Faites des découvertes révolutionnaires à partir de vastes ensembles de données complexes.

Introduction

L'explosion de la recherche biomédicale offre aux industries pharmaceutique et biotechnologique la possibilité de développer de nouveaux médicaments, de nouvelles applications et de nouvelles technologies. L'innovation nécessite des schémas expérimentaux complexes qui aboutissent à des ensembles de données multidimensionnels extrêmement difficiles à exploiter. Sans analyse automatisée, les entreprises éprouvent des difficultés à passer de la collecte de données à des découvertes révolutionnaires. L'analyse d'images basée sur l'IA de ZEISS relève trois défis principaux pour favoriser l'innovation :

  • Informations : analysez les données d'image pour en extraire des résultats complets.
  • Automatisation : augmentez votre débit et votre efficacité avec d'importants volumes de données.
  • Reproductibilité : obtenez des résultats fiables aujourd'hui et demain, pour tous les utilisateurs et sur tous les sites.
Segmentation des noyaux cellulaires basée sur des méthodes conventionnelles d'analyse d'images

Segmentation des noyaux cellulaires basée sur des méthodes conventionnelles d'analyse d'images

Segmentation des noyaux cellulaires basée sur des méthodes conventionnelles d'analyse d'images

Segmentation des noyaux cellulaires basée sur des méthodes conventionnelles d'analyse d'images

Segmentation des noyaux cellulaires basée sur des méthodes conventionnelles d'analyse d'images

Les limites de l'analyse d'images classique

Pour le développement de médicaments et de biotechnologies, les chercheurs recourent depuis longtemps à l'automatisation de l'analyse d'images. L'approche la plus courante consiste à appliquer une séquence de fonctions de traitement (comme le lissage, la détection des contours, etc.) suivie d'une segmentation basée sur des seuils. Ces séquences peuvent être configurées afin de mettre en place des pipelines d'analyse de base pour des tâches typiques telles que l'identification et le comptage des noyaux, des cellules et d'autres caractéristiques subcellulaires d'intérêt. Malgré son efficacité dans de nombreuses tâches d'analyse d'image standard, cette segmentation d'image classique basée sur des seuils présente des limites qui peuvent entraîner des inconvénients importants pour les analyses à grande échelle d'ensembles de données complexes.

Ces algorithmes ne prennent en compte qu'un petit sous-ensemble de paramètres de l'image, notamment la luminosité. Les images doivent être très cohérentes en termes d'intensité du signal de la cible et d'homogénéité du fond. Ces pipelines échouent souvent avec des ensembles d'images hétérogènes, ce qui entraîne des artefacts ou une analyse incomplète. Les construire et les tester nécessite de l'expérience et des compétences en matière d'algorithmes d'analyse. Cette dépendance à l'égard d'un ensemble de compétences spécifiques peut conduire à des résultats incohérents lorsque le niveau d'expertise des scientifiques chargés de l'analyse des images est hétérogène, ou lorsque l'expertise nécessaire fait défaut.

Exploitez l'IA pour faire progresser l'analyse automatisée des images
Exploitez l'IA pour faire progresser l'analyse automatisée des images

Exploitez l'IA pour faire progresser l'analyse automatisée des images

L'intelligence artificielle (IA) permet aux ordinateurs d'imiter l'intelligence humaine. L'IA peut apprendre à identifier des objets dans des images sans être explicitement programmée, selon un processus d'apprentissage similaire à celui des êtres humains.

L'une des formes d'IA est l'apprentissage automatique (ou Machine Learning, ML), qui permet aux machines d'apprendre en extrayant des modèles de caractéristiques à partir de données. L'apprentissage automatique évalue des caractéristiques autres que l'intensité des pixels, par exemple des informations texturales, ce qui permet d'obtenir des résultats plus robustes à partir d'ensembles de données comprenant des images très variables.

L'apprentissage profond (ou Deep Learning, DL) est une forme spécialisée de ML fonctionnant à partir de l'interprétation de vastes quantités de données comportant des millions de paramètres. Bien qu'il nécessite davantage de données pour alimenter l'algorithme, l'apprentissage profond peut imiter la manière dont plusieurs couches de neurones en réseau traitent les données, ce qui lui permet de traiter avec succès des ensembles de données très complexes et difficiles à segmenter.

