රූප විශ්ලේෂණය සහ වර්ගය/සෛල හඳුනාගැනීම

ලාභ:

• ඛණ්ඩනය සහ වර්ගීකරණ කාර්යයන් වෙන් කිරීමට සහ එක් එක් සඳහා සුදුසු සූදානම් මෙවලම (Cellpose, StarDist, MegaDetector) තෝරා ගැනීමේ හැකියාව
• පරිමාණ ක්‍රමාංකනය සහ අතින් සත්‍යාපනය යෙදීමෙන් රූප වලින් විශ්වාසනීය මිනුම් ලබා ගැනීමේ හැකියාව
• අඩු විශ්වාසනීය ලකුණු අනාවැකි මානව වලංගුකරණයට යොමු කිරීමේ අවශ්‍යතාවය අවබෝධ කර ගැනීම සහ පුහුණු බෙදාහැරීමෙන් පිටත ආකෘතිය තහවුරු කිරීම.

ජීව විද්‍යාව යනු දෘශ්‍ය විද්‍යාවකි: අන්වීක්ෂයක් යටතේ සෛල, පෙට්‍රි දීසියක ජනපද, වනාන්තර කැමරාවක සතුන්, පත්‍රයක රෝග ලප. මෙම රූප ගණනය කිරීම, මැනීම සහ වර්ගීකරණය කිරීම පැය ගණනක් ගත වූ වෙහෙසකර සහ ආත්මීය කාර්යයක් විය. කෘතිම බුද්ධිය, විශේෂයෙන් ගැඹුරු ඉගෙනීම (බහු ස්ථර කෘතිම ස්නායු ජාල සමඟ රටා හඳුනාගැනීම) පදනම් වූ රූප ආකෘති, මෙම කාර්යය වේගවත් කර ප්‍රමිතිගත කර ඇත. මෙම ඒකකය තුළ, ජීව විද්‍යාත්මක රූප විශ්ලේෂණය, සූදානම් කළ මෙවලම් සහ වලංගු කිරීමේ අවශ්‍යතා සඳහා කෘතිම බුද්ධිය භාවිතා කරන්නේ කෙසේදැයි අපි සාකච්ඡා කරමු.

ආරම්භයේ සිට අවවාදයයි: ආකෘතියක් සෛලයක් හෝ විශේෂයක් "හඳුනා ගත හැක", නමුත් එය වැරදි ලෙස හඳුනා ගත හැක; තීරණාත්මක තීරණ සඳහා මිනිස් ඇස් සහ සැබෑ ලේබල් සත්‍යාපනය අත්‍යවශ්‍ය වේ.

සංදර්ශක කාර්යයන් වර්ග දෙකක්

• ඛණ්ඩනය: පික්සලයෙන් පික්සලයේ ඇති වස්තූන් (සෛල, න්‍යෂ්ටීන්) වෙන් කිරීම සහ ගණන් කිරීම. උදාහරණ මෙවලම්: Cellpose, StarDist. "මෙම අන්වීක්ෂ රූපයේ සෛල කීයක් තිබේද සහ ඒ සෑම එකක්ම කොපමණ විශාලද?"
• වර්ගීකරණය/අනාවරණය: රූපයේ ඇති දේ පැවසීම හෝ එහි පිහිටීම සොයා ගැනීම. උදාහරණය: කැමරා උගුලේ ඡායාරූපයක විශේෂ හඳුනාගැනීම (iNaturalist, MegaDetector), පත්‍රයක රෝග තිබේද නැද්ද යන්න වර්ගීකරණය කිරීම.

මෙම කාර්යයන් දෙක සඳහා විවිධ මෙවලම් අවශ්ය වේ. කෘතිම බුද්ධිය (LLM) ඔබට නිවැරදි මෙවලම තෝරා ගැනීමට, ස්ථාපන සහ ආමන්ත්‍රණ කේතය ලිවීමට සහ ප්‍රතිදානය අර්ථ නිරූපණය කිරීමට උපකාරී වේ.

