பட பகுப்பாய்வு மற்றும் வகை/செல் அடையாளம்

ஆதாயங்கள்:

• பிரித்தல் மற்றும் வகைப்படுத்தல் பணிகளைப் பிரிக்கும் திறன் மற்றும் ஒவ்வொன்றிற்கும் பொருத்தமான ஆயத்த கருவியை (செல்போஸ், ஸ்டார்டிஸ்ட், மெகாடிடெக்டர்) தேர்ந்தெடுக்கும் திறன்
• அளவிலான அளவுத்திருத்தம் மற்றும் கைமுறை சரிபார்ப்பைப் பயன்படுத்துவதன் மூலம் படங்களிலிருந்து நம்பகமான அளவீடுகளைப் பிரித்தெடுக்கும் திறன்
• குறைந்த நம்பிக்கை மதிப்பெண் கணிப்புகளை மனித சரிபார்ப்புக்கு வழிநடத்த வேண்டியதன் அவசியத்தைப் புரிந்துகொண்டு பயிற்சி விநியோகத்திற்கு வெளியே மாதிரியை உறுதிப்படுத்தவும்.

உயிரியல் ஒரு காட்சி அறிவியல்: ஒரு நுண்ணோக்கி கீழ் செல்கள், ஒரு பெட்ரி டிஷ் உள்ள காலனிகள், ஒரு வன கேமராவில் விலங்குகள், ஒரு இலை மீது நோய் புள்ளிகள். இந்தப் படங்களை எண்ணுவதும், அளவிடுவதும், வகைப்படுத்துவதும் பல மணிநேரம் எடுக்கும் கடினமான மற்றும் அகநிலைப் பணியாக இருந்தது. செயற்கை நுண்ணறிவு, குறிப்பாக ஆழமான கற்றல் (பல அடுக்கு செயற்கை நரம்பியல் நெட்வொர்க்குகளுடன் முறை அங்கீகாரம்) அடிப்படையிலான பட மாதிரிகள், இந்த வேலையை விரைவுபடுத்தி தரப்படுத்தியுள்ளன. இந்த பிரிவில், உயிரியல் பட பகுப்பாய்வு, ஆயத்த கருவிகள் மற்றும் சரிபார்ப்பு தேவைகளில் செயற்கை நுண்ணறிவை எவ்வாறு பயன்படுத்துவது என்பது பற்றி விவாதிப்போம்.

தொடக்கத்திலிருந்தே எச்சரிக்கை: ஒரு மாதிரி ஒரு செல் அல்லது இனத்தை "அங்கீகரிக்கலாம்", ஆனால் அது தவறாகவும் அறியலாம்; முக்கியமான முடிவுகளுக்கு மனித கண்கள் மற்றும் உண்மையான லேபிள் சரிபார்ப்பு அவசியம்.

இரண்டு வகையான காட்சி பணிகள்

• பிரிவு: பட பிக்சலில் உள்ள பொருட்களை (செல்கள், கருக்கள்) பிக்சல் மூலம் பிரித்தல் மற்றும் எண்ணுதல். எடுத்துக்காட்டு கருவிகள்: செல்போஸ், ஸ்டார்டிஸ்ட். "இந்த நுண்ணோக்கி படத்தில் எத்தனை செல்கள் உள்ளன, ஒவ்வொன்றும் எவ்வளவு பெரியது?"
• வகைப்பாடு/கண்டறிதல்: படத்தில் உள்ளதைக் கூறுதல் அல்லது அதன் இருப்பிடத்தைக் கண்டறிதல். எடுத்துக்காட்டு: ஒரு கேமரா ட்ராப் புகைப்படத்தில் இனங்களை அங்கீகரித்தல் (iNaturalist, MegaDetector), இலைக்கு நோய் இருக்கிறதா இல்லையா என்பதை வகைப்படுத்துதல்.

இந்த இரண்டு பணிகளுக்கும் வெவ்வேறு கருவிகள் தேவை. செயற்கை நுண்ணறிவு (LLM) சரியான கருவியைத் தேர்வுசெய்யவும், நிறுவல் மற்றும் அழைப்புக் குறியீட்டை எழுதவும், வெளியீட்டை விளக்கவும் உதவுகிறது.

