徠卡直播預告：從傳統(tǒng)生物醫(yī)學圖像處理到AI圖像分析

Epidermal cell (KI(krt8:EGFP)，原圖（左側，Leica SP8拍攝）及Aivia 軟件自動分割后的細胞輪廓（右側）), 中國科學院水生生物研究所，孫永華實驗室

簡介

在過往的線上培訓會中，我們與大家分享了圖像的展示，視頻錄制輸出，計數(shù)及形態(tài)測量，共定位，以及Aivia AI 工具中的機器學習部分。

這一期的線上培訓會，我們有幸邀請到了上�？萍即髮W生命學院分子影像平臺主任李曉明老師。李老師在日常工作中接觸了大量的數(shù)據(jù)分析工具，并熟知這些工具的用法。在這次培訓會中，李老師將為大家全面地介紹圖像分析工具及其發(fā)展，帶領大家梳理數(shù)據(jù)處理的各種思路。隨后，我們的應用專家鄧廣杰先生將在 Aivia 軟件中演示如何創(chuàng)建和應用深度學習模型進行生物圖像分析。

小常識

機器學習 (Machine Learning) 包括了統(tǒng)計模型和算法, 允許計算機執(zhí)行特定的數(shù)據(jù)分析任務。分析任務包括分類、排序等等, 能夠在有或沒有人工注釋的數(shù)據(jù)集上執(zhí)行。深度學習(Deep learning) 是指一系列基于人工神經(jīng)網(wǎng)絡 (ANN) 的機器學習模型。

深度學習(Deep Learning)能夠自動處理重復性任務, 并通過對復雜數(shù)據(jù)整合產(chǎn)生可靠的預測, 在過去十年中徹底改變了生物學和醫(yī)學。由于制樣方法、成像方式和采集參數(shù)不一, 生物圖像間存在非常大的差異。深度學習是一種特別適合用于處理顯微鏡數(shù)據(jù)的算法。

在Aivia 中，深度學習模型包括三種應用：圖像恢復、分割和預測。

圖像恢復

因為需要平衡信噪比, 分辨率和光毒性, 所以長時間活細胞成像非常具有挑戰(zhàn)性。通過深度學習圖像恢復, 我們可以恢復在弱光下拍攝的圖像的分辨率和信噪比。

圖像分割

在Aivia中，我們開發(fā)了數(shù)種基于不同卷積神經(jīng)網(wǎng)絡架構(DenseNet、UNet、3D-Unet)的預訓練深度學習模型來處理電子顯微鏡圖像分割。

圖像預測

圖像預測采用一對圖像，例如細胞相差圖像和相應的帶熒光標記的細胞核圖像進行訓練, 并創(chuàng)建一個模型來預測帶熒光標記的細胞核在其他相差圖像上相應的位置。

徠卡Aivia線上直播活動系列之五，將帶你了解深度學習在圖像分析中的應用。

直播時間

2022年6月21日  14:30-15:30

報名方式

長按識別二維碼

預約報名

講師介紹

李曉明

高級工程師

2013年于中國科學院上海應用物理研究所取得博士學位，2013年-2015年于上海應用物理所進行博士后研究，博士和博后期間的研究內(nèi)容主要為同步輻射技術和光學顯微鏡技術（Confocal、TIRF、STED等）在細胞成像中的應用�，F(xiàn)任上�？萍即髮W生命學院分子影像平臺主任，負責學院影像平臺的組建與管理。李老師熟悉單光子激光共聚焦顯微鏡、雙光子顯微鏡、轉盤共聚焦顯微鏡以及各種超高分辨率顯微鏡等多種光學成像手段，熟練掌握多種圖像分析軟件，并開設了研究生課程《生物醫(yī)學圖像處理基礎》。

鄧廣杰

徠卡顯微系統(tǒng)

生命科學應用專家

鄧廣杰，徠卡的應用專家，2003年于香港科技大學取得生物化學學士學位, 并在2005年取得生物技術理學碩士學位，2010年加入徠卡, 負責寬場、共聚焦和超高分辨系統(tǒng)的應用支持, 在各種應用領域積累了豐富經(jīng)驗。