NIS-Elements

AI + Macro Imaging

März 2021

Clarify.ai is a new AI module that removes the blurred light contained in fluorescence images and generates high-contrast images. Clarify.ai, used with a stereo microscope, can provide sharper fluorescence images than ever before; it enables not only macroscopic observation of model organisms, but also microscopic observation of fine structures.

Quantitative 3D Imaging of Living Organs-on-Chips with a High-Speed Point-Scanning Confocal System

Januar 2021

Organs-on-chips more faithfully recapitulate the 3D architectural and functional complexity of native tissues compared to standard 2D tissue culture systems. Yet these advanced cell culture platforms present technical challenges for imaging-based applications. This Application Note demonstrates how the Nikon A1R HD25 confocal point-scanning system, CFI S Plan Fluor LWD 20XC objective and NIS-Elements software can enable rapid, deep, quantitative imaging of living cells in the Emulate Organ-Chip platform.

Highly accurate segmentation of cell areas based on DIC images using deep learning

September 2020

Quantification of cell migration and cell confluency is important in biological and medical research on cellular functions. A scratch assay is used to quantitatively measure the speed of cells migrating to a cell-free area (gap) that is physically produced. This is a common technique for evaluating cell migration in cell development and differentiation, as well as in the invasion and metastasis of cancer cells. However, manually processing unstained sample images for quantification takes an immense amount of time. In addition, the Wound Healing function, a special application for scratch assays in the NIS-Elements imaging software, shows roughly correct results, but it has limited accuracy in terms of detailed detection.

In this Application Note, we introduce examples of quantification of a scratch assay using the NIS.ai module of NIS-Elements. These examples proved that NIS.ai can make more accurate inferences compared to the existing Wound Healing function based on a small number of training images.

Nikon NIS-Elements Denoise.ai Software: utilizing deep learning to denoise confocal data

Januar 2020

Rauschen ist ein grundsätzlicher Bestandteil konfokaler Bilder. Es resultiert aus dem Vorgang des getakteten Samplings der kontinuierlich emittierten Photonen aus der Probe. Wird das Bildsignal schwächer, erhöht sich der Beitrag des Rauschens auf die Bildqualität (Signal-/Rauschverhältnis) in Abhängigkeit einer Quadratwurzelfunktion. Wir nutzen künstliche Intelligenz, um das sog. Schrotrauschen mit Hilfe trainierter neuronaler Netzwerke aus konfokalen Bildern zu entfernen. Dadurch ist es möglich, qualitativ hochwertige, aussagekräftige Bilder zu gewinnen, obwohl die konfokalen Ausgangsbilder zum einen mit sehr schwachen Signalen und zum anderen noch dazu mit sehr hohen Bildaufnahmegeschwindigkeiten erzeugt wurden. Das Software-Modul software’s Denoise.ai für NIS-Elements setzt dieses trainierte neuronale Netzwerk so ein, dass die Bildverarbeitung entweder während oder nach der Rohbildaufnahme läuft.

Hardware Triggering: Maximizing Speed and Efficiency for Live Cell Imaging

Dezember 2017

Moderne Live Cell Imaging Experimente erfordern immer weiter erhöhte Geschwindigkeiten und steigenden Datendurchsatz. Nikon Instruments verfügt über robuste Tools für die Hardware-Triggerung seiner Mikroskopkomponenten durch direkte Signalverbindungen zwischen der Hardware. Dies schließt Verzögerungen aus, verhindert die Notwendigkeit für Synchronisationshilfen und führt im Endeffekt zur notwendigen Minimierung der Lichtexposition der Proben. Der Anwendungsbericht erklärt, wie Nikon's NIS-Elements Workflow für die Hardwaretriggerung funktioniert, und erläutert im Detail seine Vorteile für allgemeine Time-Lapse Bildaufnahmeroutinen.