ਚਿੱਤਰ ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਕਿਸਮ/ਸੈੱਲ ਪਛਾਣ

ਲਾਭ:

• ਵਿਭਾਜਨ ਅਤੇ ਵਰਗੀਕਰਨ ਕਾਰਜਾਂ ਨੂੰ ਵੱਖ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਅਤੇ ਹਰੇਕ ਲਈ ਢੁਕਵੇਂ ਤਿਆਰ ਕੀਤੇ ਟੂਲ (ਸੈੱਲਪੋਜ਼, ਸਟਾਰਡਿਸਟ, ਮੈਗਾਡਿਟੈਕਟਰ) ਦੀ ਚੋਣ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
• ਸਕੇਲ ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਅਤੇ ਮੈਨੂਅਲ ਵੈਰੀਫਿਕੇਸ਼ਨ ਨੂੰ ਲਾਗੂ ਕਰਕੇ ਚਿੱਤਰਾਂ ਤੋਂ ਭਰੋਸੇਯੋਗ ਮਾਪਾਂ ਨੂੰ ਐਕਸਟਰੈਕਟ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
• ਮਨੁੱਖੀ ਪ੍ਰਮਾਣਿਕਤਾ ਲਈ ਘੱਟ ਆਤਮ-ਵਿਸ਼ਵਾਸ ਸਕੋਰ ਪੂਰਵ-ਅਨੁਮਾਨਾਂ ਨੂੰ ਨਿਰਦੇਸ਼ਤ ਕਰਨ ਦੀ ਜ਼ਰੂਰਤ ਨੂੰ ਸਮਝੋ ਅਤੇ ਸਿਖਲਾਈ ਵੰਡ ਤੋਂ ਬਾਹਰ ਮਾਡਲ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ।

ਜੀਵ-ਵਿਗਿਆਨ ਇੱਕ ਵਿਜ਼ੂਅਲ ਸਾਇੰਸ ਹੈ: ਇੱਕ ਮਾਈਕ੍ਰੋਸਕੋਪ ਦੇ ਹੇਠਾਂ ਸੈੱਲ, ਇੱਕ ਪੈਟਰੀ ਡਿਸ਼ ਵਿੱਚ ਕਲੋਨੀਆਂ, ਇੱਕ ਜੰਗਲੀ ਕੈਮਰੇ ਵਿੱਚ ਜਾਨਵਰ, ਇੱਕ ਪੱਤੇ 'ਤੇ ਬਿਮਾਰੀ ਦੇ ਚਟਾਕ। ਇਹਨਾਂ ਚਿੱਤਰਾਂ ਨੂੰ ਗਿਣਨਾ, ਮਾਪਣਾ ਅਤੇ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਨਾ ਇੱਕ ਔਖਾ ਅਤੇ ਵਿਅਕਤੀਗਤ ਕੰਮ ਹੁੰਦਾ ਸੀ ਜਿਸ ਵਿੱਚ ਘੰਟੇ ਲੱਗ ਜਾਂਦੇ ਸਨ। ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ, ਖਾਸ ਤੌਰ 'ਤੇ ਡੂੰਘੀ ਸਿਖਲਾਈ (ਮਲਟੀ-ਲੇਅਰ ਆਰਟੀਫਿਸ਼ੀਅਲ ਨਿਊਰਲ ਨੈੱਟਵਰਕਾਂ ਦੇ ਨਾਲ ਪੈਟਰਨ ਮਾਨਤਾ) ਆਧਾਰਿਤ ਚਿੱਤਰ ਮਾਡਲਾਂ ਨੇ ਇਸ ਕੰਮ ਨੂੰ ਤੇਜ਼ ਅਤੇ ਮਿਆਰੀ ਬਣਾਇਆ ਹੈ। ਇਸ ਯੂਨਿਟ ਵਿੱਚ, ਅਸੀਂ ਬਾਇਓਲੋਜੀਕਲ ਚਿੱਤਰ ਵਿਸ਼ਲੇਸ਼ਣ, ਤਿਆਰ ਕੀਤੇ ਟੂਲ ਅਤੇ ਪ੍ਰਮਾਣਿਕਤਾ ਲੋੜਾਂ ਵਿੱਚ ਨਕਲੀ ਬੁੱਧੀ ਦੀ ਵਰਤੋਂ ਕਰਨ ਬਾਰੇ ਚਰਚਾ ਕਰਾਂਗੇ।

ਸ਼ੁਰੂਆਤ ਤੋਂ ਚੇਤਾਵਨੀ: ਇੱਕ ਮਾਡਲ ਇੱਕ ਸੈੱਲ ਜਾਂ ਸਪੀਸੀਜ਼ ਨੂੰ "ਪਛਾਣ" ਸਕਦਾ ਹੈ, ਪਰ ਇਹ ਗਲਤ ਪਛਾਣ ਵੀ ਕਰ ਸਕਦਾ ਹੈ; ਗੰਭੀਰ ਫੈਸਲਿਆਂ ਲਈ ਮਨੁੱਖੀ ਅੱਖਾਂ ਅਤੇ ਅਸਲ-ਲੇਬਲ ਤਸਦੀਕ ਜ਼ਰੂਰੀ ਹਨ।

