છબી વિશ્લેષણ અને પ્રકાર/કોષની ઓળખ

નફો:

• વિભાજન અને વર્ગીકરણ કાર્યોને અલગ કરવાની ક્ષમતા અને દરેક માટે યોગ્ય તૈયાર સાધન (સેલપોઝ, સ્ટારડિસ્ટ, મેગાડિટેક્ટર) પસંદ કરવાની ક્ષમતા
• સ્કેલ કેલિબ્રેશન અને મેન્યુઅલ ચકાસણી લાગુ કરીને છબીઓમાંથી વિશ્વસનીય માપ કાઢવાની ક્ષમતા
• નીચા આત્મવિશ્વાસના સ્કોર અનુમાનોને માનવ માન્યતા માટે દિશામાન કરવાની જરૂરિયાતને સમજો અને તાલીમ વિતરણની બહારના મોડેલની પુષ્ટિ કરો.

જીવવિજ્ઞાન એક દ્રશ્ય વિજ્ઞાન છે: માઇક્રોસ્કોપ હેઠળના કોષો, પેટ્રી ડીશમાં વસાહતો, વન કેમેરામાં પ્રાણીઓ, પાંદડા પર રોગના ફોલ્લીઓ. આ છબીઓની ગણતરી, માપન અને વર્ગીકરણ એક કંટાળાજનક અને વ્યક્તિલક્ષી કાર્ય હતું જેમાં કલાકો લાગતા હતા. આર્ટિફિશિયલ ઇન્ટેલિજન્સ, ખાસ કરીને ડીપ લર્નિંગ (મલ્ટિ-લેયર આર્ટિફિશિયલ ન્યુરલ નેટવર્ક્સ સાથે પેટર્ન રેકગ્નિશન) આધારિત ઇમેજ મૉડલ્સે આ કાર્યને વેગ આપ્યો છે અને પ્રમાણિત કર્યું છે. આ એકમમાં, અમે જૈવિક છબી વિશ્લેષણ, તૈયાર સાધનો અને માન્યતા આવશ્યકતાઓમાં આર્ટિફિશિયલ ઇન્ટેલિજન્સનો ઉપયોગ કેવી રીતે કરવો તેની ચર્ચા કરીશું.

શરૂઆતથી જ ચેતવણી: મોડેલ કોષ અથવા પ્રજાતિને "ઓળખી" શકે છે, પરંતુ તે ખોટી રીતે ઓળખી પણ શકે છે; નિર્ણાયક નિર્ણયો માટે માનવ આંખો અને વાસ્તવિક-લેબલ ચકાસણી આવશ્યક છે.

પ્રદર્શન કાર્યો બે પ્રકારના

• વિભાજન: પિક્સેલ દ્વારા ઇમેજ પિક્સેલમાં ઓબ્જેક્ટો (કોષો, ન્યુક્લી) ને અલગ અને ગણતરી. ઉદાહરણ સાધનો: Cellpose, StarDist. "આ માઈક્રોસ્કોપ ઈમેજમાં કેટલા કોષો છે અને દરેક કેટલા મોટા છે?"
• વર્ગીકરણ/શોધ: છબીમાં શું છે તે જણાવવું અથવા તેનું સ્થાન શોધવું. ઉદાહરણ: કેમેરા ટ્રેપ ફોટોમાં પ્રજાતિઓને ઓળખવી (iNaturalist, MegaDetector), વર્ગીકરણ કરવું કે પાંદડાને રોગ છે કે નહીં.

આ બે કાર્યો માટે વિવિધ સાધનોની જરૂર છે. આર્ટિફિશિયલ ઇન્ટેલિજન્સ (LLM) તમને યોગ્ય સાધન પસંદ કરવામાં, ઇન્સ્ટોલેશન અને ઇન્વોકેશન કોડ લખવામાં અને આઉટપુટનું અર્થઘટન કરવામાં મદદ કરે છે.

ટીપ: છબી વિશ્લેષણમાં, મોટાભાગે તમારે શરૂઆતથી મોડેલને તાલીમ આપવાની જરૂર નથી. સેલપોઝ જેવા પૂર્વ પ્રશિક્ષિત સાધનો ઘણા પ્રકારના કોષો પર સીધા જ કામ કરે છે. પ્રથમ તૈયાર સાધન અજમાવી જુઓ; પરંતુ ઘણી છબીઓમાં જાતે પરિણામની પુષ્ટિ કરો.

