চিত্র বিশ্লেষণ এবং প্রকার/কোষ সনাক্তকরণ

লাভ:

• বিভাজন এবং শ্রেণীবিভাগের কাজগুলি আলাদা করার ক্ষমতা এবং প্রতিটির জন্য উপযুক্ত রেডিমেড টুল (সেলপোজ, স্টারডিস্ট, মেগাডিটেক্টর) বেছে নেওয়ার ক্ষমতা
• স্কেল ক্রমাঙ্কন এবং ম্যানুয়াল যাচাইকরণ প্রয়োগ করে ছবি থেকে নির্ভরযোগ্য পরিমাপ বের করার ক্ষমতা
• মানুষের বৈধতার জন্য কম আত্মবিশ্বাসের স্কোরের পূর্বাভাস নির্দেশ করার প্রয়োজনীয়তা বুঝুন এবং প্রশিক্ষণ বিতরণের বাইরে মডেলটি নিশ্চিত করুন।

জীববিজ্ঞান হল একটি ভিজ্যুয়াল বিজ্ঞান: একটি মাইক্রোস্কোপের নীচে কোষ, একটি পেট্রি ডিশে উপনিবেশ, একটি বন ক্যামেরায় প্রাণী, একটি পাতায় রোগের দাগ। এই চিত্রগুলি গণনা করা, পরিমাপ করা এবং শ্রেণীবদ্ধ করা একটি ক্লান্তিকর এবং বিষয়গত কাজ ছিল যা ঘন্টা সময় নেয়। কৃত্রিম বুদ্ধিমত্তা, বিশেষ করে গভীর শিক্ষা (মাল্টি-লেয়ার আর্টিফিশিয়াল নিউরাল নেটওয়ার্কের সাথে প্যাটার্ন রিকগনিশন) ভিত্তিক ইমেজ মডেল, এই কাজটিকে ত্বরান্বিত এবং মানসম্মত করেছে। এই ইউনিটে, আমরা জৈবিক চিত্র বিশ্লেষণে কৃত্রিম বুদ্ধিমত্তা কীভাবে ব্যবহার করতে হয়, প্রস্তুত-তৈরি সরঞ্জাম এবং বৈধতার প্রয়োজনীয়তা নিয়ে আলোচনা করব।

শুরু থেকে সতর্কতা: একটি মডেল একটি কোষ বা প্রজাতিকে "চিনতে" পারে, কিন্তু এটি ভুল চিনতেও পারে; সমালোচনামূলক সিদ্ধান্তের জন্য মানুষের চোখ এবং বাস্তব-লেবেল যাচাইকরণ অপরিহার্য।

ডিসপ্লে টাস্ক দুই ধরনের

• বিভাজন: পিক্সেল দ্বারা ইমেজ পিক্সেলের মধ্যে বস্তু (কোষ, নিউক্লিয়াস) আলাদা করা এবং গণনা করা। উদাহরণ টুল: Cellpose, StarDist. "এই মাইক্রোস্কোপ ইমেজে কয়টি কোষ আছে এবং প্রতিটি কত বড়?"
• শ্রেণিবিন্যাস/সনাক্তকরণ: ছবিতে কী আছে তা বলা বা এর অবস্থান খুঁজে পাওয়া। উদাহরণ: একটি ক্যামেরা ট্র্যাপ ফটোতে প্রজাতি সনাক্ত করা (iNaturalist, MegaDetector), একটি পাতায় রোগ আছে কি না তা শ্রেণিবদ্ধ করা।

এই দুটি কাজের জন্য বিভিন্ন সরঞ্জাম প্রয়োজন। কৃত্রিম বুদ্ধিমত্তা (LLM) আপনাকে সঠিক টুল বেছে নিতে, ইনস্টলেশন এবং ইনভোকেশন কোড লিখতে এবং আউটপুট ব্যাখ্যা করতে সাহায্য করে।

টিপ: চিত্র বিশ্লেষণে, বেশিরভাগ সময় আপনাকে স্ক্র্যাচ থেকে একটি মডেল প্রশিক্ষণের প্রয়োজন হয় না। সেলপোজের মতো প্রি-ট্রেইনড টুল অনেক ধরনের সেলের উপর সরাসরি কাজ করে। প্রথমে প্রস্তুত টুল চেষ্টা করুন; কিন্তু বেশ কয়েকটি ছবিতে ম্যানুয়ালি ফলাফল নিশ্চিত করুন।