ਡਿਸਪਲੇ ਟਾਸਕ ਦੀਆਂ ਦੋ ਕਿਸਮਾਂ

• ਵਿਭਾਜਨ: ਚਿੱਤਰ ਪਿਕਸਲ ਦੁਆਰਾ ਪਿਕਸਲ ਵਿੱਚ ਵਸਤੂਆਂ (ਸੈੱਲਾਂ, ਨਿਊਕਲੀ) ਨੂੰ ਵੱਖ ਕਰਨਾ ਅਤੇ ਗਿਣਨਾ। ਉਦਾਹਰਨ ਟੂਲ: Cellpose, StarDist. "ਇਸ ਮਾਈਕ੍ਰੋਸਕੋਪ ਚਿੱਤਰ ਵਿੱਚ ਕਿੰਨੇ ਸੈੱਲ ਹਨ ਅਤੇ ਹਰੇਕ ਕਿੰਨੇ ਵੱਡੇ ਹਨ?"
• ਵਰਗੀਕਰਨ/ਖੋਜ: ਚਿੱਤਰ ਵਿੱਚ ਕੀ ਹੈ ਇਹ ਦੱਸਣਾ ਜਾਂ ਇਸਦਾ ਸਥਾਨ ਲੱਭਣਾ। ਉਦਾਹਰਨ: ਇੱਕ ਕੈਮਰਾ ਟ੍ਰੈਪ ਫੋਟੋ (iNaturalist, MegaDetector) ਵਿੱਚ ਪ੍ਰਜਾਤੀਆਂ ਦੀ ਪਛਾਣ ਕਰਨਾ, ਇਹ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਨਾ ਕਿ ਕੀ ਪੱਤੇ ਵਿੱਚ ਬਿਮਾਰੀ ਹੈ ਜਾਂ ਨਹੀਂ।

ਇਹਨਾਂ ਦੋ ਕੰਮਾਂ ਲਈ ਵੱਖ-ਵੱਖ ਸਾਧਨਾਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (LLM) ਤੁਹਾਨੂੰ ਸਹੀ ਟੂਲ ਚੁਣਨ, ਇੰਸਟਾਲੇਸ਼ਨ ਅਤੇ ਇਨਵੋਕੇਸ਼ਨ ਕੋਡ ਲਿਖਣ, ਅਤੇ ਆਉਟਪੁੱਟ ਦੀ ਵਿਆਖਿਆ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ।

ਸੰਕੇਤ: ਚਿੱਤਰ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ, ਜ਼ਿਆਦਾਤਰ ਸਮਾਂ ਤੁਹਾਨੂੰ ਸਕ੍ਰੈਚ ਤੋਂ ਮਾਡਲ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਦੀ ਲੋੜ ਨਹੀਂ ਹੁੰਦੀ ਹੈ। ਸੈਲਪੋਜ਼ ਵਰਗੇ ਪ੍ਰੀਟ੍ਰੇਂਡ ਟੂਲ ਕਈ ਸੈੱਲ ਕਿਸਮਾਂ 'ਤੇ ਸਿੱਧੇ ਕੰਮ ਕਰਦੇ ਹਨ। ਪਹਿਲਾਂ ਤਿਆਰ ਸੰਦ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ; ਪਰ ਨਤੀਜੇ ਦੀ ਪੁਸ਼ਟੀ ਕਈ ਚਿੱਤਰਾਂ ਵਿੱਚ ਹੱਥੀਂ ਕਰੋ।

ਕਦਮ ਦਰ ਕਦਮ: ਮਾਈਕ੍ਰੋਸਕੋਪ ਚਿੱਤਰਾਂ 'ਤੇ ਸੈੱਲਾਂ ਦੀ ਗਿਣਤੀ ਕਰਨਾ

1. ਚਿੱਤਰ ਤਿਆਰ ਕਰੋ: ਇਕਸਾਰ ਵਿਸਤਾਰ, ਰੋਸ਼ਨੀ; ਫਾਈਲ ਫਾਰਮੈਟ (TIFF, ਆਦਿ) ਨੂੰ ਨੋਟ ਕਰੋ।
2. ਸਕੇਲ ਕੈਲੀਬ੍ਰੇਸ਼ਨ: ਜਾਣੋ ਕਿ ਪ੍ਰਤੀ ਪਿਕਸਲ ਕਿੰਨੇ ਮਾਈਕ੍ਰੋਮੀਟਰ (ਆਕਾਰ ਮਾਪ ਲਈ ਜ਼ਰੂਰੀ)।
3. ਸੈਗਮੈਂਟੇਸ਼ਨ ਟੂਲ ਚੁਣੋ: ਸਟਾਰਡਿਸਟ ਜੇ ਕੋਰ ਸਟੈਨਿੰਗ; cytoplasm ਲਈ ਸੈੱਲਪੋਜ਼.
4. ਚਲਾਓ: ਇੱਕ ਚਿੱਤਰ 'ਤੇ ਟੂਲ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ।
5. ਹੱਥੀਂ ਪੁਸ਼ਟੀ ਕਰੋ: ਮਾਡਲ ਦੁਆਰਾ ਲੱਭੇ ਗਏ ਸੈੱਲਾਂ ਦੀ ਅਸਲ ਚਿੱਤਰ ਨਾਲ ਤੁਲਨਾ ਕਰੋ; ਵਿਲੀਨ/ਖੁੰਝੇ ਸੈੱਲਾਂ ਦੀ ਗਿਣਤੀ ਕਰੋ।
6. ਬੈਚ: ਜੇਕਰ ਪ੍ਰਮਾਣਿਕਤਾ ਤਸੱਲੀਬਖਸ਼ ਹੈ, ਤਾਂ ਪੂਰੇ ਸੈੱਟ 'ਤੇ ਲਾਗੂ ਕਰੋ।
7. ਰਿਪੋਰਟ: ਸੈੱਲਾਂ ਦੀ ਗਿਣਤੀ, ਆਕਾਰ ਵੰਡ; ਦਸਤਾਵੇਜ਼ ਵਿਧੀ ਅਤੇ ਸ਼ੁੱਧਤਾ.

