Der Blätterkatalog benötigt Javascript.
Bitte aktivieren Sie Javascript in Ihren Browser-Einstellungen.
The Blätterkatalog requires Javascript.
Please activate Javascript in your browser settings.
Bild eigenschaften können dann wichtige Kenngrößen der zu untersuchenden Zellkulturen abgeleitet werden Dabei sind drei Punkte entscheidend Erstens sollte das neuronale Netz in der Lage sein den Erkenn-Prozess mit einer hohen Genauigkeit in einer für die Analyse akzeptablen Zeit durchzuführen Zweitens sollten die Eingabedaten möglichst alle zu erkennenden Klassen in verschiedensten Formenabbilden und auch unterschiedliche Aufnahmebedingungen und variierende Bildqualität berücksichtigen um in der Nutzung robust gegenüber solchen variierenden Bildeigenschaften zu sein Der dritte Punkt ist die Auswertung Die Ausgabe des trainierten neuronalen Netzes sollte so weiterverarbeitet werden dass eine spezifische Kennzahl z Bdie durch eine bestimmte Zellart besiedelte Fläche bestimmt werden kann Das Training Insbesondere beim Erstellen geeigneter Trainingsdaten sind viele externe Parameter zu berücksichtigen Dies können mikroskopspezifische Parameter wie Helligkeitsabweichungen Unschärfen oder unterschiedliche Auflösungen sein Aber auch probenspezifische Parameter wie z Bverschiedene Zellarten Verunreinigungen und Aggregationen spielen eine Rolle Um „die Wirklichkeit“ abzubilden wird eine sehr große Anzahl verschiedener Bilder benötigt Um die initiale Arbeit durch den biologischen Experten zu verringern kann der Datensatz an dieser Stelle durch gezielte künstliche Erweiterung Augmentation vergrößert werden Beispiele hierfür sind Rotationen Stauchungen oder das Verwischen von Bildern um Unschärfen und Verzerrungen zu simulieren Eine maschinelle Lern-Software muss all diese Schritte berücksichtigen Die Reihenfolge ist dabei festgelegt und enthält eine Sequenz von aufeinander aufbauenden Verarbeitungsschritten auch Daten-Pipeline genannt Sie beginnt mit der Aufnahme eines Trainingsdatensatzes und der Annotation der Daten Ein Teil ca 10 – 20 % der Daten wird nicht im Training verwendet und später nur zur Evaluierung des Trainingsergebnisses verwendet Es folgt die Augmentation und die Datenvorverarbeitung das heißt die technische Vorbereitung der Daten um diese dem Lernalgorithmus zuführen zu können sowie anschließend das iterative episodenweise Trainieren eines künstlichen neuronalen Netzwerks In der Nutzung werden die Bilder dann durch das trainierte neuronale Netzwerk verarbeitet und spezifische Kennzahlen im Postprocessing extrahiert In Abhängigkeit des Anwendungsfalls unterscheiden sich die Pipelines in den speziellen Verarbeitungsschritten z Bin der Art der Augmentation durch künstliche Generation von Bilddaten des Aufbaus der Netzarchitektur oder der Wahl der Auswertung z Bnach Zellzahl oder besiedelter Fläche Biologische Expertise für das Training nutzen Der Data Scientist als Spezialist für maschinelles Lernen hat die Aufgabe die einzelnen Elemente der Pipeline so zu konfigurieren zu trainieren und auszuwerten dass ein Thema 33 www labo de 9 2022 www shimadzu de aim-9000 Das AIM-9000 Infrarot-Mikroskop-System erlaubt eine schnelle und einfache Mikroanalyse • Höchste Empfindlichkeit • Gleichzeitige Infrarot-Messung und optische Betrachtung der Probe • Automatische Erkennung von Verunreinigungen Dem Fehler auf der Spur IRTracer-100 + AIM-9000