مائیکروسکوپ امیج پروسیسنگ میں مصنوعی ذہانت

جائزہ

سیلپوز ایک جدید، گہری تعلیم پر مبنی تقسیم کا آلہ ہے جو مائیکروسکوپی تصاویر کے لیے ڈیزائن کیا گیا ہے۔ ایک جنرل الگورتھم کے طور پر، یہ مختلف خلیاتی اقسام (نیوکلئی، سائٹوپلازم وغیرہ) کو مختلف امیجنگ طریقوں میں بغیر ماڈل کی دوبارہ تربیت کے درست طریقے سے تقسیم کرتا ہے۔ انسانی مداخلت کی صلاحیتوں کے ساتھ، محققین نتائج کو بہتر بنا سکتے ہیں، ماڈل کو اپنے ڈیٹا کے مطابق ڈھال سکتے ہیں، اور نظام کو 2D اور 3D دونوں امیجنگ ورک فلو میں استعمال کر سکتے ہیں۔

اہم خصوصیات

ڈاؤن لوڈ یا رسائی

تکنیکی پس منظر

سیلپوز کو اسٹرنگر، وانگ، مائیکلوس، اور پاچیتاریو کی ایک اہم تحقیق میں متعارف کرایا گیا تھا، جو ایک بڑے اور انتہائی متنوع ڈیٹا سیٹ پر تربیت یافتہ تھا جس میں 70,000 سے زائد تقسیم شدہ اشیاء شامل تھیں۔ یہ تنوع ماڈل کو خلیاتی شکلوں، سائز، اور مائیکروسکوپی سیٹنگز میں عام کرنے کے قابل بناتا ہے، جس سے زیادہ تر استعمال کے معاملات میں کسٹم تربیت کی ضرورت نمایاں طور پر کم ہو جاتی ہے۔ 3D ڈیٹا کے لیے، سیلپوز اپنی 2D ماڈل کو "2.5D" انداز میں دوبارہ استعمال کرتا ہے، مکمل 3D تشریح شدہ تربیتی ڈیٹا کی ضرورت سے بچتے ہوئے والیومیٹرک تقسیم فراہم کرتا ہے۔ سیلپوز 2.0 نے انسانی مداخلت کے ذریعے دوبارہ تربیت متعارف کروائی، جو صارفین کو دستی طور پر پیش گوئیاں درست کرنے اور اپنی تصاویر پر دوبارہ تربیت دینے کی اجازت دیتی ہے تاکہ مخصوص ڈیٹا سیٹس پر کارکردگی بہتر ہو سکے۔

تنصیب اور سیٹ اپ

conda create -n cellpose python=3.10

# For GUI support
pip install cellpose[gui]

# For minimal setup (API/CLI only)
pip install cellpose

شروع کریں

GUI موڈ

1. GUI کو چلائیں: python -m cellpose
2. تصویری فائلیں (.tif, .png وغیرہ) انٹرفیس میں گھسیٹیں اور چھوڑیں
3. ماڈل کی قسم منتخب کریں (مثلاً "cyto" سائٹوپلازم کے لیے یا "nuclei" نیوکلئی کے لیے)
4. متوقع خلیے کا قطر مقرر کریں یا سیلپوز کو خودکار طریقے سے کیلائبریٹ کرنے دیں
5. سیگمنٹیشن شروع کرنے کے لیے کلک کریں اور نتائج دیکھیں

پائتھن API موڈ

from cellpose import models

# Load model
model = models.Cellpose(model_type='cyto')

# Segment images
masks, flows = model.eval(images, diameter=30)

بہتر بنائیں اور دوبارہ تربیت دیں

1. ماسک بنانے کے بعد، GUI میں تقسیم کو دستی طور پر درست کریں، ماسک کو ضم یا حذف کریں
2. درست شدہ مثالوں پر دوبارہ تربیت کے لیے بلٹ ان تربیتی فنکشنز استعمال کریں
3. اپنے مخصوص ڈیٹا سیٹ پر ماڈل کی کارکردگی بہتر بنائیں

3D ڈیٹا پروسیس کریں

1. ملٹی-Z TIFF یا والیومیٹرک اسٹیک لوڈ کریں
2. GUI یا API میں --Zstack فلیگ استعمال کریں تاکہ 3D کے طور پر پروسیس کیا جا سکے
3. بہتر تقسیم کے لیے 3D فلو کو ہموار کرنے یا مخصوص پیرامیٹرز کے ذریعے بہتر بنائیں