સ્ટેપ બાય સ્ટેપ: માઈક્રોસ્કોપ ઈમેજીસ પર કોષોની ગણતરી

1. છબીઓ તૈયાર કરો: સતત વિસ્તૃતીકરણ, રોશની; ફાઇલ ફોર્મેટ (TIFF, વગેરે) નોંધો.
2. સ્કેલ કેલિબ્રેશન: જાણો કેટલા માઇક્રોમીટર પ્રતિ પિક્સેલ (કદ માપવા માટે જરૂરી).
3. વિભાજન સાધન પસંદ કરો: સ્ટારડિસ્ટ જો કોર સ્ટેનિંગ; સાયટોપ્લાઝમ માટે સેલપોઝ.
4. ચલાવો: ઇમેજ પર ટૂલ અજમાવો.
5. મેન્યુઅલી ચકાસો: વાસ્તવિક છબી સાથે મોડેલ શોધે છે તે કોષોની તુલના કરો; મર્જ/છૂટેલા કોષોની ગણતરી કરો.
6. બેચ: જો માન્યતા સંતોષકારક હોય, તો સમગ્ર સેટ પર લાગુ કરો.
7. રિપોર્ટ: કોષોની સંખ્યા, કદનું વિતરણ; દસ્તાવેજ પદ્ધતિ અને ચોકસાઈ.

નકલ કરી શકાય તેવા પ્રોમ્પ્ટ નમૂનાઓ

ભૂમિકા: તમે બાયોઇમેજ વિશ્લેષણ સહાયક છો. કાર્ય: Python કોડ લખો જે સેલપોઝ સાથે માઇક્રોસ્કોપ ઈમેજમાં કોષોને વિભાજિત કરે છે અને તેની ગણતરી કરે છે. ઇનપુટ: image.tif, સિંગલ ચેનલ. આઉટપુટ: સેલ કાઉન્ટ અને માસ્ક વિઝ્યુલાઇઝેશન. ટિપ્પણીઓ સાથે કાર્યકારી કોડ આપો અને મોડેલની પસંદગીને યોગ્ય ઠેરવો.

હું મારા સેગ્મેન્ટેશન આઉટપુટને કેવી રીતે માન્ય કરી શકું? મેં જાતે ગણેલા નમૂના સાથે મોડેલ દ્વારા મળેલા કોષોની સંખ્યાની સરખામણી કરવા માટે એક પદ્ધતિ અને મેટ્રિક (ચોકસાઇ, યાદ, F1) સૂચવો. કોડ પણ લખો.

મારા કેમેરા ટ્રેપ ફોટામાં પ્રાણીઓને શોધવા માટે MegaDetector વર્કફ્લો સમજાવો. ખાલી ફ્રેમને દૂર કરવામાં સમયની બચત અને ખોટા નકારાત્મકના જોખમને સમજાવો.

કોડ લખો જે સ્કેલ બારની માહિતી સાથે પિક્સેલ-ટુ-માઈક્રોમીટર કન્વર્ઝન કરે છે અને દરેક કોષના ક્ષેત્રફળની ચોરસ માઇક્રોમીટરમાં ગણતરી કરે છે. માપાંકન: [X] પિક્સેલ = [Y] માઇક્રોમીટર.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા: "આ ફોટામાં કોષોની ગણતરી કરો."

સશક્ત: "મારી પાસે DAPI-સ્ટેઇન્ડ ન્યુક્લિયસ ઇમેજ છે (TIFF, સિંગલ ચેનલ, 2048x2048, સ્કેલ 0.32 µm/pixel). StarDistના પૂર્વ પ્રશિક્ષિત 2D મૉડલ સાથે ન્યુક્લિયસને સેગમેન્ટ કરે છે અને તેની ગણતરી કરે છે તે કોડ લખો, દરેક ન્યુક્લિયસના ક્ષેત્રફળને ચોરસ ન્યુક્લિયસમાં મેન્યુઅલ કાઉન્ટર સાથે ગણો. છબીઓ બનાવે છે અને સચોટતા અહેવાલ બનાવે છે."

તફાવત: શક્તિશાળી પ્રોમ્પ્ટમાં ઇમેજ પ્રકાર, પેઇન્ટિંગ, રિઝોલ્યુશન, સ્કેલ અને વેરિફિકેશન સ્કીમ હોય છે. મોડેલ યોગ્ય સાધન અને સાચા સ્કેલનો ઉપયોગ કરે છે.

