Cellpose permet de segmenter des cellules de différents types à partir de différentes modalités d'imagerie. Le réseau d'apprentissage profond est pré-entraîné avec des images de 70000 cellules. Cellpose utilise une représentation vectorielle des cellules. L'entrée est une image des cellules et éventuellement une image de noyaux.

MRI a ajouté un bouton de traitement par lot, qui permet d'exécuter la segmentation des cellules par lot à partir de l'interface utilisateur graphique au lieu d'utiliser le python à partir de la ligne de commande.

Voir aussi :

Cellpose (Présentation pour le groupe d'analyse d'images de MRI, 05.02.2020)
Cellpose reloaded (Présentation pour le groupe d'analyse d'images de MRI, 04.03.2021)

Noise2Void est une méthode d'apprentissage en profondeur qui peut être utilisée pour débruiter les images de microscopie. Aucun ensemble de données d'entraînement spécifique n'est requis, uniquement les images bruitées. Utilisez dl4mic pour entraîner et appliquer le Noise2Void.

Détection et segmentation automatiques des cellules et des noyaux à l'aide de polygones convexes en étoile.

Utilisez dl4mic pour entraîner et appliquer StarDist.

UNet est une méthode d'apprentissage profond pour la classification des pixels. Il peut être entraîné à segmenter différents types d'objets dans les images. La première moitié de l'architecture U-Net est un réseau neuronal convolutif à sous-échantillonnage qui agit comme un extracteur de caractéristiques à partir des images d'entrée. L'autre moitié suréchantillonne ces résultats et restaure une image en combinant les résultats du sous-échantillonnage avec les images suréchantillonnées. Utilisez dl4mic pour former et appliquer le réseau UNet.