ਕਾਪੀ ਕਰਨ ਯੋਗ ਪ੍ਰੋਂਪਟ ਟੈਂਪਲੇਟਸ

ਭੂਮਿਕਾ: ਤੁਸੀਂ ਬਾਇਓਇਮੇਜ ਵਿਸ਼ਲੇਸ਼ਣ ਸਹਾਇਕ ਹੋ। ਟਾਸਕ: ਪਾਈਥਨ ਕੋਡ ਲਿਖੋ ਜੋ ਸੈੱਲਪੋਜ਼ ਨਾਲ ਮਾਈਕ੍ਰੋਸਕੋਪ ਚਿੱਤਰ ਵਿੱਚ ਸੈੱਲਾਂ ਨੂੰ ਵੰਡਦਾ ਅਤੇ ਗਿਣਦਾ ਹੈ। ਇੰਪੁੱਟ: image.tif, ਸਿੰਗਲ ਚੈਨਲ। ਆਉਟਪੁੱਟ: ਸੈੱਲ ਗਿਣਤੀ ਅਤੇ ਮਾਸਕ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ। ਟਿੱਪਣੀਆਂ ਦੇ ਨਾਲ ਵਰਕਿੰਗ ਕੋਡ ਦਿਓ ਅਤੇ ਮਾਡਲ ਦੀ ਚੋਣ ਨੂੰ ਜਾਇਜ਼ ਠਹਿਰਾਓ।

ਮੈਂ ਆਪਣੇ ਵਿਭਾਜਨ ਆਉਟਪੁੱਟ ਨੂੰ ਕਿਵੇਂ ਪ੍ਰਮਾਣਿਤ ਕਰਾਂ? ਮਾਡਲ ਦੁਆਰਾ ਮਿਲੇ ਸੈੱਲਾਂ ਦੀ ਸੰਖਿਆ ਦੀ ਤੁਲਨਾ ਮੇਰੇ ਹੱਥੀਂ ਗਿਣੇ ਗਏ ਨਮੂਨੇ ਨਾਲ ਕਰਨ ਲਈ ਇੱਕ ਵਿਧੀ ਅਤੇ ਮੈਟ੍ਰਿਕ (ਸ਼ੁੱਧਤਾ, ਰੀਕਾਲ, F1) ਦਾ ਸੁਝਾਅ ਦਿਓ। ਕੋਡ ਵੀ ਲਿਖੋ।

ਮੇਰੀਆਂ ਕੈਮਰਾ ਟ੍ਰੈਪ ਫੋਟੋਆਂ ਵਿੱਚ ਜਾਨਵਰਾਂ ਦਾ ਪਤਾ ਲਗਾਉਣ ਲਈ MegaDetector ਵਰਕਫਲੋ ਦੀ ਵਿਆਖਿਆ ਕਰੋ। ਖਾਲੀ ਫਰੇਮਾਂ ਨੂੰ ਖਤਮ ਕਰਨ ਵਿੱਚ ਸਮੇਂ ਦੀ ਬਚਤ ਅਤੇ ਝੂਠੇ ਨੈਗੇਟਿਵ ਦੇ ਜੋਖਮ ਬਾਰੇ ਦੱਸੋ।

ਕੋਡ ਲਿਖੋ ਜੋ ਸਕੇਲ ਬਾਰ ਜਾਣਕਾਰੀ ਦੇ ਨਾਲ ਪਿਕਸਲ-ਤੋਂ-ਮਾਈਕ੍ਰੋਮੀਟਰ ਪਰਿਵਰਤਨ ਕਰਦਾ ਹੈ ਅਤੇ ਵਰਗ ਮਾਈਕ੍ਰੋਮੀਟਰਾਂ ਵਿੱਚ ਹਰੇਕ ਸੈੱਲ ਦੇ ਖੇਤਰ ਦੀ ਗਣਨਾ ਕਰਦਾ ਹੈ। ਕੈਲੀਬ੍ਰੇਸ਼ਨ: [X] ਪਿਕਸਲ = [Y] ਮਾਈਕ੍ਰੋਮੀਟਰ।

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ

ਕਮਜ਼ੋਰ: "ਇਸ ਫੋਟੋ ਵਿੱਚ ਸੈੱਲਾਂ ਦੀ ਗਿਣਤੀ ਕਰੋ।"

ਮਜ਼ਬੂਤ: "ਮੇਰੇ ਕੋਲ ਇੱਕ DAPI-ਦਾਗ ਵਾਲਾ ਨਿਊਕਲੀਅਸ ਚਿੱਤਰ ਹੈ (TIFF, ਸਿੰਗਲ ਚੈਨਲ, 2048x2048, ਸਕੇਲ 0.32 µm/ਪਿਕਸਲ)। ਕੋਡ ਲਿਖੋ ਜੋ ਸਟਾਰਡਿਸਟ ਦੇ ਪੂਰਵ-ਸਿਖਿਅਤ 2D ਮਾਡਲ ਦੇ ਨਾਲ ਨਿਊਕਲੀਅਸ ਨੂੰ ਖੰਡ ਅਤੇ ਗਿਣਦਾ ਹੈ, ਹਰੇਕ ਮਾਈਕ੍ਰੋਮੀਟਰ ਦਾ ਖੇਤਰਫਲ ਦਿੰਦੇ ਹੋਏ, ਜੋ ਕਿ ਕੋਡ 3 ਵਿੱਚ ਮੈਨਿਊਅਲ ਮਾਈਕ੍ਰੋਮੀਟਰ ਦੇ ਨਾਲ ਜੋੜਦੇ ਹਨ। ਚਿੱਤਰ ਬਣਾਉਂਦਾ ਹੈ ਅਤੇ ਇੱਕ ਸ਼ੁੱਧਤਾ ਰਿਪੋਰਟ ਤਿਆਰ ਕਰਦਾ ਹੈ।"

ਅੰਤਰ: ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰੋਂਪਟ ਵਿੱਚ ਚਿੱਤਰ ਦੀ ਕਿਸਮ, ਪੇਂਟਿੰਗ, ਰੈਜ਼ੋਲਿਊਸ਼ਨ, ਸਕੇਲ ਅਤੇ ਵੈਰੀਫਿਕੇਸ਼ਨ ਸਕੀਮ ਹੈ। ਮਾਡਲ ਸਹੀ ਟੂਲ ਅਤੇ ਸਹੀ ਸਕੇਲ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ।