حدود اور غور و فکر

• ماڈل کی عمومیّت کا سودا: اگرچہ جنرل ماڈل وسیع پیمانے پر کام کرتا ہے، بہت غیر معمولی خلیاتی شکلیں یا امیجنگ حالات دوبارہ تربیت کی ضرورت ہو سکتی ہے۔
• تشریح کی محنت: انسانی مداخلت کی تربیت کے لیے دستی اصلاحات کی ضرورت ہوتی ہے، جو بڑے ڈیٹا سیٹس کے لیے وقت طلب ہو سکتی ہیں۔
• تنصیب کی پیچیدگی: GUI کی تنصیب کے لیے کمانڈ لائن، conda ماحول، اور پائتھن انحصارات کا انتظام درکار ہو سکتا ہے — جو غیر پروگرامرز کے لیے ہمیشہ آسان نہیں۔
• صرف ڈیسک ٹاپ: سیلپوز ڈیسک ٹاپ استعمال کے لیے ڈیزائن کیا گیا ہے؛ کوئی مقامی Android یا iOS ایپ دستیاب نہیں۔

اکثر پوچھے جانے والے سوالات

جائزہ

StarDist خوردبین کی تصاویر میں انسٹینس سیگمنٹیشن کے لیے ایک گہری تعلیم کا آلہ ہے۔ یہ ہر شے (جیسے خلیاتی نیوکلئی) کو 2D میں ستار-کونویکس کثیرالاضلاع یا 3D میں کثیرالسطحی کے طور پر ظاہر کرتا ہے، جو گنجان یا اوورلیپنگ اشیاء کی درست شناخت اور علیحدگی کو ممکن بناتا ہے۔ اپنی مضبوط ساخت کے ساتھ، StarDist فلوروسینس خوردبین، ہسٹاپیتھولوجی، اور دیگر بایو امیج تجزیہ کی ایپلیکیشنز میں خودکار خلیہ اور نیوکلئیس سیگمنٹیشن کے لیے وسیع پیمانے پر استعمال ہوتا ہے۔

اہم خصوصیات

تکنیکی پس منظر

StarDist کو اصل میں MICCAI 2018 کے مقالے میں متعارف کرایا گیا، جس کی بنیادی جدت یہ ہے کہ ہر پکسل کے لیے اشیاء کے امکانات کے ساتھ مقررہ شعاعوں کے ساتھ ریڈیئل فاصلے کی پیش گوئی کی جاتی ہے، جو ستار-کونویکس اشکال کی درست تعمیر نو کو ممکن بناتی ہے۔ یہ طریقہ روایتی پکسل پر مبنی یا باؤنڈنگ باکس طریقوں کے مقابلے میں قریب سے جڑی ہوئی اشیاء کو قابل اعتماد طور پر الگ کرتا ہے جو علیحدہ کرنا مشکل ہوتی ہیں۔

حالیہ ترقیات نے StarDist کو ہسٹاپیتھولوجی تصاویر تک بڑھایا ہے، جو نہ صرف نیوکلئیس سیگمنٹیشن بلکہ شناخت شدہ اشیاء کی کثیرالطبقات درجہ بندی بھی ممکن بناتی ہے۔ اس طریقہ نے CoNIC (کولون نیوکلئی شناخت اور گنتی) چیلنج جیسے مقابلوں میں اعلیٰ کارکردگی حاصل کی ہے۔

ڈاؤن لوڈ یا رسائی

انسٹالیشن اور سیٹ اپ

pip install stardist

pip install stardist-napari

سیگمنٹیشن چلانا

from stardist.models import StarDist2D
model = StarDist2D.from_pretrained('2D_versatile_fluo')
labels, details = model.predict_instances(image)

تربیت اور فائن ٹوننگ

بعد از عمل کے اختیارات

• غیر زیادہ سے زیادہ دباؤ (NMS) کا اطلاق کریں تاکہ غیر ضروری امیدوار اشکال کو ختم کیا جا سکے
• غیر ستار-کونویکس اشکال کے لیے ماسک کو ضم کرنے کے لیے StarDist OPP (آبجیکٹ پوسٹ پروسیسنگ) استعمال کریں

حدود اور غور و فکر

• ستار-کونویکس مفروضہ انتہائی غیر کونویکس یا بہت بے قاعدہ اشکال کو مکمل طور پر ماڈل نہیں کر سکتا
• انسٹالیشن کی پیچیدگی: حسب ضرورت انسٹالیشن کے لیے ایک مطابقت پذیر C++ کمپائلر کی ضرورت ہوتی ہے تاکہ ایکسٹینشنز بنائی جا سکیں
• GPU تیز رفتاری کا انحصار مطابقت پذیر TensorFlow، CUDA، اور cuDNN ورژنز پر ہے
• کچھ صارفین Java کنفیگریشن کی وجہ سے ImageJ پلگ ان چلانے میں مسائل کی اطلاع دیتے ہیں