ત્રણ નાના કેસો

કેસ 1 — સંગમિત કોષો: એક વિદ્યાર્થીએ સેલપોઝ સાથે ગાઢ પેશીની છબીમાં 400 કોષોની ગણતરી કરી; જ્યારે મેં હાથથી ગણતરી કરી, ત્યારે તે 560 હોવાનું બહાર આવ્યું. મોડેલે એકબીજાને સ્પર્શતા કોષોને એક કોષ તરીકે જોડ્યા. AI એ સેલ વ્યાસ પરિમાણને સમાયોજિત કરવાનું અને ફ્લો થ્રેશોલ્ડ બદલવાનું સૂચન કર્યું છે; સંખ્યા વધીને 545 થઈ. પાઠ: વાસ્તવિક છબી અનુસાર પરિમાણોને સમાયોજિત કરો.

કેસ 2 — પ્રજાતિઓની મૂંઝવણ: એક ઇકોલોજી પ્રોજેક્ટમાં, સ્વચાલિત પ્રજાતિની માન્યતાએ રાત્રિના સમયની છબીઓમાં શિયાળને "બિલાડી" તરીકે વારંવાર ટેગ કર્યા. મોડેલે સમજાવ્યું કે તાલીમ ડેટામાં ઓછો પ્રકાશ અને અસંતુલન આ ભૂલનું કારણ બની શકે છે; ટીમે અસ્પષ્ટ ટૅગ્સને માનવ માન્યતા માટે ફોરવર્ડ કર્યા. પાઠ: જો મોડેલનો આત્મવિશ્વાસ સ્કોર ઓછો હોય, તો માનવીય ચકાસણી ફરજિયાત છે.

કેસ 3 - સ્કેલની ભૂલ: એક સંશોધકે કોષ વિસ્તારો પિક્સેલ્સમાં દર્શાવ્યા પરંતુ માઇક્રોમીટરમાં કન્વર્ટ કરવાનું ભૂલી ગયા; પરિણામ સાહિત્ય સાથે અસંગત હતું. જ્યારે કૃત્રિમ બુદ્ધિમત્તાએ માપાંકન પગલું ઉમેર્યું, ત્યારે મૂલ્યો વાજબી શ્રેણીમાં આવી ગયા. પાઠ: ભૌતિક એકમ રૂપાંતર મહત્વપૂર્ણ છે.

સરખામણી ચાર્ટ

ક્વેસ્ટ

યોગ્ય વાહન

ચકાસણી મેટ્રિક

કોર વિભાજન

સ્ટારડિસ્ટ

મેન્યુઅલ ગણતરી સાથે F1

સાયટોપ્લાઝમ/કોષની સીમા

સેલપોઝ

IoU (ઓવરલેપ રેટ)

પ્રજાતિઓની ઓળખ (વન્યજીવન)

મેગાડિટેક્ટર/ઇનેચરલિસ્ટ

ટ્રસ્ટ સ્કોર + માનવ મંજૂરી

રોગનું વર્ગીકરણ

ખાસ પ્રશિક્ષિત મોડેલ

મૂંઝવણ મેટ્રિક્સ

સામાન્ય ભૂલો

• મેન્યુઅલ માન્યતા વિના બેચ પ્રોસેસિંગ: સમગ્ર ડેટામાં મોડેલની ભૂલનો પ્રચાર કરવો.
• સ્કીપિંગ સ્કેલ કેલિબ્રેશન: પિક્સેલ-યુનિટને ભૌતિક એકમમાં રૂપાંતરિત કરતા નથી.
• નીચા આત્મવિશ્વાસના સ્કોર્સ સાથે આગાહીઓ સ્વીકારવી: મનુષ્યોને અનિશ્ચિત પરિસ્થિતિઓનો ઉલ્લેખ ન કરવો.
• પરિમાણોને ડિફૉલ્ટ તરીકે છોડવું: છબી માટે સેલ વ્યાસ જેવી સેટિંગ્સને અનુકૂલિત નથી.
• પ્રશિક્ષણ વિતરણની બહારની છબી: મોડેલનો આંધળો ઉપયોગ તે સ્થિતિમાં ક્યારેય ન જોયો હોય (અલગ રંગ, પ્રકાર).

સાવધાની: ઇમેજ મૉડલ પ્રશિક્ષણ ડેટા જેવી જ છબીઓ પર સારું પ્રદર્શન કરી શકે છે, પરંતુ વિવિધ પરિસ્થિતિઓ (નવા ડાઘ, નવી પ્રજાતિઓ, વિવિધ માઈક્રોસ્કોપ) હેઠળ અણધારી રીતે ખરાબ છે. જ્યારે નવા ડેટા સેટ પર જતા હોય, ત્યારે ઘણી છબીઓ પર તેને મેન્યુઅલી માન્ય કર્યા વિના મોડેલ પર વિશ્વાસ કરશો નહીં. પ્રજાતિઓના સંરક્ષણ અથવા નિદાન જેવા ઉચ્ચ-પરિણામના નિર્ણયો માટે માનવ સંમતિ આવશ્યક છે.