ধাপে ধাপে: মাইক্রোস্কোপের চিত্রগুলিতে কোষ গণনা করা

1. ছবি প্রস্তুত করুন: সামঞ্জস্যপূর্ণ বিবর্ধন, আলোকসজ্জা; ফাইল ফরম্যাট (TIFF, ইত্যাদি) নোট করুন।
2. স্কেল ক্রমাঙ্কন: পিক্সেল প্রতি কত মাইক্রোমিটার (আকার পরিমাপের জন্য অপরিহার্য) জানুন।
3. সেগমেন্টেশন টুল নির্বাচন করুন: স্টারডিস্ট যদি কোর স্টেনিং; সাইটোপ্লাজমের জন্য সেলপোজ।
4. চালান: একটি ছবিতে টুলটি ব্যবহার করে দেখুন।
5. ম্যানুয়ালি যাচাই করুন: প্রকৃত চিত্রের সাথে মডেলটি খুঁজে পাওয়া কোষগুলির তুলনা করুন; মার্জ/মিস করা কক্ষ গণনা করুন।
6. ব্যাচ: যদি বৈধতা সন্তোষজনক হয়, পুরো সেটে আবেদন করুন।
7. রিপোর্ট: কক্ষের সংখ্যা, আকার বিতরণ; নথির পদ্ধতি এবং নির্ভুলতা।

অনুলিপিযোগ্য প্রম্পট টেমপ্লেট

ভূমিকা: আপনি বায়োইমেজ বিশ্লেষণ সহকারী। টাস্ক: পাইথন কোড লিখুন যা সেলপোজ দিয়ে একটি মাইক্রোস্কোপ ইমেজে কোষকে ভাগ করে এবং গণনা করে। ইনপুট: image.tif, একক চ্যানেল। আউটপুট: সেল গণনা এবং মাস্ক ভিজ্যুয়ালাইজেশন। মন্তব্য সহ কাজের কোড দিন এবং মডেল পছন্দকে ন্যায্যতা দিন।

আমি কিভাবে আমার সেগমেন্টেশন আউটপুট যাচাই করব? একটি পদ্ধতি এবং মেট্রিক (নির্ভুলতা, প্রত্যাহার, F1) প্রস্তাব করুন মডেল দ্বারা পাওয়া কোষের সংখ্যার সাথে আমি নিজে যে নমুনা গণনা করেছি তার সাথে তুলনা করতে। কোডও লিখুন।

আমার ক্যামেরা ফাঁদ ফটোতে প্রাণী সনাক্ত করার জন্য MegaDetector কার্যপ্রবাহ ব্যাখ্যা করুন। ফাঁকা ফ্রেম নির্মূল করার সময় সঞ্চয় এবং মিথ্যা নেতিবাচক ঝুঁকি ব্যাখ্যা করুন।

কোড লিখুন যা স্কেল বারের তথ্য সহ পিক্সেল থেকে মাইক্রোমিটার রূপান্তর করে এবং বর্গ মাইক্রোমিটারে প্রতিটি ঘরের ক্ষেত্রফল গণনা করে। ক্রমাঙ্কন: [X] পিক্সেল = [Y] মাইক্রোমিটার।

দুর্বল প্রম্পট / শক্তিশালী প্রম্পট

দুর্বল: "এই ফটোতে কক্ষ গণনা করুন।"

শক্তিশালী: "আমার কাছে একটি DAPI-দাগযুক্ত নিউক্লিয়াস ইমেজ আছে (TIFF, একক চ্যানেল, 2048x2048, স্কেল 0.32 µm/pixel)। এমন কোড লিখুন যা StarDist-এর প্রাক-প্রশিক্ষিত 2D মডেলের সাথে নিউক্লিয়াসকে সেগমেন্ট করে এবং গণনা করে, প্রতিটি মাইক্রোমিটারের ক্ষেত্রফল দেয় যা বর্গাকার কম্পাঙ্কের সাথে ম্যান 3 যোগ করুন। ছবি তোলে এবং একটি নির্ভুলতা প্রতিবেদন তৈরি করে।"

পার্থক্য: শক্তিশালী প্রম্পটে চিত্রের ধরন, পেইন্টিং, রেজোলিউশন, স্কেল এবং যাচাইকরণ স্কিম রয়েছে। মডেলটি সঠিক টুল এবং সঠিক স্কেল ব্যবহার করে।

