை செய்ய உதவுகிறது. அதன் எளிய இடைமுகம் மற்றும் நேரடி பின்னூட்டத்துடன், Ilastik நிரலாக்க நிபுணத்துவம் இல்லாத விஞ்ஞானிகளுக்கும் அணுகக்கூடியது மற்றும் செலியல் உயிரியல், நரம்பியல் மற்றும் மருத்துவ படப்பிடிப்பில் பரவலாக பயன்படுத்தப்படுகிறது.
முக்கிய அம்சங்கள்
உதாரண பகுதிகளை குறிக்கும் போது உடனடி பிரிவினை முடிவுகளுக்கான நேரடி பின்னூட்டம்.
வடிவியல் மற்றும் தீவிரத்தன்மை அம்சங்களின் அடிப்படையில் பிரிக்கப்பட்ட அமைப்புகளை வகைப்படுத்துதல்.
2D மற்றும் 3D நேரம்-கால மைக்ரோஸ்கோபி பரிசோதனைகளில் செல்களின் இயக்கம் மற்றும் பிரிவை கண்காணித்தல்.
தெளிவான பிரிவினை இல்லாமல் கூட்டமான பகுதிகளில் எண்ணிக்கையை அளவிடுதல்.
சிக்கலான 3D அளவுகளுக்கான அரை-தானியங்கி பிரிவினை, எளிய தொடர்புடன்.
தலைமையற்ற கட்டளை வரி முறையில் பல படங்களை தானாக செயலாக்குதல்.
பதிவிறக்கம்
தொடக்க வழிகாட்டி
உங்கள் இயக்க முறைமைக்கான Ilastik ஐ அதிகாரப்பூர்வ இணையதளத்திலிருந்து பதிவிறக்கம் செய்யவும். தொகுப்பில் தேவையான அனைத்து Python சார்புகளும் உள்ளடக்கப்பட்டுள்ளன, எனவே உங்கள் தளத்திற்கான நிறுவல் வழிமுறைகளை பின்பற்றவும்.
Ilastik ஐ திறந்து உங்கள் பகுப்பாய்வு பணிமுறையை தேர்ந்தெடுக்கவும்: பிக்சல் வகைப்படுத்தல், பொருள் வகைப்படுத்தல், கண்காணிப்பு அல்லது அடர்த்தி எண்ணிக்கை. உங்கள் படத் தரவுத்தொகுப்பை ஏற்றவும், இது பல சேனல், 3D அல்லது நேரம்-கால படங்களை உள்ளடக்கலாம்.
உங்கள் படங்களில் சில பிரதிநிதி பிக்சல்கள் அல்லது பொருட்களை குறிக்கவும். Ilastik இன் Random Forest வகைப்படுத்தி இந்த குறிப்புகளிலிருந்து கற்றுக்கொண்டு உங்கள் முழு தரவுத்தொகுப்பில் தானாகவே லேபிள்களை கணிக்கிறது.
பயிற்சி பெற்ற மாதிரியை உங்கள் முழு தரவுத்தொகுப்பில் பிரிவினை செய்ய அல்லது வகைப்படுத்த பயன்படுத்தவும். முடிவுகளை லேபிள் செய்யப்பட்ட படங்கள், சாத்தியக்கூறு வரைபடங்கள் அல்லது அளவீட்டு அட்டவணைகளாக ஏற்றுமதி செய்து பின்னர் பகுப்பாய்வு மற்றும் காட்சிப்படுத்தலில் பயன்படுத்தலாம்.
மனித இடையீடு இல்லாமல் பல படங்களை தானாக செயலாக்க Ilastik இன் தலைமையற்ற முறையை பயன்படுத்தவும், இது பெரிய அளவிலான பகுப்பாய்வு பணிக்கான சிறந்தது.
வரம்புகள் மற்றும் கவனிக்க வேண்டியவை
- இணையதள குறிப்பு மிகப் பெரிய தரவுத்தொகுப்புகளுக்கு நேரம் அதிகமாகக் கொள்ளலாம்
- துல்லியம் பயனர் குறிப்பு தரம் மற்றும் பிரதிநிதித்துவத்தின்படி மாறும்
- நினைவக தேவைகள் — மிக உயர்தர தீர்மானம் அல்லது பல-கிகாபைட் தரவுத்தொகுப்புகள் அதிக RAM தேவைப்படலாம்
- சிக்கலான தரவு — Random Forest வகைப்படுத்திகள் ஆழமான நரம்பு வலைப்பின்னல்களைவிட மாறுபடும் அல்லது சிக்கலான படத் தரவுகளில் குறைவாக செயல்படலாம்
அடிக்கடி கேட்கப்படும் கேள்விகள்
ஆம், Ilastik முழுமையாக 3D அளவுகளையும் நேரம்-கால பரிசோதனைகளையும் பிரிவினை, கண்காணிப்பு மற்றும் பல நேரங்களில் அளவீட்டு பகுப்பாய்வுக்கு ஆதரிக்கிறது.
ஆம், Ilastik முற்றிலும் இலவசமும் திறந்த மூலமாகவும் உள்ளது, அனைத்து பயனர்களுக்கும் உரிமம் இல்லாமல் கிடைக்கிறது.
