Módulo de IA permite la segmentación y procesamiento predictivos de imágenes
Por el equipo editorial de MedImaging 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 Imaginología General noticias
- Aplicación RA convierte escaneos médicos en hologramas para ayudar en planificación quirúrgica
- Tecnología de imágenes proporciona nuevo enfoque innovador para diagnosticar y tratar cáncer de intestino
- Puntuación de calcio coronario por TC predice ataques cardíacos y accidentes cerebrovasculares
- Modelo de IA detecta 90 % de casos de cáncer linfático a partir de imágenes de PET y TC
- El algoritmo de aprendizaje profundo basado en TC diferencia con precisión las fracturas vertebrales benignas de las malignas
- Tecnología innovadora revoluciona imágenes mamarias
- Sistema de última generación mejora la precisión de procedimientos intervencionistas y diagnóstico guiados por imágenes
- Dispositivo basado en catéter con nuevo enfoque de imágenes cardiovasculares ofrece visión sin precedentes de placas peligrosas
- Modelo de IA dibuja mapas para identificar con precisión tumores y enfermedades en imágenes médicas
- Sistema de TC habilitado por IA proporciona resultados de imágenes más precisos y confiables
- Exámenes de TC tórax de rutina pueden identificar pacientes con riesgo de enfermedad cardiovascular
- Software de planificación quirúrgica preoperatoria de RA hace que la cirugía sea más segura y eficiente
- Biopsia virtual impulsada por IA ayuda a evaluar cáncer de pulmón a partir de exploraciones médicas
- Nuevos materiales imprimibles en 3D para cirugía reconstructiva se pueden monitorear mediante rayos X o TC
- TC con conteo de fotones mejora evaluación de enfermedad arterial coronaria
- Nuevo radiotrazador ilumina exploración PET para detección más temprana de enfermedades