ਤਿੰਨ ਛੋਟੇ ਕੇਸ

ਕੇਸ 1 — ਸੰਗਮ ਸੈੱਲ: ਇੱਕ ਵਿਦਿਆਰਥੀ ਨੇ ਸੈੱਲਪੋਜ਼ ਦੇ ਨਾਲ ਇੱਕ ਸੰਘਣੀ ਟਿਸ਼ੂ ਚਿੱਤਰ ਵਿੱਚ 400 ਸੈੱਲਾਂ ਦੀ ਗਿਣਤੀ ਕੀਤੀ; ਜਦੋਂ ਮੈਂ ਹੱਥਾਂ ਨਾਲ ਗਿਣਿਆ, ਤਾਂ ਇਹ 560 ਨਿਕਲਿਆ। ਮਾਡਲ ਨੇ ਇੱਕ ਦੂਜੇ ਨੂੰ ਛੂਹਣ ਵਾਲੇ ਸੈੱਲਾਂ ਨੂੰ ਇੱਕ ਸੈੱਲ ਵਜੋਂ ਜੋੜਿਆ। ਏਆਈ ਨੇ ਸੈੱਲ ਵਿਆਸ ਪੈਰਾਮੀਟਰ ਨੂੰ ਅਨੁਕੂਲ ਕਰਨ ਅਤੇ ਪ੍ਰਵਾਹ ਥ੍ਰੈਸ਼ਹੋਲਡ ਨੂੰ ਬਦਲਣ ਦਾ ਸੁਝਾਅ ਦਿੱਤਾ; ਗਿਣਤੀ ਵਧ ਕੇ 545 ਹੋ ਗਈ। ਪਾਠ: ਅਸਲ ਚਿੱਤਰ ਦੇ ਅਨੁਸਾਰ ਮਾਪਦੰਡਾਂ ਨੂੰ ਵਿਵਸਥਿਤ ਕਰੋ।

ਕੇਸ 2 - ਸਪੀਸੀਜ਼ ਉਲਝਣ: ਇੱਕ ਵਾਤਾਵਰਣ ਪ੍ਰੋਜੈਕਟ ਵਿੱਚ, ਆਟੋਮੈਟਿਕ ਸਪੀਸੀਜ਼ ਮਾਨਤਾ ਨੇ ਰਾਤ ਦੇ ਸਮੇਂ ਦੀਆਂ ਤਸਵੀਰਾਂ ਵਿੱਚ ਇੱਕ ਲੂੰਬੜੀ ਨੂੰ "ਬਿੱਲੀ" ਵਜੋਂ ਵਾਰ-ਵਾਰ ਟੈਗ ਕੀਤਾ। ਮਾਡਲ ਨੇ ਸਮਝਾਇਆ ਕਿ ਸਿਖਲਾਈ ਡੇਟਾ ਵਿੱਚ ਘੱਟ ਰੋਸ਼ਨੀ ਅਤੇ ਅਸੰਤੁਲਨ ਇਸ ਗਲਤੀ ਦਾ ਕਾਰਨ ਬਣ ਸਕਦਾ ਹੈ; ਟੀਮ ਨੇ ਅਸਪਸ਼ਟ ਟੈਗਸ ਨੂੰ ਮਨੁੱਖੀ ਪ੍ਰਮਾਣਿਕਤਾ ਲਈ ਅੱਗੇ ਭੇਜ ਦਿੱਤਾ। ਪਾਠ: ਜੇਕਰ ਮਾਡਲ ਦਾ ਵਿਸ਼ਵਾਸ ਸਕੋਰ ਘੱਟ ਹੈ, ਤਾਂ ਮਨੁੱਖੀ ਤਸਦੀਕ ਲਾਜ਼ਮੀ ਹੈ।

ਕੇਸ 3 - ਸਕੇਲ ਗਲਤੀ: ਇੱਕ ਖੋਜਕਰਤਾ ਨੇ ਪਿਕਸਲ ਵਿੱਚ ਸੈੱਲ ਖੇਤਰਾਂ ਦੀ ਰਿਪੋਰਟ ਕੀਤੀ ਪਰ ਮਾਈਕ੍ਰੋਮੀਟਰਾਂ ਵਿੱਚ ਬਦਲਣਾ ਭੁੱਲ ਗਿਆ; ਨਤੀਜਾ ਸਾਹਿਤ ਦੇ ਅਨੁਕੂਲ ਨਹੀਂ ਸੀ. ਜਦੋਂ ਨਕਲੀ ਬੁੱਧੀ ਨੇ ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਪੜਾਅ ਨੂੰ ਜੋੜਿਆ, ਤਾਂ ਮੁੱਲ ਇੱਕ ਵਾਜਬ ਸੀਮਾ ਦੇ ਅੰਦਰ ਆ ਗਏ। ਪਾਠ: ਭੌਤਿਕ ਇਕਾਈ ਪਰਿਵਰਤਨ ਮਹੱਤਵਪੂਰਨ ਹੈ।

ਤੁਲਨਾ ਚਾਰਟ

ਖੋਜ

ਅਨੁਕੂਲ ਵਾਹਨ

ਪੁਸ਼ਟੀਕਰਨ ਮਾਪਕ

ਕੋਰ ਸੈਗਮੈਂਟੇਸ਼ਨ

ਸਟਾਰਡਿਸਟ

ਹੱਥੀਂ ਗਿਣਤੀ ਦੇ ਨਾਲ F1

ਸਾਇਟੋਪਲਾਜ਼ਮ/ਸੈੱਲ ਸੀਮਾ

ਸੈੱਲਪੋਜ਼

IoU (ਓਵਰਲੈਪ ਦਰ)

ਸਪੀਸੀਜ਼ ਪਛਾਣ (ਜੰਗਲੀ ਜੀਵ)