ඉඟිය: රූප විශ්ලේෂණයේදී, බොහෝ විට ඔබට මුල සිටම ආකෘතියක් පුහුණු කිරීමට අවශ්‍ය නොවේ. Cellpose වැනි පූර්ව පුහුණු මෙවලම් බොහෝ සෛල වර්ග මත කෙලින්ම ක්‍රියා කරයි. පළමුව සූදානම් මෙවලම උත්සාහ කරන්න; නමුත් පින්තූර කිහිපයකින් ප්රතිඵලය අතින් තහවුරු කරන්න.

පියවරෙන් පියවර: අන්වීක්ෂ රූප මත සෛල ගණන් කිරීම

1. පින්තූර සකස් කරන්න: අඛණ්ඩ විශාලනය, ආලෝකය; ගොනු ආකෘතිය සටහන් කරන්න (TIFF, ආදිය).
2. පරිමාණ ක්‍රමාංකනය: පික්සලයකට මයික්‍රොමීටර කීයක් දැන ගන්න (ප්‍රමාණය මැනීම සඳහා අත්‍යවශ්‍ය).
3. ඛණ්ඩනය කිරීමේ මෙවලම තෝරන්න: StarDist නම් මූලික පැල්ලම්; සයිටොප්ලාස්ම සඳහා සෙල්පෝස්.
4. ධාවනය: රූපයක් මත මෙවලම උත්සාහ කරන්න.
5. අතින් තහවුරු කරන්න: ආකෘතිය සොයා ගන්නා සෛල සැබෑ රූපය සමඟ සසඳන්න; ඒකාබද්ධ / මඟ හැරුණු කොටු ගණන් කරන්න.
6. කණ්ඩායම: වලංගු කිරීම සතුටුදායක නම්, සම්පූර්ණ කට්ටලයටම යොදන්න.
7. වාර්තාව: සෛල සංඛ්යාව, ප්රමාණය බෙදා හැරීම; ලේඛන ක්රමය සහ නිරවද්යතාව.

පිටපත් කළ හැකි ක්ෂණික සැකිලි

භූමිකාව: ඔබ ජෛව රූප විශ්ලේෂණ සහායකයා වේ. කාර්යය: සෙල්පෝස් සමඟ අන්වීක්ෂ රූපයක සෛල ඛණ්ඩනය කර ගණන් කරන පයිතන් කේතය ලියන්න. ආදානය: image.tif, තනි නාලිකාව. ප්‍රතිදානය: සෛල ගණන සහ ආවරණ දෘශ්‍යකරණය. අදහස් සමඟ වැඩ කිරීමේ කේතය ලබා දී ආදර්ශ තේරීම සාධාරණීකරණය කරන්න.

මගේ ඛණ්ඩ ප්‍රතිදානය වලංගු කරන්නේ කෙසේද? මා අතින් ගණන් කළ නියැදිය සමඟ ආකෘතිය විසින් සොයාගත් සෛල ගණන සංසන්දනය කිරීමට ක්‍රමයක් සහ මෙට්‍රික් (නිරවද්‍යතාව, නැවත කැඳවීම, F1) යෝජනා කරන්න. කේතයද ලියන්න.

මගේ කැමරා උගුලේ ඡායාරූපවල සතුන් හඳුනාගැනීම සඳහා MegaDetector කාර්ය ප්‍රවාහය පැහැදිලි කරන්න. හිස් රාමු ඉවත් කිරීමේදී කාලය ඉතිරිකිරීම් සහ ව්‍යාජ නිෂේධනවල අවදානම පැහැදිලි කරන්න.

පරිමාණ තීරු තොරතුරු සමඟ පික්සෙල් සිට මයික්‍රොමීටරය දක්වා පරිවර්තනය කරන කේතය ලියන්න සහ එක් එක් සෛලයේ වර්ගඵලය වර්ග මයික්‍රොමීටරවලින් ගණනය කරන්න. ක්රමාංකනය: [X] පික්සල = [Y] මයික්රොමීටරය.

