株式会社ニコン ヘルスケア事業部 顕微鏡ソリューション | Japan
Artboard 1
ja Change Region

Global Site

NIS-Elements

画像取得と解析を次のレベルへ

AIの一種であるディープラーニングにより、これまで不可能と思われた画像処理が可能となります。従来は難しい画像取得パラメーター設定や時間のかかる手動のセグメントが必要でしたが、AIによって自動化が可能です。


従来の2値化

AIによるセグメント

AIにより核染色をしていない細胞核の検出を行いました。従来の2値化処理では、いくつかの細胞を見落としています。AIで学習したセグメントは核を正しく認識し識別しています。

特長・機能

プログラミング知識は不要

NIS.aiでは、あらかじめ作成した教師データを畳み込みニューラルネットワーク(CNN)を使用して学習します。教師データは、少量の代表的なサンプルを従来の2値化や人の手によるトレースで作成することが可能です。NIS.aiのインターフェースを使用してサンプル画像に高度なディープラーニングを簡単に行えるため、複雑なニューラルネットワークを設計して教師データを適用する必要はありません。

自動的に教師データをもとにニューラルネットワークを使用して学習をします。これによって作成された学習レシピは、同様のサンプルに繰り返し確実に適用できるため、大量のデータを従来の方法に比べてはるかに高速で処理・解析できます。

セグメント解析


Convert.ai

Convert.aiは2つの異なる観察方法におけるパターンを認識し、一つの観察方法で取得された画像からもう一方の観察方法の画像を出力します。

例えば、光毒性が強いUV光を使用することなく、非染色での細胞核のイメージングが可能です。ニューラルネットワークが2つの観察方法に共通なパターンを学習すると、それ以降の実験では片方の観察方法の画像からもう一方の画像を生成できるようになるため、後者の画像を取得する必要がなくなります。その結果、画像取得のスループットと細胞の生存率が向上します。

Convert.ai
Original

核染色は細胞のカウントやセグメントの一般的な方法ですが、Convert.aiでは、核の標識がDIC画像や位相差画像のどこに存在するかを予測できます。この予測した観察像を使用してセグメントやカウントが行えるため、DAPI染色や蛍光撮影が不要になります。


Enhance.ai

サンプルの蛍光シグナルが非常に弱いと、可視化や画像処理による抽出が困難です。

また、蛍光サンプルは褪色する問題があり、できる限り速やかに撮影する必要があります。

Enhance.aiでは、蛍光シグナルがはっきりしている画像をネットワークに学習させることによって、蛍光シグナルが弱い画像の復元が可能です。このレシピを短時間露光や光毒性を抑えた照明光のイメージングでも、シグナルを復元してさらなる解析に使用できます。

Enhance.ai
Original

露光時間を短くし、DAPI染色した核を意図的に撮影しました(画像左)。Enhance.aiを使用してシグナルとノイズの比を回復させることで、簡単にセグメントやカウントが行えます。


Segment.ai

画像によっては、輝度による従来の二値化ではセグメントがほぼ不可能なものがあります。Segment.aiにより、従来の二値化や画像処理では簡単に抽出できなかった対象を、手動で分類しニューラルネットワークに学習させます。

実際の画像に学習をしたレシピを適用させ、セグメントを行います。

Segment.ai
Original

位相差画像中の神経突起は、従来の二値化では正確に抽出できません。Segment.aiは手動でトレースした神経突起を用いて、トレースする方法を学習します。


Denoise.ai

すべての画像にはショットノイズが含まれます。蛍光シグナルが弱いとショットノイズが影響する割合が増え、ノイズが多い画像になります。このノイズをニューラルネットワークでモデリングします。

高速イメージングを行うと蛍光シグナルは低くなりますが、Denoise.aiは画像のショットノイズ成分を識別し除去できます。その結果、画像の明瞭さが向上し、露光時間の短縮や光源の強さを抑えた低光毒性のイメージングが可能です。

Denoise.ai
Original

Denoise.aiは元の構造と輝度値はそのままで、画像のショットノイズ成分を除去できます。


GA3:AI技術を利用した解析ワークフロー

NIS-Elements General Analysis(GA3)を使用することにより、従来のセグメント方法とAIの機能を複数組み合わせて、実験に合わせた画像解析シーケンスを作成できます。このシーケンスはハイコンテントアナリシスで取得した画像など大量の画像をまとめて処理を行うことができます。

GA3は自由にカスタマイズできるため、新しい実験手順にも簡単に適用でき、画像取得中の適用も可能です。

General Analysisにより、Convert.aiを明視野画像に適用して細胞核の画像を生成、ノイズの多い蛍光画像にDenoise.aiを適用します。これらの画像をトラッキングし、細胞の動きを測定します。この手順を複数のデータに適用して測定することもできます。


NIS.aiを画像取得ワークフローに利用

NIS.aiはNIS-Elementsの各機能と組み合わせることができ、基本的なカウントだけでなく、特定の細胞状態の検出・解析にいたるまで、さまざまな画像取得プロトコルの開発が可能です。

画像取得後だけでなく、画像取得シーケンス内に組み込むことも可能です。これにより、実験中の画像解析結果に応じて、画像取得やデバイス制御のパラメーターを自動で変更させた実験が可能になります。

JOBS機能使用すれば、解析および解析結果に応じてさらなるデバイス制御を組み込んた実験が可能です。これにより、スループットの向上と、より複雑な実験系の構築を可能にします。

実験中におけるSegment.aiの使用例。マルチポイント撮影を行い、AIにより目的の細胞を検出します。目的の細胞が検出されると光刺激が行われ、見つからない場合は次のポイントに進みます。


定量化を実現

人工知能は画像診断をはじめ、さまざまな用途に広く利用されています。従来の数学的アプローチよりも、スピードと精度において非常に優れていますが、AIによる結果を検証し、計算解析に適切に利用できることが重要です。

NIS.aiは、学習時に予測と実際の値のズレの大きさの目安となるグラフが表示できます。