உதவிக்குறிப்பு: பட பகுப்பாய்வில், பெரும்பாலான நேரங்களில் நீங்கள் புதிதாக ஒரு மாதிரியைப் பயிற்றுவிக்க வேண்டியதில்லை. செல்போஸ் போன்ற முன் பயிற்சி பெற்ற கருவிகள் பல செல் வகைகளில் நேரடியாக வேலை செய்கின்றன. தயாராக கருவியை முதலில் முயற்சிக்கவும்; ஆனால் பல படங்களில் கைமுறையாக முடிவை உறுதிப்படுத்தவும்.

படிப்படியாக: நுண்ணோக்கிப் படங்களில் செல்களை எண்ணுதல்

1. படங்களைத் தயாரிக்கவும்: நிலையான உருப்பெருக்கம், வெளிச்சம்; கோப்பு வடிவத்தைக் கவனியுங்கள் (TIFF, முதலியன).
2. அளவீடு அளவுத்திருத்தம்: ஒரு பிக்சலுக்கு எத்தனை மைக்ரோமீட்டர்கள் என்பதை அறிந்து கொள்ளுங்கள் (அளவை அளவிடுவதற்கு அவசியம்).
3. பிரித்தல் கருவியைத் தேர்ந்தெடு: மையக் கறை என்றால் StarDist; சைட்டோபிளாஸிற்கான செல்போஸ்.
4. இயக்கவும்: ஒரு படத்தில் கருவியை முயற்சிக்கவும்.
5. கைமுறையாக சரிபார்க்கவும்: மாதிரி கண்டுபிடிக்கும் கலங்களை உண்மையான படத்துடன் ஒப்பிடுக; இணைக்கப்பட்ட/தவறவிட்ட கலங்களை எண்ணுங்கள்.
6. தொகுதி: சரிபார்ப்பு திருப்திகரமாக இருந்தால், முழு தொகுப்பிற்கும் விண்ணப்பிக்கவும்.
7. அறிக்கை: கலங்களின் எண்ணிக்கை, அளவு விநியோகம்; ஆவண முறை மற்றும் துல்லியம்.

நகலெடுக்கக்கூடிய உடனடி வார்ப்புருக்கள்

பங்கு: நீங்கள் பயோமேஜ் பகுப்பாய்வு உதவியாளர். பணி: செல்போஸ் மூலம் நுண்ணோக்கிப் படத்தில் உள்ள செல்களைப் பிரித்து எண்ணும் பைதான் குறியீட்டை எழுதவும். உள்ளீடு: image.tif, ஒற்றை சேனல். வெளியீடு: செல் எண்ணிக்கை மற்றும் முகமூடி காட்சிப்படுத்தல். கருத்துகளுடன் பணிக் குறியீட்டைக் கொடுத்து, மாதிரித் தேர்வை நியாயப்படுத்தவும்.

எனது பிரிவு வெளியீட்டை எவ்வாறு சரிபார்க்கலாம்? நான் கைமுறையாக எண்ணிய மாதிரியுடன் மாதிரியால் கண்டறியப்பட்ட கலங்களின் எண்ணிக்கையை ஒப்பிட்டுப் பார்க்க ஒரு முறை மற்றும் மெட்ரிக் (துல்லியம், நினைவுபடுத்துதல், F1) பரிந்துரைக்கவும். குறியீட்டையும் எழுதுங்கள்.

எனது கேமரா ட்ராப் புகைப்படங்களில் விலங்குகளைக் கண்டறிவதற்கான MegaDetector பணிப்பாய்வுகளை விளக்கவும். வெற்று பிரேம்களை அகற்றுவதில் நேர சேமிப்பு மற்றும் தவறான எதிர்மறைகளின் அபாயத்தை விளக்குங்கள்.