MegaDetector/iNaturalist

ਟਰੱਸਟ ਸਕੋਰ + ਮਨੁੱਖੀ ਪ੍ਰਵਾਨਗੀ

ਰੋਗ ਵਰਗੀਕਰਨ

ਵਿਸ਼ੇਸ਼ ਤੌਰ 'ਤੇ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਮਾਡਲ

ਉਲਝਣ ਮੈਟ੍ਰਿਕਸ

ਆਮ ਗਲਤੀਆਂ

• ਦਸਤੀ ਪ੍ਰਮਾਣਿਕਤਾ ਦੇ ਬਿਨਾਂ ਬੈਚ ਪ੍ਰੋਸੈਸਿੰਗ: ਪੂਰੇ ਡੇਟਾ ਵਿੱਚ ਮਾਡਲ ਦੀ ਗਲਤੀ ਦਾ ਪ੍ਰਚਾਰ ਕਰਨਾ।
• ਸਕੇਲ ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਨੂੰ ਛੱਡਣਾ: ਪਿਕਸਲ-ਯੂਨਿਟ ਨੂੰ ਭੌਤਿਕ ਇਕਾਈ ਵਿੱਚ ਤਬਦੀਲ ਨਹੀਂ ਕਰਨਾ।
• ਘੱਟ ਭਰੋਸੇ ਵਾਲੇ ਸਕੋਰਾਂ ਨਾਲ ਭਵਿੱਖਬਾਣੀਆਂ ਨੂੰ ਸਵੀਕਾਰ ਕਰਨਾ: ਮਨੁੱਖਾਂ ਨੂੰ ਅਨਿਸ਼ਚਿਤ ਸਥਿਤੀਆਂ ਦਾ ਹਵਾਲਾ ਨਹੀਂ ਦੇਣਾ।
• ਪੈਰਾਮੀਟਰਾਂ ਨੂੰ ਡਿਫੌਲਟ ਵਜੋਂ ਛੱਡਣਾ: ਚਿੱਤਰ ਲਈ ਸੈੱਲ ਵਿਆਸ ਵਰਗੀਆਂ ਸੈਟਿੰਗਾਂ ਨੂੰ ਅਨੁਕੂਲ ਨਹੀਂ ਕਰਨਾ।
• ਸਿਖਲਾਈ ਵੰਡ ਤੋਂ ਬਾਹਰ ਦਾ ਚਿੱਤਰ: ਅੰਨ੍ਹੇਵਾਹ ਉਸ ਸਥਿਤੀ ਵਿੱਚ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਜਿਸ ਨੇ ਕਦੇ ਨਹੀਂ ਦੇਖਿਆ (ਵੱਖਰਾ ਰੰਗ, ਕਿਸਮ)।

ਸਾਵਧਾਨ: ਚਿੱਤਰ ਮਾਡਲ ਸਿਖਲਾਈ ਡੇਟਾ ਦੇ ਸਮਾਨ ਚਿੱਤਰਾਂ 'ਤੇ ਵਧੀਆ ਪ੍ਰਦਰਸ਼ਨ ਕਰ ਸਕਦੇ ਹਨ, ਪਰ ਵੱਖ-ਵੱਖ ਸਥਿਤੀਆਂ (ਨਵੇਂ ਦਾਗ, ਨਵੀਂ ਪ੍ਰਜਾਤੀ, ਵੱਖੋ-ਵੱਖਰੇ ਮਾਈਕ੍ਰੋਸਕੋਪ) ਦੇ ਅਧੀਨ ਅਚਾਨਕ ਮਾੜੇ ਹਨ। ਜਦੋਂ ਇੱਕ ਨਵੇਂ ਡਾਟਾ ਸੈੱਟ 'ਤੇ ਚਲੇ ਜਾਂਦੇ ਹੋ, ਤਾਂ ਕਈ ਚਿੱਤਰਾਂ 'ਤੇ ਦਸਤੀ ਪ੍ਰਮਾਣਿਤ ਕੀਤੇ ਬਿਨਾਂ ਮਾਡਲ 'ਤੇ ਭਰੋਸਾ ਨਾ ਕਰੋ। ਉੱਚ-ਨਤੀਜੇ ਵਾਲੇ ਫੈਸਲਿਆਂ ਜਿਵੇਂ ਕਿ ਸਪੀਸੀਜ਼ ਕੰਜ਼ਰਵੇਸ਼ਨ ਜਾਂ ਨਿਦਾਨ ਲਈ ਮਨੁੱਖੀ ਸਹਿਮਤੀ ਜ਼ਰੂਰੀ ਹੈ।

ਵਿਭਾਜਨ ਤੋਂ ਮਾਪ ਤੱਕ: ਸੰਖਿਆਵਾਂ ਤੋਂ ਪਰੇ

ਸੈੱਲਾਂ ਦੀ ਗਿਣਤੀ ਕਰਨਾ ਅਕਸਰ ਪਹਿਲਾ ਕਦਮ ਹੁੰਦਾ ਹੈ; ਅੰਦਰੂਨੀ ਮੁੱਲ ਹਰੇਕ ਵਸਤੂ ਬਾਰੇ ਮਾਪ ਕੱਢਦਾ ਹੈ। ਪ੍ਰਤੀ ਸੈੱਲ ਦੀਆਂ ਦਰਜਨਾਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ, ਜਿਵੇਂ ਕਿ ਖੇਤਰ, ਘੇਰਾ, ਗੋਲਤਾ, ਫਲੋਰੋਸੈਂਸ ਤੀਬਰਤਾ (ਇੱਕ ਮਾਰਕਰ ਨੂੰ ਕਿੰਨਾ ਦਰਸਾਇਆ ਗਿਆ ਹੈ), ਨੂੰ ਇੱਕ ਵਿਭਾਜਨ ਮਾਸਕ ਤੋਂ ਗਿਣਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਸਕਿਟ-ਇਮੇਜ ਲਾਇਬ੍ਰੇਰੀ ਵਿੱਚ ਰੀਜਨਪ੍ਰੌਪਸ ਫੰਕਸ਼ਨ ਅਜਿਹਾ ਕਰਦਾ ਹੈ। AI ਕੋਡ ਲਿਖਦਾ ਹੈ ਜੋ ਇਹਨਾਂ ਮਾਪਾਂ ਨੂੰ ਕੱਢਦਾ ਹੈ ਅਤੇ ਨਤੀਜਿਆਂ ਨੂੰ ਇੱਕ ਸਾਰਣੀ ਵਿੱਚ ਡੋਲ੍ਹਦਾ ਹੈ; ਤੁਸੀਂ ਸਮੂਹਾਂ ਦੀ ਤੁਲਨਾ ਵੀ ਕਰ ਸਕਦੇ ਹੋ (ਜਿਵੇਂ ਕਿ "ਕੀ ਇਲਾਜ ਕੀਤੇ ਸੈੱਲ ਨਿਯੰਤਰਣ ਨਾਲੋਂ ਛੋਟੇ ਹਨ?")।