දුර්වල ක්ෂණික / ශක්තිමත් විමසුම

දුර්වල: "මෙම ඡායාරූපයෙහි සෛල ගණන් කරන්න."

ශක්තිමත්: "මා සතුව DAPI පැල්ලම් සහිත න්‍යෂ්ටික රූපයක් ඇත (TIFF, තනි නාලිකාව, 2048x2048, පරිමාණය 0.32 µm/පික්සල්). StarDist හි පූර්ව-පුහුණු 2D ආකෘතිය සමඟ න්‍යෂ්ටි ඛණ්ඩනය කර ගණන් කරන කේතය ලියන්න, එම වර්ගඵලය න්‍යෂ්ටිය 3 සමඟ සංසන්දනය කරමින් මිනිසාගේ ප්‍රදේශය එක් කරන්න. පින්තූර සහ නිරවද්‍යතා වාර්තාවක් නිෂ්පාදනය කරයි."

වෙනස: ප්‍රබල විමසුමෙහි රූප වර්ගය, පින්තාරු කිරීම, විභේදනය, පරිමාණය සහ සත්‍යාපන ක්‍රමය ඇත. ආකෘතිය නිවැරදි මෙවලම සහ නිවැරදි පරිමාණය භාවිතා කරයි.

කුඩා නඩු තුනක්

1 වන අවස්ථාව - සංඝටක සෛල: ශිෂ්‍යයෙක් Cellpose සමඟ ඝන පටක රූපයක සෛල 400ක් ගණන් කළේය; මම අතින් ගණන් කළ විට එය 560 ක් බවට පත් විය. මාදිලිය එකිනෙක ස්පර්ශ වන සෛල තනි සෛලයක් ලෙස ඒකාබද්ධ කළේය. සෛල විෂ්කම්භය පරාමිතිය සකස් කිරීම සහ ප්‍රවාහ සීමාව වෙනස් කිරීම AI විසින් යෝජනා කරන ලදී; ගණන් කිරීම 545 දක්වා ඉහළ ගියේය. පාඩම: සැබෑ රූපයට අනුව පරාමිති සකස් කරන්න.

2 වන අවස්ථාව - විශේෂ ව්‍යාකූලත්වය: පරිසර විද්‍යා ව්‍යාපෘතියක දී, ස්වයංක්‍රීය විශේෂ හඳුනාගැනීම, රාත්‍රී කාලයේ රූපවල හිවලෙකු "පූසා" ලෙස නැවත නැවතත් ටැග් කර ඇත. පුහුණු දත්තවල අඩු ආලෝකය සහ අසමතුලිතතාවය මෙම දෝෂයට හේතු විය හැකි බව ආකෘතිය පැහැදිලි කළේය; කණ්ඩායම අපැහැදිලි ටැග් මානව වලංගුකරණය වෙත යොමු කරන ලදී. පාඩම: ආකෘතියේ විශ්වාසනීය ලකුණු අඩු නම්, මානව සත්‍යාපනය අනිවාර්ය වේ.

අවස්ථාව 3 - පරිමාණ දෝෂය: පර්යේෂකයෙකු සෛල ප්‍රදේශ පික්සල වලින් වාර්තා කළ නමුත් මයික්‍රොමීටර බවට පරිවර්තනය කිරීමට අමතක විය; එහි ප්‍රතිඵලය සාහිත්‍යයට නොගැළපේ. කෘතිම බුද්ධිය ක්රමාංකන පියවර එකතු කළ විට, අගයන් සාධාරණ පරාසයක් තුළට වැටුණි. පාඩම: භෞතික ඒකක පරිවර්තනය ඉතා වැදගත් වේ.