তিনটি মিনি কেস

কেস 1 — সঙ্গম কোষ: একজন ছাত্র সেলপোজ সহ একটি ঘন টিস্যু ছবিতে 400টি কোষ গণনা করেছে; যখন আমি হাতে গণনা করি, তখন এটি 560 হতে দেখা যায়। মডেলটি একে অপরকে স্পর্শকারী কোষগুলিকে একক কোষ হিসাবে একত্রিত করেছে। AI সেল ব্যাস প্যারামিটার সামঞ্জস্য এবং প্রবাহ থ্রেশহোল্ড পরিবর্তন করার পরামর্শ দিয়েছে; গণনা বেড়েছে 545। পাঠ: বাস্তব চিত্র অনুযায়ী পরামিতিগুলি সামঞ্জস্য করুন।

কেস 2 - প্রজাতির বিভ্রান্তি: একটি বাস্তুবিদ্যা প্রকল্পে, স্বয়ংক্রিয় প্রজাতির স্বীকৃতি বারবার একটি শিয়ালকে রাতের চিত্রগুলিতে "বিড়াল" হিসাবে ট্যাগ করেছে। মডেল ব্যাখ্যা করেছে যে কম আলো এবং প্রশিক্ষণের তথ্যের ভারসাম্যহীনতা এই ত্রুটির কারণ হতে পারে; দলটি অস্পষ্ট ট্যাগগুলিকে মানবিক বৈধতার জন্য ফরোয়ার্ড করেছে। পাঠ: মডেলের আত্মবিশ্বাসের স্কোর কম হলে, মানুষের যাচাইকরণ বাধ্যতামূলক।

কেস 3 — স্কেল ত্রুটি: একজন গবেষক পিক্সেলে সেল এলাকা রিপোর্ট করেছেন কিন্তু মাইক্রোমিটারে রূপান্তর করতে ভুলে গেছেন; ফলাফল সাহিত্যের সাথে বেমানান ছিল। যখন কৃত্রিম বুদ্ধিমত্তা ক্রমাঙ্কন পদক্ষেপ যোগ করে, মানগুলি একটি যুক্তিসঙ্গত সীমার মধ্যে পড়ে। পাঠ: শারীরিক ইউনিট রূপান্তর গুরুত্বপূর্ণ।

তুলনা চার্ট

কোয়েস্ট

উপযুক্ত যানবাহন

যাচাই মেট্রিক

মূল বিভাজন

StarDist

ম্যানুয়াল গণনা সহ F1

সাইটোপ্লাজম/কোষের সীমানা

সেলপোজ

IoU (ওভারল্যাপ রেট)

প্রজাতি সনাক্তকরণ (বন্যপ্রাণী)

MegaDetector/iNaturalist

ট্রাস্ট স্কোর + মানুষের অনুমোদন

রোগের শ্রেণিবিন্যাস

বিশেষভাবে প্রশিক্ষিত মডেল

বিভ্রান্তি ম্যাট্রিক্স

সাধারণ ভুল

• ম্যানুয়াল বৈধতা ছাড়াই ব্যাচ প্রক্রিয়াকরণ: সম্পূর্ণ ডেটা জুড়ে মডেলের ত্রুটি প্রচার করা।
• স্কিপিং স্কেল ক্রমাঙ্কন: পিক্সেল-ইউনিটকে ফিজিক্যাল ইউনিটে রূপান্তর করা হচ্ছে না।
• কম আত্মবিশ্বাসের স্কোর সহ ভবিষ্যদ্বাণী গ্রহণ করা: মানুষের কাছে অনিশ্চিত পরিস্থিতি উল্লেখ না করা।
• পরামিতিগুলিকে ডিফল্ট হিসাবে রেখে দেওয়া: চিত্রের সাথে সেল ব্যাসের মতো সেটিংস মানিয়ে নেওয়া হচ্ছে না।
• প্রশিক্ষণ বিতরণের বাইরের চিত্র: অন্ধভাবে মডেলটিকে এমন অবস্থায় ব্যবহার করা যা এটি কখনও দেখেনি (ভিন্ন রঙ, প্রকার)।

সতর্কতা: চিত্রের মডেলগুলি প্রশিক্ষণের ডেটার অনুরূপ চিত্রগুলিতে ভাল পারফর্ম করতে পারে, তবে বিভিন্ন পরিস্থিতিতে (নতুন দাগ, নতুন প্রজাতি, বিভিন্ন মাইক্রোস্কোপ) অপ্রত্যাশিতভাবে খারাপ। একটি নতুন ডেটা সেটে যাওয়ার সময়, বেশ কয়েকটি ছবিতে ম্যানুয়ালি যাচাই না করে মডেলটিকে বিশ্বাস করবেন না। প্রজাতি সংরক্ষণ বা রোগ নির্ণয়ের মতো উচ্চ-পরিণাম সিদ্ধান্তের জন্য মানুষের সম্মতি অপরিহার্য।