ஸ்கேல் பார் தகவலுடன் பிக்சல்-க்கு-மைக்ரோமீட்டரை மாற்றும் குறியீட்டை எழுதவும் மற்றும் சதுர மைக்ரோமீட்டர்களில் ஒவ்வொரு கலத்தின் பரப்பளவையும் கணக்கிடுகிறது. அளவுத்திருத்தம்: [X] பிக்சல் = [Y] மைக்ரோமீட்டர்.

பலவீனமான வரியில் / வலுவான வரியில்

பலவீனமானது: "இந்த புகைப்படத்தில் உள்ள கலங்களை எண்ணுங்கள்."

வலிமையானது: "என்னிடம் DAPI படிந்த கருப் படம் உள்ளது (TIFF, ஒற்றை சேனல், 2048x2048, அளவுகோல் 0.32 µm/பிக்சல்). StarDist இன் முன் பயிற்சி பெற்ற 2D மாதிரியுடன் கருக்களைப் பிரித்து எண்ணும் குறியீட்டை எழுதவும், அதன் பரப்பளவை 3 மைக்ரோமீட்டருடன் ஒப்பிடவும். படங்கள் மற்றும் துல்லிய அறிக்கையை உருவாக்குகிறது."

வேறுபாடு: சக்திவாய்ந்த வரியில் பட வகை, ஓவியம், தெளிவுத்திறன், அளவு மற்றும் சரிபார்ப்பு திட்டம் உள்ளது. மாதிரி சரியான கருவி மற்றும் சரியான அளவைப் பயன்படுத்துகிறது.

மூன்று சிறிய வழக்குகள்

வழக்கு 1 — சங்கம செல்கள்: ஒரு மாணவர் செல்போஸுடன் அடர்த்தியான திசுப் படத்தில் 400 செல்களைக் கணக்கிட்டார்; கையால் எண்ணிப் பார்த்தபோது 560. ஒன்றுக்கொன்று தொட்டுக் கொண்டிருந்த செல்களை ஒரு கலமாக இணைத்த மாதிரி. செல் விட்டம் அளவுருவை சரிசெய்து, ஓட்ட வரம்பை மாற்ற AI பரிந்துரைத்தது; எண்ணிக்கை 545 ஆக உயர்ந்தது. பாடம்: உண்மையான படத்திற்கு ஏற்ப அளவுருக்களை சரிசெய்யவும்.

வழக்கு 2 - இனங்கள் குழப்பம்: ஒரு சூழலியல் திட்டத்தில், தானியங்கு இனங்கள் அங்கீகாரம் இரவுநேரப் படங்களில் ஒரு நரியை "பூனை" என்று மீண்டும் மீண்டும் குறியிட்டது. குறைந்த வெளிச்சம் மற்றும் பயிற்சி தரவுகளில் ஏற்றத்தாழ்வு இந்த பிழையை ஏற்படுத்தும் என்று மாதிரி விளக்கியது; குழு தெளிவற்ற குறிச்சொற்களை மனித சரிபார்ப்புக்கு அனுப்பியது. பாடம்: மாதிரியின் நம்பிக்கை மதிப்பெண் குறைவாக இருந்தால், மனித சரிபார்ப்பு கட்டாயமாகும்.

வழக்கு 3 - அளவிலான பிழை: ஒரு ஆராய்ச்சியாளர் செல் பகுதிகளை பிக்சல்களில் அறிவித்தார், ஆனால் மைக்ரோமீட்டர்களாக மாற்ற மறந்துவிட்டார்; முடிவு இலக்கியத்துடன் ஒத்துப்போகவில்லை. செயற்கை நுண்ணறிவு அளவுத்திருத்த படியைச் சேர்த்தபோது, ​​மதிப்புகள் நியாயமான வரம்பிற்குள் விழுந்தன. பாடம்: உடல் அலகு மாற்றம் முக்கியமானது.