සංසන්දනාත්මක සටහන

ගවේෂණය

සුදුසු වාහනය

සත්යාපන මෙට්රික්

මූලික ඛණ්ඩනය

StarDist

අතින් ගණන් කිරීම සමඟ F1

සයිටොප්ලාස්ම්/සෛල මායිම

cellpose

IoU (අතිච්ඡාදනය අනුපාතය)

විශේෂ හඳුනාගැනීම (වනජීවී)

MegaDetector/iNaturalist

විශ්වාස ලකුණු + මානව අනුමැතිය

රෝග වර්ගීකරණය

විශේෂයෙන් පුහුණු වූ ආකෘතිය

ව්යාකූල අනුකෘතිය

පොදු වැරදි

• අතින් වලංගු කිරීමකින් තොරව කණ්ඩායම් සැකසීම: සම්පූර්ණ දත්ත හරහා ආකෘතියේ දෝෂය ප්‍රචාරණය කිරීම.
• පරිමාණ ක්‍රමාංකනය මඟ හැරීම: පික්සල්-ඒකකය භෞතික ඒකකයට පරිවර්තනය නොකිරීම.
• අඩු විශ්වාසනීය ලකුණු සහිත අනාවැකි පිළිගැනීම: අවිනිශ්චිත තත්වයන් මිනිසුන්ට යොමු නොකිරීම.
• පරාමිති පෙරනිමියෙන් තැබීම: සෛල විෂ්කම්භය වැනි සැකසුම් රූපයට අනුගත නොවීම.
• පුහුණු බෙදාහැරීමෙන් පිටත රූපය: කිසිදා නොදුටු තත්වයේ ආකෘතිය අන්ධ ලෙස භාවිතා කිරීම (විවිධ වර්ණ ගැන්වීම, වර්ගය).

අවවාදයයි: රූප ආකෘති පුහුණු දත්ත වලට සමාන රූප මත හොඳින් ක්‍රියා කළ හැකි නමුත් විවිධ තත්ව යටතේ අනපේක්ෂිත ලෙස දුර්වල ලෙස (නව පැල්ලම, නව විශේෂ, විවිධ අන්වීක්ෂ). නව දත්ත කට්ටලයක් වෙත ගමන් කරන විට, රූප කිහිපයක අතින් වලංගු කිරීමකින් තොරව ආකෘතිය විශ්වාස නොකරන්න. විශේෂ සංරක්ෂණය හෝ රෝග විනිශ්චය වැනි ඉහළ ප්‍රතිවිපාක තීරණ සඳහා මානව කැමැත්ත අත්‍යවශ්‍ය වේ.

ඛණ්ඩනයේ සිට මැනීම දක්වා: ඉලක්කම් වලින් ඔබ්බට

සෛල ගණන් කිරීම බොහෝ විට පළමු පියවර වේ; ආවේණික අගය එක් එක් වස්තුව පිළිබඳ මිනුම් උපුටා ගනී. ප්‍රදේශය, පරිමිතිය, වටකුරු බව, ප්‍රතිදීප්ත තීව්‍රතාව (සලකුණක් ප්‍රකාශිත කොපමණ ප්‍රමාණයක්) වැනි සෛලයකට ලක්‍ෂණ දුසිම් ගණනක් ඛණ්ඩන ආවරණයකින් ගණනය කළ හැක. scikit-image පුස්තකාලයේ කලාප ප්‍රොප්ස් ක්‍රියාකාරිත්වය මෙය කරයි. AI මෙම මිනුම් උපුටා ගන්නා කේතයක් ලියන අතර ප්‍රතිඵල වගුවකට වත් කරයි; ඔබට කණ්ඩායම් සංසන්දනය කිරීමටද හැකිය (උදා: "ප්‍රතිකාර කළ සෛල පාලනයට වඩා කුඩාද?").

Scikit-image regionprops සමඟින් Cellpose වෙස් මුහුණෙන් සෑම සෛලයකම ප්‍රදේශය, පරිමිතිය සහ සාමාන්‍ය ප්‍රතිදීප්ත තීව්‍රතාවය උපුටා ගන්න. ප්රතිඵලය CSV වෙත ලියන්න; කොටුව කුමන්ත්රණයේ පාලන සහ ප්රතිකාර කණ්ඩායම් සසඳන්න. පරිමාණ ක්‍රමාංකනය යොදන්න (µm/පික්සල).