বিভাজন থেকে পরিমাপ পর্যন্ত: সংখ্যার বাইরে

কোষ গণনা প্রায়ই প্রথম ধাপ; অন্তর্নিহিত মান প্রতিটি বস্তু সম্পর্কে পরিমাপ নির্যাস. প্রতি কক্ষে কয়েক ডজন বৈশিষ্ট্য যেমন ক্ষেত্রফল, পরিধি, গোলাকারতা, ফ্লুরোসেন্সের তীব্রতা (একটি মার্কার কতটা প্রকাশ করা হয়), একটি বিভাজন মাস্ক থেকে গণনা করা যেতে পারে। স্কিট-ইমেজ লাইব্রেরিতে অঞ্চলপ্রপস ফাংশন এটি করে। এআই কোড লিখে যা এই পরিমাপগুলিকে বের করে এবং ফলাফলগুলিকে একটি টেবিলে ঢেলে দেয়; আপনি গ্রুপগুলির তুলনা করতে পারেন (যেমন "চিকিত্সা করা কোষগুলি কি নিয়ন্ত্রণের চেয়ে ছোট?")।

স্কিট-ইমেজ রিজিয়নপ্রপস সহ সেলপোজ মাস্ক থেকে প্রতিটি কক্ষের ক্ষেত্রফল, পরিধি এবং গড় ফ্লুরোসেন্স তীব্রতা বের করুন। CSV-তে ফলাফল লিখুন; বক্স প্লট নিয়ন্ত্রণ এবং চিকিত্সা গ্রুপ তুলনা. স্কেল ক্রমাঙ্কন প্রয়োগ করুন (µm/পিক্সেল)।

টিপ: ঘনত্ব পরিমাপ করার সময় পটভূমি অপসারণ করতে ভুলবেন না; অক্যালিব্রেটেড তীব্রতার মানগুলি মাইক্রোস্কোপ সেটিং এর উপর নির্ভর করে এবং পরম পদে নয়, একই অবস্থার অধীনে নেওয়া গোষ্ঠীগুলির মধ্যে আপেক্ষিক শর্তে তুলনীয়।

কখন একটি মডেলকে প্রশিক্ষণ দিতে হবে: সামান্য ডেটা, সতর্ক লেবেলিং

কখনও কখনও অফ-দ্য-শেল্ফ সরঞ্জামগুলি যথেষ্ট নয় এবং আপনাকে আপনার নিজস্ব শ্রেণিবিন্যাস মডেল (যেমন একটি নির্দিষ্ট রোগের লক্ষণ) প্রশিক্ষণ দিতে হবে। দুটি ফাঁদ এখানে দাঁড়িয়ে আছে. প্রথমটি হল ডেটা ফাঁস: একই ব্যক্তি/নমুনার ছবি প্রশিক্ষণ এবং পরীক্ষা উভয় সেটেই অন্তর্ভুক্ত করা মডেলটিকে এটির চেয়ে বেশি সফল বলে মনে করে; পৃথক স্তরে বিভাজন করুন। দ্বিতীয়টি হল ভারসাম্যহীন শ্রেণী: রোগীর নমুনা কম হলে, মডেলটি "সর্বদা সুস্থ" বলে উচ্চ নির্ভুলতা দেখায় কিন্তু অকেজো; নির্ভুলতার পরিবর্তে সংবেদনশীলতা (রিকল) এবং বিভ্রান্তি ম্যাট্রিক্স দেখুন। AI এই প্রশিক্ষণ কোড লিখে, কিন্তু এই পদ্ধতিগত ত্রুটিগুলি নেভিগেট করা আপনার কাজ।

