Der Blätterkatalog benötigt Javascript.
Bitte aktivieren Sie Javascript in Ihren Browser-Einstellungen.
The Blätterkatalog requires Javascript.
Please activate Javascript in your browser settings.
optimales Analyseergebnis erzielt wird Dies erfordert sowohl ein hohes Maß an Verständnis für jeden einzelnen Teilschritt als auch Erfahrung im maschinellen Lernen und bei der Auswahl der entsprechenden Parameter Ein Großteil der kommerziell verfügbaren Software hat diese Aufgabe für bestimmte Pipeline-Konfigurationen abstrahiert So wird oft nur eine geringe Anzahl an Konfigurationen eines einzigen Netzwerks zum Training oder für das Erkennen angeboten Im Forschungsprojekt AIxCell [1] entwickelte man ein Tool mit folgendem Ziel Zu jedem Problem soll die ideale Pipeline gefunden werden ohne dass ein Eingreifen des Data Scientists nötig ist Im gleichnamigen Cell Culture Analysis Tool „AIxCell“ konfiguriert der biologische Experte dazu ein Projekt in einer webbasierten grafischen Oberfläche und lädt initial Bilder seiner Zellen hoch Im nächsten Schritt erfolgt die Annotation der Bilddaten als Vorbereitung für das maschinelle Lernen Dabei wählt der Biologe grafisch zusammenhängende Zellbereiche oder Zellarten aus und markiert diese Für eine semantische Segmentierung sind meistens nur eine geringe Anzahl zwischen 10 und 100 Bildern notwendig Die Anzahl variiert dabei mit der Auflösung und dem Informationsgehalt der Bilder Damit wird insbesondere die Expertise des Biologen Zellen zu analysieren und zu unterscheiden genutzt Ist diese initiale Annotation erfolgt übernimmt das Tool „AIxCell“ alle weiteren Arbeiten s Bild 1 Vorgehensweise Zunächst werden die Bilder analysiert und Metadaten sowohl zum Inhalt der Bilder als auch über Aufnahmeverfahren Größen etc vollautomatisch generiert und mit einer bestehenden Wissensdatenbank verglichen Es entstehen mehr als 800 verschiedene Metainformationen Diese sind Eingabeparameter für das Meta-Learning-System „AutoKonfig“ „AutoKonfig“ nutzt diese Metadaten und die Lernparameter aus bereits erstellten Projekten um die Pipelines vorherzusagen die das optimale Analyseergebnis für den neuen Anwendungsfall versprechen In Abhängigkeit der durch das System Autokonfig vorhergesagten Genauigkeiten werden die Pipelines im Learningto-Rank-Verfahren in einer Rangfolge geordnet und eine bestimmte Anzahl an performantesten Pipelines ausgewählt Um die vorhergesagten Genauigkeiten durch Approximation der tatsächlichen Genauigkeiten zu validieren werden die Pipelines parallel trainiert und zu bestimmten Zeitpunkten evaluiert In Abhängigkeit der Evaluation werden nach jedem Zeitpunkt die Hälfte der Pipelines aus dem Training entfernt um die Rechenleistung den performanteren Pipelines zur Verfügung zu stellen Letztendlich bleibt eine optimale Pipeline übrig Alle Trainingsergebnisse werden wieder in die Wissensdatenbank zurück gespeichert und stehen für zukünftige Aufgaben als Metainformationen Labor 4 0 | Mikroskopie 34 www labo de 9 2022 Bild 2 Dargestellt ist eine Zellkultur mit induziert pluripotenten Stammzellen IPSC Neben der besiedelten Fläche sind einzelne Kolonien für die Anlagensteuerung der StemCellFactory interessant Dazu werden mehrere Zellklassen durch die generierte DL-Pipeline bestimmt und deren prozentuale Flächenanteile berechnet Gleichzeitig werden die Kolonien nummeriert und morphologisch durch Größe Umfang und Rundheit charakterisiert Dies ermöglicht eine Weiterverarbeitung auch auf Kolonieebene beispielsweise zum Picken Bild Fraunhofer IPT