Módulo de IA permite la segmentación y procesamiento predictivos de imágenes
Por el equipo editorial de HospiMedica en español Actualizado el 30 Dec 2019 |
Imagen: Un conjunto de aplicaciones de microscopía ayuda a la imagenología predictiva, la segmentación y el procesamiento (Fotografía cortesía de Nikon Instruments)
Un módulo potente de análisis y procesamiento de imágenes aprovecha el aprendizaje profundo y la inteligencia artificial (IA) para extraer con exactitud datos imparciales de grandes cantidades de conjuntos de datos de microscopía.
El módulo de análisis y procesamiento de imágenes de microscopía NIS.ai de Nikon Instruments (Melville, NY, EUA) es un conjunto de herramientas de procesamiento basadas en inteligencia artificial que utiliza redes neuronales convolucionales (CNN) para aprender a leer imágenes de pequeños conjuntos de datos de capacitación proporcionados por el usuario. Los resultados de la capacitación se pueden aplicar para procesar y analizar grandes volúmenes de datos, lo que permite a los investigadores aumentar el rendimiento y ampliar sus límites de aplicación. El NIS.ai incluye un conjunto de aplicaciones para imagenología predictiva, segmentación y procesamiento de imágenes. Éstas incluyen:
Convert.ai, que aprende patrones relacionados en dos canales de imagenología diferentes. Después del entrenamiento, Convert.ai puede predecir el patrón en el segundo canal, incluso cuando se presenta solo con el primer canal. También se puede entrenar para predecir dónde la coloración fluorescente de núcleos basada en DAPI, un método común para la segmentación y el recuento de células, se podría basar en imágenes de microscopía de contraste de interferencia diferencial (DIC) o de contraste de fase no coloreadas. Esto permite a los usuarios realizar análisis de imágenes basadas en núcleos sin tener que colorear las muestras con DAPI o adquirir un canal fluorescente.
Segment.ai, que permite identificar y segmentar fácilmente estructuras complejas. Las neuritas en las imágenes de contraste de fase son tradicionalmente difíciles de definir mediante el umbral clásico. Segment.ai se puede entrenar en un pequeño subconjunto de neuritas trazadas a mano para detectar y segmentar automáticamente neuritas de miles de conjuntos de datos no rastreados.
Enhance.ai, que permite mejorar las muestras fluorescentes tenues con una baja relación señal/ruido (SNR) al aprender cómo se ve una imagen de alta señal a ruido, a través de un proceso que compara imágenes subexpuestas y óptimamente expuestas. Enhance.ai puede restaurar detalles en imágenes fluorescentes tenues o poco expuestas, lo que permite a los investigadores obtener más información de sus aplicaciones de imágenes de baja señal.
Denoise.ai, que elimina el ruido de disparo de las imágenes confocales resonantes y se puede realizar en tiempo real. La aplicación de Denoise.ai a las imágenes confocales resonantes permite a los usuarios adquirir imágenes confocales a una velocidad ultra alta sin sacrificar la calidad de las imágenes.
“La aplicación de Aprendizaje Profundo e IA a la imagenología biomédica es extremadamente poderosa y abre posibilidades invisibles”, dijo Steve Ross, PhD, director de productos y marketing de Nikon Instruments. “Con NIS.ai, los investigadores pueden aplicar fácilmente el aprendizaje profundo para extraer datos significativos e imparciales de conjuntos de datos grandes y complejos”.