ඉඟිය: ඝනත්වය මැනීමේදී පසුබිම ඉවත් කිරීමට අමතක නොකරන්න; ක්‍රමාංකනය නොකළ තීව්‍රතා අගයන් අන්වීක්ෂ සැකසුම මත රඳා පවතින අතර ඒවා සංසන්දනය කළ හැක්කේ නිරපේක්ෂ වශයෙන් නොව, එකම කොන්දේසිය යටතේ ගත් කණ්ඩායම් අතර සාපේක්ෂ වශයෙන් ය.

ආකෘතියක් පුහුණු කළ යුත්තේ කවදාද: කුඩා දත්ත, ප්රවේශමෙන් ලේබල් කිරීම

සමහර විට රාක්කයේ ඇති මෙවලම් ප්‍රමාණවත් නොවන අතර ඔබ ඔබේම වර්ගීකරණ ආකෘතිය (උදා: විශේෂිත රෝග ලක්ෂණයක්) පුහුණු කළ යුතුය. උගුල් දෙකක් මෙහි කැපී පෙනේ. පළමුවැන්න දත්ත කාන්දු වීම ය: පුහුණුවීම් සහ පරීක්ෂණ කට්ටල දෙකෙහිම එකම පුද්ගලයාගේ/නියැදිය ඇතුළත් කර තිබීම ආකෘතියට වඩා සාර්ථක බව පෙනේ; තනි මට්ටමින් බෙදීම කරන්න. දෙවැන්න අසමතුලිත පන්තියයි: රෝගියාගේ සාම්පල ස්වල්පයක් නම්, ආකෘතිය "සැමවිටම නිරෝගී" යැයි පවසමින් ඉහළ නිරවද්‍යතාවයක් පෙන්නුම් කරයි, නමුත් එය නිෂ්ඵල ය; නිරවද්‍යතාව වෙනුවට සංවේදීතාව (මතක තබා ගැනීම) සහ ව්‍යාකූල අනුකෘතිය දෙස බලන්න. AI මෙම පුහුණු කේතය ලියයි, නමුත් මෙම ක්‍රමානුකූල අන්තරායන් සැරිසැරීම ඔබේ කාර්යයයි.

රූපයේ ගුණාත්මකභාවය සහ පෙර සැකසුම්

සංදර්ශක ආකෘතියක සාර්ථකත්වය කෙලින්ම රඳා පවතින්නේ ඔබ සපයන රූපයේ ගුණාත්මකභාවය මත ය. අවධානයෙන් බැහැර වූ, අධික ලෙස නිරාවරණය වූ, අඩු ප්‍රතිවිරෝධතාවකින් හෝ විවිධ විශාලනයකින් ගන්නා ලද පින්තූර හොඳම ආකෘතිය පවා ව්‍යාකූල කරයි. ඛණ්ඩනයට පෙර සරල පෙර සැකසුම් පියවර බොහෝ විට ප්‍රතිඵලය සැලකිය යුතු ලෙස වැඩි දියුණු කරන්නේ එබැවිනි: පසුබිම නිවැරදි කිරීම (ආලෝකයේ අසමතුලිතතාවය ඉවත් කිරීම), ප්‍රතිවිරුද්ධ සාමාන්‍යකරණය සහ ශබ්දය අඩු කිරීම. AI විසින් මෙම පෙර සැකසුම් කේතය ලියයි (scikit-image හෝ OpenCV සමඟ); නමුත් ඔබ රූපය දෙස බැලීමෙන් අවශ්ය නිවැරදි කිරීම තීරණය කරන්න. අධික ලෙස පෙර සැකසුම් කිරීම ද භයානක ය: රූපයක් ඕනෑවට වඩා "පිරිසිදු කිරීම" මගින් සැබෑ ජීව විද්‍යාත්මක ව්‍යුහය මකා දමා දත්ත අලංකාර කිරීම බවට පත් විය හැක. රීතිය මෙයයි: ප්‍රතිඵලය අලංකාර කිරීම සඳහා එකින් එක තෝරා නොගෙන සියලුම රූප සඳහා පෙර සැකසුම් එකම, පූර්ව නිශ්චිත ආකාරයෙන් යෙදිය යුතුය.