વિભાજનથી માપન સુધી: સંખ્યાઓથી આગળ

કોષોની ગણતરી ઘણીવાર પ્રથમ પગલું છે; આંતરિક મૂલ્ય દરેક ઑબ્જેક્ટ વિશે માપ કાઢે છે. સેગ્મેન્ટેશન માસ્કમાંથી કોષ દીઠ ડઝનેક વિશેષતાઓ, જેમ કે વિસ્તાર, પરિમિતિ, ગોળાકારતા, ફ્લોરોસેન્સની તીવ્રતા (માર્કરને કેટલી વ્યક્ત કરવામાં આવે છે)ની ગણતરી કરી શકાય છે. સ્કિકિટ-ઇમેજ લાઇબ્રેરીમાં રિજનપ્રોપ્સ ફંક્શન આ કરે છે. AI કોડ લખે છે જે આ માપને બહાર કાઢે છે અને પરિણામોને કોષ્ટકમાં રેડે છે; તમે જૂથોની તુલના પણ કરી શકો છો (દા.ત. "શું સારવાર કરાયેલા કોષો નિયંત્રણ કરતા નાના છે?").

સ્કિકિટ-ઇમેજ રીજનપ્રોપ્સ સાથે સેલપોઝ માસ્કમાંથી દરેક કોષનો વિસ્તાર, પરિમિતિ અને સરેરાશ ફ્લોરોસેન્સ તીવ્રતા કાઢો. પરિણામ CSV પર લખો; બૉક્સ પ્લોટમાં નિયંત્રણ અને સારવાર જૂથોની તુલના કરો. સ્કેલ કેલિબ્રેશન (µm/પિક્સેલ) લાગુ કરો.

ટીપ: ઘનતા માપતી વખતે પૃષ્ઠભૂમિને દૂર કરવાનું ભૂલશો નહીં; અનકેલિબ્રેટેડ તીવ્રતાના મૂલ્યો માઇક્રોસ્કોપ સેટિંગ પર આધાર રાખે છે અને તે નિરપેક્ષ રીતે નહીં, પરંતુ સમાન સ્થિતિ હેઠળ લેવામાં આવેલા જૂથો વચ્ચે સંબંધિત શરતોમાં તુલનાત્મક છે.

મોડેલને ક્યારે તાલીમ આપવી: થોડો ડેટા, સાવચેત લેબલિંગ

કેટલીકવાર ઑફ-ધ-શેલ્ફ સાધનો પર્યાપ્ત નથી અને તમારે તમારા પોતાના વર્ગીકરણ મોડેલને તાલીમ આપવાની જરૂર છે (દા.ત. ચોક્કસ રોગનું લક્ષણ). બે ફાંસો અહીં બહાર ઊભા છે. પ્રથમ ડેટા લીકેજ છે: તાલીમ અને પરીક્ષણ સેટ બંનેમાં એક જ વ્યક્તિ/નમૂનાનો સમાવેશ કરવામાં આવતો હોવાથી મોડેલ તેના કરતાં વધુ સફળ લાગે છે; વ્યક્તિગત સ્તરે વિભાજન કરો. બીજો અસંતુલિત વર્ગ છે: જો દર્દીના નમૂના ઓછા હોય, તો મોડેલ "હંમેશા સ્વસ્થ" કહીને ઉચ્ચ ચોકસાઈ બતાવે છે પરંતુ નકામું છે; ચોકસાઈને બદલે સંવેદનશીલતા (રિકોલ) અને કન્ફ્યુઝન મેટ્રિક્સ જુઓ. AI આ તાલીમ કોડ લખે છે, પરંતુ આ પદ્ધતિસરની મુશ્કેલીઓ નેવિગેટ કરવાનું તમારું કામ છે.