ਸਕਿਟ-ਇਮੇਜ ਰੀਜਨਪ੍ਰੌਪਸ ਦੇ ਨਾਲ ਸੈਲਪੋਜ਼ ਮਾਸਕ ਤੋਂ ਹਰੇਕ ਸੈੱਲ ਦੇ ਖੇਤਰ, ਘੇਰੇ ਅਤੇ ਔਸਤ ਫਲੋਰੋਸੈਂਸ ਤੀਬਰਤਾ ਨੂੰ ਐਕਸਟਰੈਕਟ ਕਰੋ। ਨਤੀਜਾ CSV ਨੂੰ ਲਿਖੋ; ਬਾਕਸ ਪਲਾਟ ਵਿੱਚ ਨਿਯੰਤਰਣ ਅਤੇ ਇਲਾਜ ਸਮੂਹਾਂ ਦੀ ਤੁਲਨਾ ਕਰੋ। ਸਕੇਲ ਕੈਲੀਬ੍ਰੇਸ਼ਨ (µm/ਪਿਕਸਲ) ਲਾਗੂ ਕਰੋ।

ਸੰਕੇਤ: ਘਣਤਾ ਨੂੰ ਮਾਪਣ ਵੇਲੇ ਪਿਛੋਕੜ ਨੂੰ ਹਟਾਉਣਾ ਨਾ ਭੁੱਲੋ; ਗੈਰ-ਕੈਲੀਬਰੇਟਿਡ ਤੀਬਰਤਾ ਮੁੱਲ ਮਾਈਕ੍ਰੋਸਕੋਪ ਸੈਟਿੰਗ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਨ ਅਤੇ ਤੁਲਨਾਤਮਕ ਤੌਰ 'ਤੇ ਪੂਰਨ ਰੂਪ ਵਿੱਚ ਨਹੀਂ, ਪਰ ਸਮਾਨ ਸਥਿਤੀ ਦੇ ਅਧੀਨ ਲਏ ਗਏ ਸਮੂਹਾਂ ਦੇ ਵਿਚਕਾਰ ਸਾਪੇਖਿਕ ਰੂਪ ਵਿੱਚ ਹੁੰਦੇ ਹਨ।

ਇੱਕ ਮਾਡਲ ਨੂੰ ਕਦੋਂ ਸਿਖਲਾਈ ਦੇਣੀ ਹੈ: ਥੋੜਾ ਡੇਟਾ, ਧਿਆਨ ਨਾਲ ਲੇਬਲਿੰਗ

ਕਈ ਵਾਰ ਆਫ-ਦੀ-ਸ਼ੈਲਫ ਟੂਲ ਕਾਫ਼ੀ ਨਹੀਂ ਹੁੰਦੇ ਹਨ ਅਤੇ ਤੁਹਾਨੂੰ ਆਪਣੇ ਖੁਦ ਦੇ ਵਰਗੀਕਰਨ ਮਾਡਲ (ਜਿਵੇਂ ਕਿ ਇੱਕ ਖਾਸ ਬਿਮਾਰੀ ਦੇ ਲੱਛਣ) ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਇੱਥੇ ਦੋ ਜਾਲ ਖੜ੍ਹੇ ਹਨ। ਪਹਿਲਾ ਡਾਟਾ ਲੀਕੇਜ ਹੈ: ਸਿਖਲਾਈ ਅਤੇ ਟੈਸਟ ਸੈੱਟਾਂ ਦੋਵਾਂ ਵਿੱਚ ਸ਼ਾਮਲ ਕੀਤੇ ਜਾਣ ਵਾਲੇ ਇੱਕੋ ਵਿਅਕਤੀ/ਨਮੂਨੇ ਦੀਆਂ ਤਸਵੀਰਾਂ ਮਾਡਲ ਨੂੰ ਇਸ ਤੋਂ ਵੱਧ ਸਫਲ ਬਣਾਉਂਦੀਆਂ ਹਨ; ਵਿਅਕਤੀਗਤ ਪੱਧਰ 'ਤੇ ਵੰਡ ਕਰੋ। ਦੂਜਾ ਅਸੰਤੁਲਿਤ ਸ਼੍ਰੇਣੀ ਹੈ: ਜੇ ਮਰੀਜ਼ ਦੇ ਨਮੂਨੇ ਘੱਟ ਹਨ, ਤਾਂ ਮਾਡਲ "ਹਮੇਸ਼ਾ ਤੰਦਰੁਸਤ" ਕਹਿ ਕੇ ਉੱਚ ਸ਼ੁੱਧਤਾ ਦਿਖਾਉਂਦਾ ਹੈ ਪਰ ਬੇਕਾਰ ਹੈ; ਸ਼ੁੱਧਤਾ ਦੀ ਬਜਾਏ ਸੰਵੇਦਨਸ਼ੀਲਤਾ (ਯਾਦ) ਅਤੇ ਉਲਝਣ ਮੈਟ੍ਰਿਕਸ ਨੂੰ ਦੇਖੋ। AI ਇਸ ਸਿਖਲਾਈ ਕੋਡ ਨੂੰ ਲਿਖਦਾ ਹੈ, ਪਰ ਇਹਨਾਂ ਵਿਧੀ ਸੰਬੰਧੀ ਕਮੀਆਂ ਨੂੰ ਨੈਵੀਗੇਟ ਕਰਨਾ ਤੁਹਾਡਾ ਕੰਮ ਹੈ।