ஒப்பீட்டு விளக்கப்படம்

தேடுதல்

பொருத்தமான வாகனம்

சரிபார்ப்பு அளவீடு

மையப் பிரிவு

StarDist

கைமுறை எண்ணுடன் F1

சைட்டோபிளாசம்/செல் எல்லை

செல்போஸ்

IoU (ஒன்றிணைப்பு விகிதம்)

இனங்கள் அடையாளம் (வனவிலங்கு)

MegaDetector/iNaturalist

நம்பிக்கை மதிப்பெண் + மனித ஒப்புதல்

நோய் வகைப்பாடு

சிறப்பு பயிற்சி பெற்ற மாதிரி

குழப்ப அணி

பொதுவான தவறுகள்

• கைமுறை சரிபார்ப்பு இல்லாமல் தொகுதி செயலாக்கம்: முழு தரவு முழுவதும் மாதிரியின் பிழையை பரப்புகிறது.
• ஸ்கேப்பிங் அளவுத்திருத்தம்: பிக்சல் யூனிட்டை இயற்பியல் அலகுக்கு மாற்றவில்லை.
• குறைந்த நம்பிக்கை மதிப்பெண்களுடன் கணிப்புகளை ஏற்றுக்கொள்வது: மனிதர்களுக்கு நிச்சயமற்ற சூழ்நிலைகளைக் குறிப்பிடுவதில்லை.
• இயல்புநிலையாக அளவுருக்களை விடுதல்: செல் விட்டம் போன்ற அமைப்புகளை படத்திற்கு மாற்றியமைக்கவில்லை.
• பயிற்சி விநியோகத்திற்கு வெளியே உள்ள படம்: இதுவரை பார்த்திராத நிலையில் மாதிரியை கண்மூடித்தனமாகப் பயன்படுத்துதல் (வெவ்வேறு வண்ணம், வகை).

எச்சரிக்கை: பட மாதிரிகள் பயிற்சித் தரவைப் போன்ற படங்களில் சிறப்பாகச் செயல்படலாம், ஆனால் வெவ்வேறு நிலைமைகளின் கீழ் (புதிய கறை, புதிய இனங்கள், வெவ்வேறு நுண்ணோக்கி) எதிர்பாராத விதமாக மோசமாகச் செயல்படும். புதிய தரவுத் தொகுப்பிற்குச் செல்லும்போது, ​​பல படங்களில் கைமுறையாகச் சரிபார்க்காமல் மாதிரியை நம்ப வேண்டாம். இனங்கள் பாதுகாப்பு அல்லது நோயறிதல் போன்ற உயர் விளைவு முடிவுகளுக்கு மனித ஒப்புதல் அவசியம்.

பிரிவு முதல் அளவீடு வரை: எண்களுக்கு அப்பால்

செல்களை எண்ணுவது பெரும்பாலும் முதல் படியாகும்; உள்ளார்ந்த மதிப்பு ஒவ்வொரு பொருளின் அளவீடுகளையும் பிரித்தெடுக்கிறது. பகுதி, சுற்றளவு, வட்டத்தன்மை, ஒளிரும் தீவிரம் (எவ்வளவு மார்க்கர் வெளிப்படுத்தப்படுகிறது) போன்ற ஒரு கலத்திற்கு டஜன் கணக்கான அம்சங்களை ஒரு பிரிவு முகமூடியிலிருந்து கணக்கிடலாம். ஸ்கிகிட்-இமேஜ் லைப்ரரியில் உள்ள ரீஜின்ப்ராப்ஸ் செயல்பாடு இதைச் செய்கிறது. AI இந்த அளவீடுகளைப் பிரித்தெடுக்கும் குறியீட்டை எழுதுகிறது மற்றும் முடிவுகளை ஒரு அட்டவணையில் ஊற்றுகிறது; நீங்கள் குழுக்களையும் ஒப்பிடலாம் (எ.கா. "சிகிச்சையளிக்கப்பட்ட செல்கள் கட்டுப்பாட்டை விட சிறியதா?").

செல்போஸ் முகமூடியிலிருந்து ஸ்கிகிட்-இமேஜ் ரீஜின் ப்ராப்ஸ் மூலம் ஒவ்வொரு கலத்தின் பரப்பளவு, சுற்றளவு மற்றும் சராசரி ஒளிரும் தீவிரம் ஆகியவற்றைப் பிரித்தெடுக்கவும். முடிவை CSVக்கு எழுதவும்; பாக்ஸ் ப்ளாட்டில் உள்ள கட்டுப்பாடு மற்றும் சிகிச்சை குழுக்களை ஒப்பிடுக. அளவிலான அளவுத்திருத்தத்தைப் பயன்படுத்தவும் (µm/பிக்சல்).