છબી ગુણવત્તા અને પૂર્વ પ્રક્રિયા

ડિસ્પ્લે મૉડલની સફળતા તમે પ્રદાન કરો છો તે છબીની ગુણવત્તા પર સીધો આધાર રાખે છે. છબીઓ કે જે ધ્યાનની બહાર છે, વધુ પડતી ખુલ્લી છે, તેનાથી વિપરીત છે, અથવા વિવિધ વિસ્તરણ પર લેવામાં આવી છે તે શ્રેષ્ઠ મોડેલને પણ મૂંઝવણમાં મૂકશે. તેથી જ વિભાજન પહેલાંના સરળ પૂર્વ-પ્રક્રિયાના પગલાં ઘણીવાર પરિણામમાં નોંધપાત્ર સુધારો કરે છે: પૃષ્ઠભૂમિ કરેક્શન (લાઇટિંગ અસંતુલન દૂર કરવું), કોન્ટ્રાસ્ટ નોર્મલાઇઝેશન અને અવાજ ઘટાડો. AI આ પ્રીપ્રોસેસિંગ કોડ લખે છે (સ્કિટ-ઇમેજ અથવા ઓપનસીવી સાથે); પરંતુ તમે ઇમેજ જોઈને નક્કી કરો કે શું કરેક્શન જરૂરી છે. અતિશય પ્રીપ્રોસેસિંગ પણ ખતરનાક છે: ઇમેજને વધુ પડતી "સફાઈ" કરવાથી વાસ્તવિક જૈવિક માળખું ભૂંસી શકાય છે અને ડેટા બ્યુટિફિકેશનમાં ફેરવાઈ શકે છે. નિયમ આ છે: પ્રીપ્રોસેસિંગ તમામ છબીઓ પર સમાન, પૂર્વવ્યાખ્યાયિત રીતે લાગુ થવી જોઈએ, પરિણામને સુંદર બનાવવા માટે એક પછી એક પસંદગીયુક્ત રીતે કરવામાં આવવી જોઈએ નહીં.

વિભાજન પહેલાં મારી માઈક્રોસ્કોપ ઈમેજીસ પર માનક પ્રીપ્રોસેસિંગ લાગુ કરો: બેકગ્રાઉન્ડ કરેક્શન, કોન્ટ્રાસ્ટ નોર્મલાઈઝેશન, થોડો અવાજ ઘટાડો. બધી છબીઓ પર સમાન પરિમાણો લાગુ કરો (પસંદગીપૂર્વક નહીં). સરખામણી પહેલા/પછી બતાવો. સ્કીટ-ઇમેજનો ઉપયોગ કરો.

સારાંશમાં

કૃત્રિમ બુદ્ધિ જૈવિક છબી વિશ્લેષણ (કોષ વિભાજન, પ્રજાતિઓ/રોગની શોધ) માં ઘણો સમય બચાવે છે. Cellpose, StarDist, MegaDetector જેવા ઑફ-ધ-શેલ્ફ ટૂલ્સ શરૂઆતથી તાલીમ લીધા વિના મોટાભાગના કાર્યોને હલ કરે છે. જો કે, પરિણામ મેન્યુઅલી ચકાસવું આવશ્યક છે, સ્કેલ માપાંકિત હોવું જોઈએ, અને ઓછા આત્મવિશ્વાસના સ્કોર્સ માનવોને નિર્દેશિત કરવા જોઈએ. મોડેલ તાલીમ વિતરણની બહાર અવિશ્વસનીય છે; નવા ડેટા પર જતી વખતે પુષ્ટિ જરૂરી છે.

એપ્લિકેશન કાર્ય

માઇક્રોસ્કોપ ઇમેજ (અથવા નમૂના ડેટા) લો. કૃત્રિમ બુદ્ધિમત્તા પાસે કોડ લખો અને ચલાવો જે સેલપોઝ અથવા સ્ટારડિસ્ટ સાથે કોષોને વિભાજિત કરે છે અને તેની ગણતરી કરે છે. મોડેલને ઓછામાં ઓછી એક ઈમેજમાં મળેલા કોષોને હાથથી ગણીને સરખામણી કરો; નોંધ કરો કે કેટલા કોષો ચૂકી/મર્જ થયા હતા. સ્કેલ કેલિબ્રેશન ઉમેરીને ચોરસ માઇક્રોમીટરમાં સેલ વિસ્તારોની જાણ કરો.

ચેકલિસ્ટ

• [ ] મેં પ્રોમ્પ્ટમાં ઇમેજનો પ્રકાર, પેઇન્ટિંગ અને રિઝોલ્યુશન ઉમેર્યું છે.
• [ ] મેં સ્કેલ કેલિબ્રેશન (પિક્સેલ-માઈક્રોમીટર) લાગુ કર્યું.
• [ ] મેં ઓછામાં ઓછી એક છબી પર પરિણામ જાતે જ ચકાસ્યું છે.
• [ ] મેં ઇમેજ અનુસાર સેગ્મેન્ટેશન પેરામીટર સેટ કર્યા છે.
• [ ] મેં માનવીય માન્યતા માટે ઓછા આત્મવિશ્વાસના સ્કોર સાથે અનુમાનો ફોરવર્ડ કર્યા.
• [ ] નવા ડેટા સેટમાં તેની પુષ્ટિ કર્યા વિના મને મોડેલ પર વિશ્વાસ નહોતો.