ਚਿੱਤਰ ਦੀ ਗੁਣਵੱਤਾ ਅਤੇ ਪ੍ਰੀਪ੍ਰੋਸੈਸਿੰਗ

ਡਿਸਪਲੇ ਮਾਡਲ ਦੀ ਸਫਲਤਾ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਤੁਹਾਡੇ ਦੁਆਰਾ ਪ੍ਰਦਾਨ ਕੀਤੀ ਗਈ ਚਿੱਤਰ ਦੀ ਗੁਣਵੱਤਾ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ। ਚਿੱਤਰ ਜੋ ਫੋਕਸ ਤੋਂ ਬਾਹਰ ਹਨ, ਬਹੁਤ ਜ਼ਿਆਦਾ ਐਕਸਪੋਜ਼ਡ ਹਨ, ਇਸ ਦੇ ਉਲਟ ਘੱਟ ਹਨ, ਜਾਂ ਵੱਖ-ਵੱਖ ਵਿਸਤਾਰ 'ਤੇ ਲਈਆਂ ਗਈਆਂ ਹਨ, ਉਹ ਸਭ ਤੋਂ ਵਧੀਆ ਮਾਡਲ ਨੂੰ ਵੀ ਉਲਝਾਉਣਗੀਆਂ। ਇਸ ਲਈ ਸੈਗਮੈਂਟੇਸ਼ਨ ਤੋਂ ਪਹਿਲਾਂ ਸਧਾਰਨ ਪ੍ਰੀ-ਪ੍ਰੋਸੈਸਿੰਗ ਕਦਮ ਅਕਸਰ ਨਤੀਜੇ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਸੁਧਾਰ ਕਰਦੇ ਹਨ: ਬੈਕਗ੍ਰਾਉਂਡ ਸੁਧਾਰ (ਰੋਸ਼ਨੀ ਅਸੰਤੁਲਨ ਨੂੰ ਦੂਰ ਕਰਨਾ), ਵਿਪਰੀਤ ਸਧਾਰਣਕਰਨ ਅਤੇ ਸ਼ੋਰ ਘਟਾਉਣਾ। AI ਇਸ ਪ੍ਰੀਪ੍ਰੋਸੈਸਿੰਗ ਕੋਡ ਨੂੰ ਲਿਖਦਾ ਹੈ (ਸਕਿਟ-ਇਮੇਜ ਜਾਂ ਓਪਨਸੀਵੀ ਨਾਲ); ਪਰ ਤੁਸੀਂ ਚਿੱਤਰ ਨੂੰ ਦੇਖ ਕੇ ਫੈਸਲਾ ਕਰੋ ਕਿ ਕਿਹੜੀ ਸੁਧਾਰ ਜ਼ਰੂਰੀ ਹੈ। ਬਹੁਤ ਜ਼ਿਆਦਾ ਪ੍ਰੀਪ੍ਰੋਸੈਸਿੰਗ ਵੀ ਖ਼ਤਰਨਾਕ ਹੈ: ਇੱਕ ਚਿੱਤਰ ਨੂੰ ਬਹੁਤ ਜ਼ਿਆਦਾ "ਸਫ਼ਾਈ" ਕਰਨਾ ਅਸਲ ਜੀਵ-ਵਿਗਿਆਨਕ ਢਾਂਚੇ ਨੂੰ ਮਿਟਾ ਸਕਦਾ ਹੈ ਅਤੇ ਡੇਟਾ ਸੁੰਦਰਤਾ ਵਿੱਚ ਬਦਲ ਸਕਦਾ ਹੈ। ਨਿਯਮ ਇਹ ਹੈ: ਪ੍ਰੀ-ਪ੍ਰੋਸੈਸਿੰਗ ਸਾਰੇ ਚਿੱਤਰਾਂ 'ਤੇ ਉਸੇ, ਪੂਰਵ-ਪ੍ਰਭਾਸ਼ਿਤ ਤਰੀਕੇ ਨਾਲ ਲਾਗੂ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ, ਨਤੀਜੇ ਨੂੰ ਸੁੰਦਰ ਬਣਾਉਣ ਲਈ ਚੋਣਵੇਂ ਤੌਰ 'ਤੇ ਇਕ-ਇਕ ਕਰਕੇ ਨਹੀਂ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।

ਵਿਭਾਜਨ ਤੋਂ ਪਹਿਲਾਂ ਮੇਰੇ ਮਾਈਕ੍ਰੋਸਕੋਪ ਚਿੱਤਰਾਂ 'ਤੇ ਮਿਆਰੀ ਪ੍ਰੀਪ੍ਰੋਸੈਸਿੰਗ ਲਾਗੂ ਕਰੋ: ਬੈਕਗ੍ਰਾਉਂਡ ਸੁਧਾਰ, ਵਿਪਰੀਤ ਸਧਾਰਣਕਰਨ, ਮਾਮੂਲੀ ਸ਼ੋਰ ਘਟਾਉਣਾ। ਸਾਰੇ ਚਿੱਤਰਾਂ 'ਤੇ ਉਹੀ ਮਾਪਦੰਡ ਲਾਗੂ ਕਰੋ (ਚੋਣਵੇਂ ਰੂਪ ਵਿੱਚ ਨਹੀਂ)। ਤੁਲਨਾ ਤੋਂ ਪਹਿਲਾਂ/ਬਾਅਦ ਦਿਖਾਓ। ਸਕਿਟ-ਇਮੇਜ ਦੀ ਵਰਤੋਂ ਕਰੋ।

