Die scanR High-Content Screening-Station (HCS) ermöglicht eine vollautomatische Bildaufnahme und Datenanalyse. Die Version 3.3 verbessert die Fähigkeiten der Deep-Learning-Technologie, Objekte in biologischen Proben mithilfe einer sofortigen Segmentierung zuverlässig zu trennen und verschiedene Objekte von Interesse in einem Bild zu erkennen und abzugrenzen.
Zuverlässige Bildsegmentierung
Mithilfe einer selbstlernenden Mikroskopiemethode analysiert die KI des scanR Systems automatisch Daten in einem Proben-basierten Arbeitsablauf. Die Deep-Learning-Technologie kann Zellen, Zellkerne und subzelluläre Objekte erkennen und Merkmale aus einer Liste von mehr als 100 Objektparametern extrahieren. Die Version 3.3 verbessert die Möglichkeiten der Deep-Learning-Technologie zur Objektsegmentierung erheblich. Schwer zu unterscheidende Objekte wie Zellen oder Zellkerne, die sich sehr nah beieinander befinden, wie es beispielsweise in Zellkolonien oder Gewebe der Fall ist, können so genauer segmentiert werden.
Vortrainierte Modelle
Neben Werkzeugen zur Entwicklung neuronaler Netzmodelle für spezifische Anwendungen enthält die scanR Version 3.3 vortrainierte neuronale Netzmodelle für Zellkerne und Zellen. Diese können für viele Standardanwendungen verwendet werden, wie etwa zur Unterscheidung zwischen konfluenten Zellen und dichten Zellkernen, wodurch der Zeitaufwand zum Training des neuronalen Netzes entfällt.
Einfachere Kalibrierung und Zusammenarbeit
Die Version 3.3 der scanR Software enthält auch einen Kalibrierassistenten für Well-Platten, mit dem eine neue Well-Platte einfach und schnell für das System kalibriert werden kann. Zudem ermöglicht eine neue Lizenzstufe Mitarbeitern, scanR Analysedateien zu öffnen, zu überprüfen und neu zu erstellen, um die gemeinsame Nutzung von Ergebnissen zu erleichtern. Weitere Informationen zur scanR High-Content Screening Station finden Sie unter olympus-lifescience.com/microscopes/inverted/scanr/.
Zuverlässige Bildsegmentierung
Mithilfe einer selbstlernenden Mikroskopiemethode analysiert die KI des scanR Systems automatisch Daten in einem Proben-basierten Arbeitsablauf. Die Deep-Learning-Technologie kann Zellen, Zellkerne und subzelluläre Objekte erkennen und Merkmale aus einer Liste von mehr als 100 Objektparametern extrahieren. Die Version 3.3 verbessert die Möglichkeiten der Deep-Learning-Technologie zur Objektsegmentierung erheblich. Schwer zu unterscheidende Objekte wie Zellen oder Zellkerne, die sich sehr nah beieinander befinden, wie es beispielsweise in Zellkolonien oder Gewebe der Fall ist, können so genauer segmentiert werden.
Vortrainierte Modelle
Neben Werkzeugen zur Entwicklung neuronaler Netzmodelle für spezifische Anwendungen enthält die scanR Version 3.3 vortrainierte neuronale Netzmodelle für Zellkerne und Zellen. Diese können für viele Standardanwendungen verwendet werden, wie etwa zur Unterscheidung zwischen konfluenten Zellen und dichten Zellkernen, wodurch der Zeitaufwand zum Training des neuronalen Netzes entfällt.
Einfachere Kalibrierung und Zusammenarbeit
Die Version 3.3 der scanR Software enthält auch einen Kalibrierassistenten für Well-Platten, mit dem eine neue Well-Platte einfach und schnell für das System kalibriert werden kann. Zudem ermöglicht eine neue Lizenzstufe Mitarbeitern, scanR Analysedateien zu öffnen, zu überprüfen und neu zu erstellen, um die gemeinsame Nutzung von Ergebnissen zu erleichtern. Weitere Informationen zur scanR High-Content Screening Station finden Sie unter olympus-lifescience.com/microscopes/inverted/scanr/.