اکثر پوچھے جانے والے سوالات

درخواست کی معلومات

عمومی جائزہ

SAM (Segment Anything Model) ایک طاقتور AI بنیادی ماڈل ہے جو میٹا نے تیار کیا ہے، جو تصاویر میں تقریباً کسی بھی شے کی تعاملی اور خودکار تقسیم کو ممکن بناتا ہے۔ نقاط، باؤنڈنگ باکسز، یا تقریبی ماسک جیسے پرامپٹس کا استعمال کرتے ہوئے، SAM بغیر کسی مخصوص کام کی دوبارہ تربیت کے تقسیم ماسک تیار کرتا ہے۔ خوردبین تحقیق میں، SAM کی لچک کو خلیہ تقسیم، آرگنیل کی شناخت، اور ہسٹاپیتھولوجی تجزیہ کے لیے ڈھالا گیا ہے، جو محققین کے لیے ایک قابل توسیع حل فراہم کرتا ہے جو ایک پرامپٹ ایبل، عمومی مقصد کے تقسیم آلے کی تلاش میں ہیں۔

تفصیلی تعارف

اصل میں میٹا نے SAM کو 1 بلین سے زائد ماسک پر 11 ملین تصاویر کے ذریعے تربیت دی، یہ ایک پرامپٹ ایبل بنیادی ماڈل کے طور پر ڈیزائن کیا گیا تھا جو نئے شعبوں پر "زیرو شاٹ" کارکردگی دکھاتا ہے۔ طبی تصویری تحقیق میں، SAM کو پورے سلائیڈ کی ہسٹاپیتھولوجی تقسیم، ٹیومر کی شناخت، اور خلیہ نیوکلئی کی شناخت کے لیے جانچا گیا ہے۔ تاہم، گھنے یا پیچیدہ تصاویر میں، جیسے خلیہ نیوکلئی، اس کی کارکردگی مخلوط ہے: یہاں تک کہ وسیع پرامپٹس (مثلاً 20 کلکس یا باکسز) کے باوجود، زیرو شاٹ تقسیم پیچیدہ خوردبینی تصاویر میں مشکلات کا سامنا کر سکتی ہے۔

اس محدودیت کو دور کرنے کے لیے، مخصوص شعبوں کے لیے ڈھالے گئے ورژنز سامنے آئے ہیں:

• SAMCell — بڑے خوردبینی ڈیٹا سیٹس پر فائن ٹیون کیا گیا تاکہ مختلف خلیہ اقسام پر مضبوط زیرو شاٹ تقسیم ممکن ہو بغیر ہر تجربے کی دوبارہ تربیت کے
• μSAM — 17,000 سے زائد دستی طور پر تشریح شدہ خوردبینی تصاویر پر دوبارہ تربیت یافتہ تاکہ چھوٹے خلیاتی ڈھانچوں کی درستگی بہتر ہو

اہم خصوصیات

ڈاؤن لوڈ یا رسائی

صارف گائیڈ

محدودیتیں اور غور و فکر

• زیرو شاٹ کارکردگی گھنے یا اوورلیپنگ ڈھانچوں پر شعبے کی تربیت کے بغیر غیر مستقل
• تقسیم کا معیار پرامپٹ ڈیزائن اور حکمت عملی پر بہت منحصر
• GPU کی سخت سفارش؛ CPU انفرنس بہت سست
• بہت زیادہ ریزولوشن والی پورے سلائیڈ کی تصاویر اور کثیر پیمانے پر ٹشو ڈھانچوں میں مشکلات
• خوردبینی کے لیے SAM کی فائن ٹیوننگ یا تطبیق کے لیے مشین لرننگ کی مہارت درکار ہو سکتی ہے

اکثر پوچھے جانے والے سوالات

جائزہ

AxonDeepSeg ایک اے آئی سے چلنے والا ٹول ہے جو خوردبین کی تصاویر میں ایکسونز اور مائلین کی خودکار سیگمنٹیشن کے لیے ہے۔ کنولوشنل نیورل نیٹ ورکس کا استعمال کرتے ہوئے، یہ TEM، SEM، اور برائٹ-فیلڈ خوردبین سمیت متعدد امیجنگ طریقوں میں درست تین کلاس کی سیگمنٹیشن (ایکسون، مائلین، پس منظر) فراہم کرتا ہے۔ ایکسون کے قطر، جی-ریشو، اور مائلین کی موٹائی جیسے مورفومیٹرک پیمائشوں کو خودکار بنا کر، AxonDeepSeg نیوروسائنس تحقیق میں مقداری تجزیے کو آسان بناتا ہے، دستی تشریح کے وقت کو نمایاں طور پر کم کرتا ہے اور قابلِ تکراریت کو بہتر بناتا ہے۔