ਸਾਰੰਸ਼ ਵਿੱਚ

ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਜੈਵਿਕ ਚਿੱਤਰ ਵਿਸ਼ਲੇਸ਼ਣ (ਸੈੱਲ ਸੈਗਮੈਂਟੇਸ਼ਨ, ਸਪੀਸੀਜ਼/ਬਿਮਾਰੀ ਖੋਜ) ਵਿੱਚ ਬਹੁਤ ਸਮਾਂ ਬਚਾਉਂਦੀ ਹੈ। ਸੈਲਪੋਜ਼, ਸਟਾਰਡਿਸਟ, ਮੈਗਾਡਿਟੈਕਟਰ ਵਰਗੇ ਆਫ-ਦੀ-ਸ਼ੈਲਫ ਟੂਲਸ ਸਕ੍ਰੈਚ ਤੋਂ ਸਿਖਲਾਈ ਤੋਂ ਬਿਨਾਂ ਜ਼ਿਆਦਾਤਰ ਕੰਮਾਂ ਨੂੰ ਹੱਲ ਕਰਦੇ ਹਨ। ਹਾਲਾਂਕਿ, ਨਤੀਜਾ ਹੱਥੀਂ ਪ੍ਰਮਾਣਿਤ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ, ਪੈਮਾਨੇ ਨੂੰ ਕੈਲੀਬਰੇਟ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ, ਅਤੇ ਘੱਟ ਭਰੋਸੇ ਵਾਲੇ ਸਕੋਰ ਮਨੁੱਖਾਂ ਨੂੰ ਨਿਰਦੇਸ਼ਿਤ ਕੀਤੇ ਜਾਣੇ ਚਾਹੀਦੇ ਹਨ। ਮਾਡਲ ਸਿਖਲਾਈ ਵੰਡ ਦੇ ਬਾਹਰ ਭਰੋਸੇਯੋਗ ਨਹੀਂ ਹੈ; ਨਵੇਂ ਡੇਟਾ 'ਤੇ ਜਾਣ ਵੇਲੇ ਪੁਸ਼ਟੀ ਜ਼ਰੂਰੀ ਹੈ।

ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ

ਮਾਈਕ੍ਰੋਸਕੋਪ ਚਿੱਤਰ (ਜਾਂ ਨਮੂਨਾ ਡੇਟਾ) ਲਓ। ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਕੋਲ ਕੋਡ ਲਿਖੋ ਅਤੇ ਚਲਾਓ ਜੋ ਸੈੱਲਪੋਜ਼ ਜਾਂ ਸਟਾਰਡਿਸਟ ਨਾਲ ਸੈੱਲਾਂ ਨੂੰ ਵੰਡਦਾ ਅਤੇ ਗਿਣਦਾ ਹੈ। ਮਾਡਲ ਨੂੰ ਘੱਟੋ-ਘੱਟ ਇੱਕ ਚਿੱਤਰ ਵਿੱਚ ਮਿਲੇ ਸੈੱਲਾਂ ਦੀ ਹੱਥੀਂ ਗਿਣਤੀ ਕਰਕੇ ਤੁਲਨਾ ਕਰੋ; ਨੋਟ ਕਰੋ ਕਿ ਕਿੰਨੇ ਸੈੱਲ ਖੁੰਝ ਗਏ/ਮਿਲ ਗਏ ਸਨ। ਸਕੇਲ ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਜੋੜ ਕੇ ਵਰਗ ਮਾਈਕ੍ਰੋਮੀਟਰਾਂ ਵਿੱਚ ਸੈੱਲ ਖੇਤਰਾਂ ਦੀ ਰਿਪੋਰਟ ਕਰੋ।

ਚੈੱਕਲਿਸਟ

• [ ] ਮੈਂ ਚਿੱਤਰ ਦੀ ਕਿਸਮ, ਪੇਂਟਿੰਗ ਅਤੇ ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਨੂੰ ਪ੍ਰੋਂਪਟ ਵਿੱਚ ਜੋੜਿਆ ਹੈ।
• [ ] ਮੈਂ ਸਕੇਲ ਕੈਲੀਬ੍ਰੇਸ਼ਨ (ਪਿਕਸਲ-ਮਾਈਕ੍ਰੋਮੀਟਰ) ਲਾਗੂ ਕੀਤਾ।
• ਮੈਂ ਘੱਟੋ-ਘੱਟ ਇੱਕ ਚਿੱਤਰ 'ਤੇ ਨਤੀਜੇ ਦੀ ਦਸਤੀ ਪੁਸ਼ਟੀ ਕੀਤੀ ਹੈ।
• [] ਮੈਂ ਚਿੱਤਰ ਦੇ ਅਨੁਸਾਰ ਵਿਭਾਜਨ ਪੈਰਾਮੀਟਰ ਸੈੱਟ ਕਰਦਾ ਹਾਂ।
• [ ] ਮੈਂ ਮਨੁੱਖੀ ਪ੍ਰਮਾਣਿਕਤਾ ਲਈ ਘੱਟ ਭਰੋਸੇ ਵਾਲੇ ਸਕੋਰਾਂ ਨਾਲ ਭਵਿੱਖਬਾਣੀਆਂ ਨੂੰ ਅੱਗੇ ਭੇਜ ਦਿੱਤਾ।
• [ ] ਮੈਂ ਨਵੇਂ ਡੇਟਾ ਸੈੱਟ ਵਿੱਚ ਇਸਦੀ ਪੁਸ਼ਟੀ ਕੀਤੇ ਬਿਨਾਂ ਮਾਡਲ 'ਤੇ ਭਰੋਸਾ ਨਹੀਂ ਕੀਤਾ।