உதவிக்குறிப்பு: அடர்த்தியை அளவிடும் போது பின்னணியை அகற்ற மறக்காதீர்கள்; அளவீடு செய்யப்படாத செறிவு மதிப்புகள் நுண்ணோக்கி அமைப்பைப் பொறுத்தது மற்றும் அவை முழுமையான சொற்களில் அல்ல, ஆனால் அதே நிபந்தனையின் கீழ் எடுக்கப்பட்ட குழுக்களுக்கு இடையிலான ஒப்பீட்டு அடிப்படையில் ஒப்பிடப்படுகின்றன.

ஒரு மாதிரியை எப்போது பயிற்றுவிக்க வேண்டும்: சிறிய தரவு, கவனமாக லேபிளிங்

சில நேரங்களில் ஆஃப்-தி-ஷெல்ஃப் கருவிகள் போதுமானதாக இல்லை மற்றும் நீங்கள் உங்கள் சொந்த வகைப்பாடு மாதிரியைப் பயிற்றுவிக்க வேண்டும் (எ.கா. ஒரு குறிப்பிட்ட நோய் அறிகுறி). இரண்டு பொறிகள் இங்கே தனித்து நிற்கின்றன. முதலாவது தரவுக் கசிவு: பயிற்சி மற்றும் சோதனைத் தொகுப்புகள் இரண்டிலும் ஒரே தனிநபர்/மாதிரியின் படங்கள் சேர்க்கப்படுவது மாதிரியை விட வெற்றிகரமானதாகத் தோன்றுகிறது; தனிப்பட்ட அளவில் பிரிவை செய்யுங்கள். இரண்டாவது சமநிலையற்ற வகுப்பு: நோயாளி மாதிரிகள் குறைவாக இருந்தால், மாதிரியானது "எப்போதும் ஆரோக்கியமானது" என்று கூறி அதிக துல்லியத்தைக் காட்டுகிறது ஆனால் பயனற்றது; துல்லியத்திற்குப் பதிலாக உணர்திறன் (நினைவூட்டல்) மற்றும் குழப்ப மேட்ரிக்ஸைப் பாருங்கள். AI இந்தப் பயிற்சிக் குறியீட்டை எழுதுகிறது, ஆனால் இந்த முறையான ஆபத்துக்களுக்குச் செல்வது உங்கள் வேலை.

படத்தின் தரம் மற்றும் முன் செயலாக்கம்

காட்சி மாதிரியின் வெற்றி நேரடியாக நீங்கள் வழங்கும் படத்தின் தரத்தைப் பொறுத்தது. ஃபோகஸ் இல்லாத படங்கள், மிகையாக வெளிப்பட்டவை, குறைவான மாறுபாடு அல்லது வெவ்வேறு உருப்பெருக்கங்களில் எடுக்கப்பட்ட படங்கள் சிறந்த மாதிரியைக் கூட குழப்பிவிடும். அதனால்தான் பிரிப்பதற்கு முன் எளிய முன் செயலாக்க படிகள் பெரும்பாலும் முடிவை கணிசமாக மேம்படுத்துகின்றன: பின்னணி திருத்தம் (ஒளி சமநிலையின்மையை நீக்குதல்), மாறுபட்ட இயல்பாக்கம் மற்றும் இரைச்சல் குறைப்பு. AI இந்த முன்செயலாக்கக் குறியீட்டை எழுதுகிறது (scikit-image அல்லது OpenCV உடன்); ஆனால் படத்தைப் பார்த்து என்ன திருத்தம் அவசியம் என்பதை நீங்கள் தீர்மானிக்கிறீர்கள். அதிகப்படியான முன் செயலாக்கமும் ஆபத்தானது: ஒரு படத்தை அதிகமாக "சுத்தம்" செய்வது உண்மையான உயிரியல் கட்டமைப்பை அழித்து தரவு அழகுபடுத்தலாக மாறும். விதி இதுதான்: அனைத்துப் படங்களுக்கும் ஒரே மாதிரியான, முன்வரையறுக்கப்பட்ட முறையில் முன் செயலாக்கம் செய்யப்பட வேண்டும், முடிவை அழகுபடுத்த ஒவ்வொன்றாகத் தேர்ந்தெடுத்துச் செய்யக்கூடாது.