اہم خصوصیات

تکنیکی تفصیلات

نیوروپولی لیب کی جانب سے تیار کردہ AxonDeepSeg ڈیپ لرننگ کا استعمال کرتے ہوئے نیوروسائنسی ایپلیکیشنز کے لیے اعلیٰ درستگی کی سیگمنٹیشن فراہم کرتا ہے۔ مختلف خوردبینی طریقوں کے لیے پری ٹرینڈ ماڈلز دستیاب ہیں جو امیجنگ تکنیکوں میں ورسٹائل ہیں۔ یہ ٹول Napari کے ساتھ انضمام کرتا ہے، جو سیگمنٹیشن ماسکس کی انٹرایکٹو اصلاحات کی اجازت دیتا ہے، جس سے مشکل ڈیٹا سیٹس پر درستگی میں اضافہ ہوتا ہے۔ AxonDeepSeg اہم مورفومیٹرک میٹرکس کا حساب لگاتا ہے، جو نیورل ٹشو کی ساخت اور بیماریوں کے بڑے پیمانے پر مطالعات کی حمایت کرتا ہے۔ اس کا پائتھن پر مبنی فریم ورک ایکسون اور مائلین کی مورفولوجی کے بڑے پیمانے پر تجزیے کے لیے حسب ضرورت پائپ لائنز میں انضمام کو ممکن بناتا ہے۔

ڈاؤن لوڈ یا رسائی

تنصیب اور سیٹ اپ

pip install axondeepseg napari

اہم نکات

• نئی یا غیر تربیت یافتہ امیجنگ موڈیلٹیز پر کارکردگی کم ہو سکتی ہے
• مشکل یا پیچیدہ علاقوں کے لیے دستی اصلاحات کی ضرورت ہو سکتی ہے
• بڑے ڈیٹا سیٹس کی تیز پروسیسنگ کے لیے GPU کی سفارش کی جاتی ہے؛ CPU پروسیسنگ بھی دستیاب ہے

اکثر پوچھے جانے والے سوالات

جائزہ

Ilastik ایک طاقتور، AI سے چلنے والا آلہ ہے جو خوردبین کے ڈیٹا کی انٹرایکٹو امیج سیگمنٹیشن، درجہ بندی، اور تجزیہ کے لیے استعمال ہوتا ہے۔ رینڈم فاریسٹ کلاسیفائرز جیسے مشین لرننگ تکنیکوں کا استعمال کرتے ہوئے، یہ محققین کو پکسلز کو سیگمنٹ کرنے، آبجیکٹس کی درجہ بندی کرنے، وقت کے ساتھ سیلز کو ٹریک کرنے، اور 2D اور 3D ڈیٹا سیٹس میں ڈینسٹی کاؤنٹنگ کرنے کی سہولت دیتا ہے۔ اپنی آسان انٹرفیس اور حقیقی وقت فیڈبیک کے ساتھ، Ilastik سائنسدانوں کے لیے قابل رسائی ہے جنہیں پروگرامنگ کی مہارت حاصل نہیں اور یہ سیل بایولوجی، نیوروسائنس، اور بایومیڈیکل امیجنگ میں وسیع پیمانے پر استعمال ہوتا ہے۔

اہم خصوصیات

ڈاؤن لوڈ

شروعاتی رہنما

حدود اور غور و فکر

• انٹرایکٹو لیبلنگ بہت بڑے ڈیٹا سیٹس کے لیے وقت طلب ہو سکتی ہے
• درستگی صارف کی تشریحات کے معیار اور نمائندگی پر منحصر ہے
• میموری کی ضروریات — بہت اعلیٰ ریزولوشن یا کثیر گیگابائٹ ڈیٹا سیٹس کے لیے نمایاں RAM کی ضرورت ہو سکتی ہے
• پیچیدہ ڈیٹا — رینڈم فاریسٹ کلاسیفائرز گہرے نیورل نیٹ ورکس کے مقابلے میں متغیر یا پیچیدہ امیجنگ ڈیٹا پر کم مؤثر ہو سکتے ہیں

اکثر پوچھے جانے والے سوالات