ඛණ්ඩනයට පෙර මගේ අන්වීක්ෂ රූප සඳහා සම්මත පෙර සැකසුම් යොදන්න: පසුබිම නිවැරදි කිරීම, ප්‍රතිවිරෝධතා සාමාන්‍යකරණය, සුළු ශබ්දය අඩු කිරීම. සියලුම පින්තූර සඳහා එකම පරාමිති යොදන්න (වරණාත්මකව නොවේ). සංසන්දනය කිරීමට පෙර/පසු පෙන්වන්න. Sikit-රූපය භාවිතා කරන්න.

සාරාංශයකින්

කෘතිම බුද්ධිය ජීව විද්‍යාත්මක රූප විශ්ලේෂණයේදී (සෛල ඛණ්ඩනය, විශේෂ/රෝග හඳුනාගැනීම) බොහෝ කාලයක් ඉතිරි කරයි. Cellpose, StarDist, MegaDetector වැනි රාක්කයෙන් පිටත මෙවලම් මුල සිටම පුහුණුවකින් තොරව බොහෝ කාර්යයන් විසඳයි. කෙසේ වෙතත්, ප්‍රතිඵලය අතින් සත්‍යාපනය කළ යුතු අතර, පරිමාණය ක්‍රමාංකනය කළ යුතු අතර, අඩු විශ්වාසනීය ලකුණු මිනිසුන් වෙත යොමු කළ යුතුය. පුහුණු බෙදාහැරීමෙන් පිටත ආකෘතිය විශ්වාස කළ නොහැකි ය; නව දත්ත වෙත ගමන් කිරීමේදී තහවුරු කිරීම අත්යවශ්ය වේ.

යෙදුම් කාර්යය

අන්වීක්ෂ රූපයක් (හෝ නියැදි දත්ත) ගන්න. Cellpose හෝ StarDist සමඟ සෛල ඛණ්ඩනය කරන සහ ගණන් කරන කේතය ලිවීමට සහ ධාවනය කිරීමට කෘතිම බුද්ධියට සලස්වන්න. ආකෘතිය අවම වශයෙන් එක් රූපයකින් සොයා ගන්නා සෛල අතින් ගණන් කිරීම මගින් සසඳන්න; කොටු කීයක් මග හැරුණු/ඒකාබද්ධ වී ඇත්ද යන්න සටහන් කරන්න. පරිමාණ ක්‍රමාංකනය එකතු කිරීමෙන් සෛල ප්‍රදේශ වර්ග මයික්‍රොමීටරවලින් වාර්තා කරන්න.

පිරික්සුම් ලැයිස්තුව

• [ ] මම ප්‍රේරකයට රූප වර්ගය, පින්තාරු කිරීම සහ විභේදනය එක් කළෙමි.
• [ ] මම පරිමාණ ක්‍රමාංකනය (පික්සල්-මයික්‍රොමීටරය) යෙදුවෙමි.
• [ ] මම අවම වශයෙන් එක් රූපයක් මත ප්‍රතිඵලය අතින් සත්‍යාපනය කළෙමි.
• [ ] මම රූපය අනුව ඛණ්ඩන පරාමිතීන් සකස් කරමි.
• [ ] මම අඩු විශ්වාසනීය ලකුණු සහිත අනාවැකි මානව වලංගුකරණයට යොමු කළෙමි.
• [ ] මම නව දත්ත කට්ටලය තුළ එය තහවුරු නොකර ආකෘතිය විශ්වාස කළේ නැත.