பிரிப்பதற்கு முன் எனது நுண்ணோக்கிப் படங்களுக்கு நிலையான முன் செயலாக்கத்தைப் பயன்படுத்தவும்: பின்புலத் திருத்தம், மாறுபாடு இயல்பாக்கம், சிறிதளவு இரைச்சல் குறைப்பு. எல்லா படங்களுக்கும் ஒரே அளவுருவைப் பயன்படுத்துங்கள் (தேர்ந்தெடுக்கப்பட்டவை அல்ல). ஒப்பிடுவதற்கு முன்/பின் காட்டு. ஸ்கிகிட்-படத்தைப் பயன்படுத்தவும்.

சுருக்கமாக

செயற்கை நுண்ணறிவு உயிரியல் பட பகுப்பாய்வில் நிறைய நேரத்தை மிச்சப்படுத்துகிறது (செல் பிரிவு, இனங்கள்/நோய் கண்டறிதல்). Cellpose, StarDist, MegaDetector போன்ற ஆஃப்-தி-ஷெல்ஃப் கருவிகள் புதிதாக பயிற்சி இல்லாமல் பெரும்பாலான பணிகளை தீர்க்கும். இருப்பினும், முடிவு கைமுறையாக சரிபார்க்கப்பட வேண்டும், அளவை அளவீடு செய்ய வேண்டும், மேலும் குறைந்த நம்பிக்கை மதிப்பெண்கள் மனிதர்களுக்கு அனுப்பப்பட வேண்டும். பயிற்சி விநியோகத்திற்கு வெளியே மாதிரி நம்பகத்தன்மையற்றது; புதிய தரவுகளுக்கு நகரும் போது உறுதிப்படுத்தல் அவசியம்.

விண்ணப்ப பணி

ஒரு நுண்ணோக்கி படத்தை (அல்லது மாதிரி தரவு) எடுக்கவும். செல்போஸ் அல்லது ஸ்டார்டிஸ்ட் மூலம் செல்களைப் பிரித்து எண்ணும் குறியீட்டை செயற்கை நுண்ணறிவு எழுதி இயக்கவும். குறைந்தபட்சம் ஒரு படத்திலாவது மாதிரி கண்டுபிடிக்கும் செல்களை கையால் எண்ணி ஒப்பிடவும்; எத்தனை செல்கள் தவறவிட்டன/ஒருங்கிணைக்கப்பட்டன என்பதைக் கவனியுங்கள். அளவிலான அளவுத்திருத்தத்தைச் சேர்ப்பதன் மூலம் செல் பகுதிகளை சதுர மைக்ரோமீட்டர்களில் தெரிவிக்கவும்.

சரிபார்ப்பு பட்டியல்

• [ ] படத்தின் வகை, ஓவியம் மற்றும் தெளிவுத்திறனை வரியில் சேர்த்துள்ளேன்.
• [ ] நான் அளவிலான அளவுத்திருத்தத்தை (பிக்சல்-மைக்ரோமீட்டர்) பயன்படுத்தினேன்.
• [ ] குறைந்தது ஒரு படத்திலாவது முடிவை நான் கைமுறையாக சரிபார்த்தேன்.
• [ ] படத்தின் படி பிரிவு அளவுருக்களை அமைத்துள்ளேன்.
• [ ] நான் மனித சரிபார்ப்புக்கு குறைந்த நம்பிக்கை மதிப்பெண்களுடன் கணிப்புகளை அனுப்பினேன்.
• [ ] புதிய தரவுத் தொகுப்பில் உறுதிப்படுத்தாமல் மாதிரியை நான் நம்பவில்லை.