இல்லை, Ilastik நேரடி பின்னூட்டத்துடன் கூடிய எளிய கிராபிகல் இடைமுகத்தை வழங்குகிறது, இது நிரலாக்க நிபுணத்துவம் இல்லாத ஆராய்ச்சியாளர்களுக்கும் அணுகக்கூடியது. மேம்பட்ட பயனர்கள் கட்டளை வரி தொகுப்பு செயலாக்கத்தையும் பயன்படுத்தலாம்.
ஆம், அர்ப்பணிக்கப்பட்ட கண்காணிப்பு பணிமுறை 2D மற்றும் 3D நேரம்-கால தரவுத்தொகுப்புகளில் செல்களின் இயக்கம் மற்றும் பிரிவை தானாக வரிசைப்படுத்தி பகுப்பாய்வு செய்ய உதவுகிறது.
பிரிவினை வெளியீடுகளை லேபிள் செய்யப்பட்ட படங்கள், சாத்தியக்கூறு வரைபடங்கள் அல்லது அளவீட்டு அட்டவணைகளாக ஏற்றுமதி செய்யலாம், இது பின்னர் பகுப்பாய்வு கருவிகள் மற்றும் காட்சிப்படுத்தல் மென்பொருட்களுடன் எளிதில் இணைக்க உதவும்.
இந்த கருவிகள் ஆரம்ப நிலை முதல் நிபுணர் நிலை வரை பரவலாக உள்ளன. பல கருவிகள் இலவசமும் திறந்த மூலமும் ஆகும், ஆராய்ச்சி சமூகத்தில் மறுபடியும் உருவாக்கக்கூடிய மற்றும் பகிரக்கூடிய செயற்கை நுண்ணறிவு வேலைநடவடிக்கைகளை எளிதாக்குகின்றன.
சவால்கள் மற்றும் எதிர்கால திசைகள்
தற்போதைய சவால்கள்
தோன்றும் போக்குகள்
காட்சி அடித்தள மாதிரிகள்
அடுத்த தலைமுறை செயற்கை நுண்ணறிவு அமைப்புகள் பணிக்கான தனிப்பட்ட பயிற்சியின் தேவையை குறைக்கும் வாக்குறுதி அளிக்கின்றன.
- SAM மற்றும் CLIP அடிப்படையிலான மாதிரிகள்
- ஒரே செயற்கை நுண்ணறிவு பல மைக்ரோஸ்கோப் பணிகளை கையாளும்
- விரைவான நடைமுறைப்படுத்தல் மற்றும் தகுதிசெய்தல்
செயற்கை நுண்ணறிவு உதவியுடன் மைக்ரோஸ்கோப்புகள்
முழுமையாக தானியங்கி மற்றும் புத்திசாலி மைக்ரோஸ்கோப் அமைப்புகள் நிஜமாகி வருகின்றன.
- பெரிய மொழி மாதிரிகள் மூலம் இயற்கை மொழி கட்டுப்பாடு
- முழுமையான தானியங்கி பின்னூட்டச் சுற்றுகள்
- மேம்பட்ட மைக்ரோஸ்கோப் அணுகலை ஜனநாயகப்படுத்துகிறது
முக்கியக் குறிப்புகள்
- செயற்கை நுண்ணறிவு துல்லியத்தையும் தானியக்கத்தையும் மேம்படுத்தி மைக்ரோஸ்கோப் பட செயலாக்கத்தை விரைவாக மாற்றி வருகிறது
- ஆழ்ந்த கற்றல் சிக்கலான, மாறுபடும் மைக்ரோஸ்கோப் படங்களில் பாரம்பரிய இயந்திரக் கற்றலைவிட சிறந்தது
- CNNகள் மூல பிக்சல்களிலிருந்து தானாக அடுக்குமுறை அம்சங்களை கற்றுக்கொள்கின்றன, உறுதியான பகுப்பாய்வுக்கு
- முக்கிய பயன்பாடுகளில் பிரித்தல், வகைப்படுத்தல், பின்தொடர்தல், சத்தம் நீக்குதல் மற்றும் தானியங்கி படப் பெறுதல் அடங்கும்
- வெற்றி தரமான தரவு மற்றும் நிபுணர்களின் கவனமான சரிபார்ப்பில் சார்ந்தது
- காட்சி அடித்தள மாதிரிகள் மற்றும் செயற்கை நுண்ணறிவு உதவியுடன் மைக்ரோஸ்கோப்புகள் துறையின் எதிர்காலத்தை பிரதிநிதித்துவம் செய்கின்றன
தொடர்ந்து முன்னேற்றங்கள் மற்றும் சமூக முயற்சிகள் (திறந்த மூல கருவிகள், பகிரப்பட்ட தரவுத்தொகுப்புகள்) மூலம், செயற்கை நுண்ணறிவு மைக்ரோஸ்கோப்பின் "கண்" ஆகி, அறிவியலாளர்களுக்கு தெரியாததை காண உதவும்.
கருத்துக்கள் 0
கருத்து இடவும்
இதுவரை கருத்து இல்லை. முதலில் கருத்திடுங்கள்!