Cellules d'ostéosarcome
Cellules d'ostéosarcome

Cellules d'ostéosarcome montrant des noyaux colorés au DAPI en bleu (à gauche) ; noyaux segmentés à l'aide de l'apprentissage automatique traditionnel (milieu) ; segmentation suivie d'une séparation des noyaux individuels par la ligne de partage des eaux (à droite)

Cellules d'ostéosarcome montrant des noyaux colorés au DAPI en bleu (à gauche) ; noyaux segmentés à l'aide de l'apprentissage automatique traditionnel (milieu) ; segmentation suivie d'une séparation des noyaux individuels par la ligne de partage des eaux (à droite)

Les pipelines alimentés par l'IA donnent des résultats exceptionnels dans des scénarios difficiles

Nous formons l'IA en utilisant un sous-ensemble représentatif d'images contenant des caractéristiques intéressantes, par exemple des noyaux cellulaires. Au lieu de définir une séquence d'étapes de traitement pour obtenir un résultat de segmentation souhaité (comme dans l'analyse d'image conventionnelle), le résultat souhaité est renforcé lors de la formation et l'IA optimise automatiquement l'algorithme pour obtenir cette même segmentation. Les pipelines d'analyse alimentés par l'IA donnent des résultats exceptionnels, même lorsqu'ils sont appliqués à des scénarios d'imagerie particulièrement difficiles, comme l'imagerie à faible contraste (par exemple sans étiquette) et les images avec de fortes densités d'objets (par exemple culture cellulaire confluente ou tissus). En outre, les pipelines d'IA sont facilement automatisés et appliqués à de grands ensembles de données afin d'extraire des informations solides et statistiquement pertinentes sur les phénomènes biologiques.

Écosystème d'analyse d'images ZEISS alimenté par l'IA

Écosystème d'analyse d'images ZEISS alimenté par l'IA

Écosystème d'analyse d'images ZEISS alimenté par l'IA

Écosystème d'analyse d'images ZEISS alimenté par l'IA

Les flux de tâches d'analyse d'images basés sur l'IA combinent une segmentation et une classification précises des images avec l'automatisation pour des analyses de données reproductibles et à haut débit. En appliquant les flux de tâches d'analyse de l'IA, les équipes de recherche biopharmaceutique identifient et développent avec plus de succès de meilleurs médicaments candidats, de la phase précoce de recherche et de découverte jusqu'aux études précliniques ouvrant la porte à une éventuelle homologation NMR et au-delà. L'avantage est double :

  • Éviter les coûts élevés d'attrition associés à un échec en fin de développement.
  • Gagner un avantage concurrentiel en réduisant les délais de mise sur le marché.

Les solutions logicielles de ZEISS permettent aux utilisateurs de tous niveaux d'exploiter l'IA et d'augmenter leur productivité :

  • La plateforme d'apprentissage arivis Cloud basée sur le cloud permet de labelliser facilement et efficacement des ensembles de données d'entraînement pour le développement de modèles d'apprentissage profond, sans que les utilisateurs aient besoin de compétences en codage.
  • Les modèles d'apprentissage profond peuvent être mis en action dans le logiciel ZEISS ZEN dans le cadre d'un réglage d'analyse d'image ou d'un flux de tâches Bio Apps rationalisé.
  • Si votre tâche d'analyse est très complexe ou que la taille des données est très importante, votre pipeline d'analyse bénéficiera d'un déploiement dans arivis Pro – une suite d'analyse d'images hautement efficace pour les ensembles de données multidimensionnelles difficiles. Enfin, branchez vos pipelines d'analyse alimentés par l'IA sur la plateforme d'analyse basée sur le serveur arivis ProHub et augmentez la technologie d'analyse d'arivis Pro avec un débit et une échelle supplémentaires.

Téléchargements

    • How Artificial Intelligence is Reshaping Microscopy Image Analysis

      Pages: 7
      Taille du fichier: 3 MB

Contactez-nous

En quoi pouvons-nous vous aider ?

Chargement du formulaire en cours...

/ 4
Étape suivante :
  • Étape 1
  • Étape 2
  • Étape 3
Contactez-nous
Informations requises
Informations facultatives

Si vous souhaitez avoir plus d'informations concernant le traitement de vos données par ZEISS, veuillez consulter la politique de confidentialité.


Share this page