ছবির গুণমান এবং প্রিপ্রসেসিং

একটি ডিসপ্লে মডেলের সাফল্য সরাসরি আপনার দেওয়া ছবির মানের উপর নির্ভর করে। যে ছবিগুলি ফোকাসের বাইরে, অতিপ্রকাশিত, বিপরীতে কম, বা বিভিন্ন বিবর্ধনে তোলা ছবিগুলি এমনকি সেরা মডেলটিকেও বিভ্রান্ত করবে৷ সে কারণেই বিভাজন করার আগে সাধারণ প্রাক-প্রক্রিয়াকরণ পদক্ষেপগুলি প্রায়শই ফলাফলের উল্লেখযোগ্য উন্নতি করে: পটভূমি সংশোধন (আলোর ভারসাম্যহীনতা দূর করা), বৈসাদৃশ্য স্বাভাবিককরণ এবং শব্দ হ্রাস। এআই এই প্রিপ্রসেসিং কোডটি লিখে (স্কিট-ইমেজ বা ওপেনসিভি সহ); কিন্তু আপনি ইমেজ দেখে সিদ্ধান্ত নিন কি সংশোধন করা প্রয়োজন. অত্যধিক প্রিপ্রসেসিংও বিপজ্জনক: একটি ছবিকে খুব বেশি "পরিষ্কার" করা প্রকৃত জৈবিক কাঠামোকে মুছে ফেলতে পারে এবং ডেটা বিউটিফিকেশনে পরিণত করতে পারে। নিয়মটি হল: প্রিপ্রসেসিং একই, পূর্বনির্ধারিত পদ্ধতিতে সমস্ত ছবিতে প্রয়োগ করা উচিত, ফলাফলকে সুন্দর করার জন্য বেছে বেছে একের পর এক করা হবে না।

বিভাজন করার আগে আমার মাইক্রোস্কোপ চিত্রগুলিতে মানক প্রিপ্রসেসিং প্রয়োগ করুন: পটভূমি সংশোধন, বৈসাদৃশ্য স্বাভাবিককরণ, সামান্য শব্দ হ্রাস। সমস্ত ছবিতে একই পরামিতি প্রয়োগ করুন (নির্বাচিতভাবে নয়)। তুলনা করার আগে/পরে দেখান। স্কিট-ইমেজ ব্যবহার করুন।

সংক্ষেপে

কৃত্রিম বুদ্ধিমত্তা জৈবিক চিত্র বিশ্লেষণে (কোষ বিভাজন, প্রজাতি/রোগ সনাক্তকরণ) অনেক সময় সাশ্রয় করে। সেলপোজ, স্টারডিস্ট, মেগাডিটেক্টরের মতো অফ-দ্য-শেল্ফ সরঞ্জামগুলি স্ক্র্যাচ থেকে প্রশিক্ষণ ছাড়াই বেশিরভাগ কাজ সমাধান করে। যাইহোক, ফলাফলটি অবশ্যই ম্যানুয়ালি যাচাই করা উচিত, স্কেলটি অবশ্যই ক্যালিব্রেট করা উচিত এবং কম আত্মবিশ্বাসের স্কোর অবশ্যই মানুষের জন্য নির্দেশিত হতে হবে। মডেলটি প্রশিক্ষণ বিতরণের বাইরে অবিশ্বস্ত; নতুন ডেটাতে যাওয়ার সময় নিশ্চিতকরণ অপরিহার্য।

আবেদন টাস্ক

একটি মাইক্রোস্কোপ ছবি (বা নমুনা ডেটা) নিন। কৃত্রিম বুদ্ধিমত্তার কোড লিখুন এবং চালান যা সেলপোজ বা স্টারডিস্টের সাথে কোষগুলিকে ভাগ করে এবং গণনা করে৷ কমপক্ষে একটি ছবিতে মডেলটি যে কোষগুলি খুঁজে পেয়েছে তা হাতে গণনা করে তুলনা করুন; কতগুলি সেল মিস/মার্জ করা হয়েছে তা নোট করুন। স্কেল ক্রমাঙ্কন যোগ করে বর্গাকার মাইক্রোমিটারে কক্ষের ক্ষেত্রগুলি রিপোর্ট করুন।

চেকলিস্ট

• [ ] আমি প্রম্পটে ছবির ধরন, পেইন্টিং এবং রেজোলিউশন যোগ করেছি।
• আমি স্কেল ক্রমাঙ্কন (পিক্সেল-মাইক্রোমিটার) প্রয়োগ করেছি।
• [ ] আমি ম্যানুয়ালি অন্তত একটি ছবিতে ফলাফল যাচাই করেছি৷
• [ ] আমি চিত্র অনুযায়ী বিভাজন পরামিতি সেট করেছি।
• [ ] আমি ভবিষ্যদ্বাণী ফরোয়ার্ড করেছি কম আত্মবিশ্বাসের স্কোর সহ মানুষের বৈধতার জন্য।
• [ ] আমি নতুন ডেটা সেটে এটি নিশ্চিত না করে মডেলটিকে বিশ্বাস করিনি।