Vor der Analyse steht die Segmentierung. Life-Science-Anwender stehen bei ihrer Arbeit immer wieder vor der Herausforderung, exakt die Daten aus einer mikroskopischen Aufnahme zu generieren, die sie für ihre Aufgaben benötigen – und das möglichst ohne die Proben dabei zu schädigen. Herkömmliche Verfahren liefern hier oft nur unzureichende Ergebnisse. Olympus hat seine Imaging-Software cellSens daher mit Deep-Learning-Technologie ausgestattet, um Forschern innerhalb kürzester Zeit eine optimale Segmentierungsanalyse zu ermöglichen.
Bildanalysen sind ein zentraler Bestandteil zahlreicher Life-Science-Applikationen. Häufig gilt es dabei, Zielstrukturen wie Zellen und Organellen durch Segmentierung aus dem restlichen Bild zu extrahieren. Herkömmliche Schwellenwertverfahren, die auf Helligkeit und Farbgebung basieren, bergen jedoch die Gefahr, dass wichtige Eigenschaften übersehen oder Bereiche der Probe überhaupt nicht erkannt werden.
Mithilfe der Deep-Learning-Technologie der Imaging-Software cellSens von Olympus kann der Nutzer das System jedoch schnell trainieren, um diese Informationen umgehend und automatisch zu erfassen. Dadurch werden Geschwindigkeit und Genauigkeit bei der Erkennung von ungefärbten Proben, der quantitativen Analyse von fluoreszenzgefärbten Zellen und der Segmentierung anhand morphologischer Merkmale optimiert.
Mehr Effizienz bei der Zellkern-Erkennung ohne Färbung
Fluoreszenzfärbung und UV-Anregung zur konventionellen Erkennung von Zellkernen sind zeitaufwändig und können die Zellen beschädigen. Die Software cellSens ermöglicht es hingegen, Zellkerne mittels einfacher Durchlichtaufnahmen zu identifizieren und zu segmentieren, sodass keine Fluoreszenzfärbung mehr erforderlich ist.
Weniger Phototoxozität während der Fluoreszenzbildgebung für eine präzisere Datenerfassung
Dank der DeepLearning-Technologie der Software cellSens lassen sich genaue Analysedaten von Bildern mit geringem Signal-Rausch-Verhältnis erzielen. Die Technologie zeichnet sich durch eine hervorragende Präzision aus, wobei die Stärke des Anregungslichts, dem die Zellen ausgesetzt sind, erheblich reduziert ist. Dadurch wird eine Segmentierung mit hoher Auflösung möglich und die Zellen bleiben unbeschädigt.
Zeitersparnis mit automatisierter Zellzählung und -messung
Deep Learning ermöglicht zudem eine zeitsparende automatisierte Identifizierung und Zählung mitotischer Zellen und erleichtert insbesondere auch Segmentierungsaufnahmen von Gewebeproben (wie Nierenglomeruli), die mit konventionellen Methoden nur schwer zu erreichen sind.
Näheres zur Software cellSens, zur Technologie Deep Learning und weiteren Life-Sience-Lösungen von Olympus finden Sie hier: https://www.olympus-lifescience.com/de/
Bildanalysen sind ein zentraler Bestandteil zahlreicher Life-Science-Applikationen. Häufig gilt es dabei, Zielstrukturen wie Zellen und Organellen durch Segmentierung aus dem restlichen Bild zu extrahieren. Herkömmliche Schwellenwertverfahren, die auf Helligkeit und Farbgebung basieren, bergen jedoch die Gefahr, dass wichtige Eigenschaften übersehen oder Bereiche der Probe überhaupt nicht erkannt werden.
Mithilfe der Deep-Learning-Technologie der Imaging-Software cellSens von Olympus kann der Nutzer das System jedoch schnell trainieren, um diese Informationen umgehend und automatisch zu erfassen. Dadurch werden Geschwindigkeit und Genauigkeit bei der Erkennung von ungefärbten Proben, der quantitativen Analyse von fluoreszenzgefärbten Zellen und der Segmentierung anhand morphologischer Merkmale optimiert.
Mehr Effizienz bei der Zellkern-Erkennung ohne Färbung
Fluoreszenzfärbung und UV-Anregung zur konventionellen Erkennung von Zellkernen sind zeitaufwändig und können die Zellen beschädigen. Die Software cellSens ermöglicht es hingegen, Zellkerne mittels einfacher Durchlichtaufnahmen zu identifizieren und zu segmentieren, sodass keine Fluoreszenzfärbung mehr erforderlich ist.
Weniger Phototoxozität während der Fluoreszenzbildgebung für eine präzisere Datenerfassung
Dank der DeepLearning-Technologie der Software cellSens lassen sich genaue Analysedaten von Bildern mit geringem Signal-Rausch-Verhältnis erzielen. Die Technologie zeichnet sich durch eine hervorragende Präzision aus, wobei die Stärke des Anregungslichts, dem die Zellen ausgesetzt sind, erheblich reduziert ist. Dadurch wird eine Segmentierung mit hoher Auflösung möglich und die Zellen bleiben unbeschädigt.
Zeitersparnis mit automatisierter Zellzählung und -messung
Deep Learning ermöglicht zudem eine zeitsparende automatisierte Identifizierung und Zählung mitotischer Zellen und erleichtert insbesondere auch Segmentierungsaufnahmen von Gewebeproben (wie Nierenglomeruli), die mit konventionellen Methoden nur schwer zu erreichen sind.
Näheres zur Software cellSens, zur Technologie Deep Learning und weiteren Life-Sience-Lösungen von Olympus finden Sie hier: https://www.olympus-lifescience.com/de/