Enlace relacionado:
Nikon Instruments
El módulo de análisis y procesamiento de imágenes de microscopía NIS.ai de Nikon Instruments (Melville, NY, EUA) es un conjunto de herramientas de procesamiento basadas en inteligencia artificial que utiliza redes neuronales convolucionales (CNN) para aprender a leer imágenes de pequeños conjuntos de datos de capacitación proporcionados por el usuario. Los resultados de la capacitación se pueden aplicar para procesar y analizar grandes volúmenes de datos, lo que permite a los investigadores aumentar el rendimiento y ampliar sus límites de aplicación. El NIS.ai incluye un conjunto de aplicaciones para imagenología predictiva, segmentación y procesamiento de imágenes. Éstas incluyen:
Convert.ai, que aprende patrones relacionados en dos canales de imagenología diferentes. Después del entrenamiento, Convert.ai puede predecir el patrón en el segundo canal, incluso cuando se presenta solo con el primer canal. También se puede entrenar para predecir dónde la coloración fluorescente de núcleos basada en DAPI, un método común para la segmentación y el recuento de células, se podría basar en imágenes de microscopía de contraste de interferencia diferencial (DIC) o de contraste de fase no coloreadas. Esto permite a los usuarios realizar análisis de imágenes basadas en núcleos sin tener que colorear las muestras con DAPI o adquirir un canal fluorescente.
Segment.ai, que permite identificar y segmentar fácilmente estructuras complejas. Las neuritas en las imágenes de contraste de fase son tradicionalmente difíciles de definir mediante el umbral clásico. Segment.ai se puede entrenar en un pequeño subconjunto de neuritas trazadas a mano para detectar y segmentar automáticamente neuritas de miles de conjuntos de datos no rastreados.
Enhance.ai, que permite mejorar las muestras fluorescentes tenues con una baja relación señal/ruido (SNR) al aprender cómo se ve una imagen de alta señal a ruido, a través de un proceso que compara imágenes subexpuestas y óptimamente expuestas. Enhance.ai puede restaurar detalles en imágenes fluorescentes tenues o poco expuestas, lo que permite a los investigadores obtener más información de sus aplicaciones de imágenes de baja señal.
Denoise.ai, que elimina el ruido de disparo de las imágenes confocales resonantes y se puede realizar en tiempo real. La aplicación de Denoise.ai a las imágenes confocales resonantes permite a los usuarios adquirir imágenes confocales a una velocidad ultra alta sin sacrificar la calidad de las imágenes.
“La aplicación de Aprendizaje Profundo e IA a la imagenología biomédica es extremadamente poderosa y abre posibilidades invisibles”, dijo Steve Ross, PhD, director de productos y marketing de Nikon Instruments. “Con NIS.ai, los investigadores pueden aplicar fácilmente el aprendizaje profundo para extraer datos significativos e imparciales de conjuntos de datos grandes y complejos”.
Enlace relacionado:
Nikon Instruments
Últimas TI noticias
- Modelo de aprendizaje automático mejora predicción del riesgo de mortalidad para pacientes de cirugía cardíaca
- Colaboración estratégica para desarrollar e integrar IA generativa en el cuidado de la salud
- Solución de quirófanos habilitada para IA ayuda a hospitales a maximizar la utilización y desbloquear la capacidad
- IA predice cáncer de páncreas tres años antes del diagnóstico a partir de registros médicos de los pacientes
- Primer sistema de autorizaciones médicas personalizadas de IA generativa totalmente autónoma reduce el retraso en la atención
- Según un estudio, registros médicos electrónicos pueden ser clave para mejorar la atención al paciente
- IA entrenada para biomarcadores vocales específicos podría predecir con precisión enfermedad de arterias coronarias
- Inteligencia artificial detecta las fracturas en los rayos X con exactitud
- Lectura capacitada por IA aumenta la exactitud de la mamografía
- Herramienta estadística predice los picos de COVID-19 en todo el mundo
- Sistema inteligente para detectar la fiebre y los contactos ayuda a que los negocios puedan reabrir
- Tecnología nueva permite la identificación a través de una máscara
- Servicio de ciberseguridad protege los dispositivos médicos de ataques
- Inteligencia artificial puede detectar los niveles de glucosa a través del ECG
- Implante neural suave de control inalámbrico estimula las células del cerebro
- Stent pequeño de polímero podría tratar las estenosis uretrales pediátricas