这些图像旨在测量沿着细胞核包膜的信号强度。传统分割无法区分细胞结构，并遗漏若干细胞。AI训练后的分割能够成功识别并确定核包膜。
荧光图像可能会由于散射光或焦外光而模糊，但是基于AI的工具能够通过去除噪点和模糊来恢复高对比度图像。
尼康精机（上海）有限公司 | Chinese Mainland
- zh Change Region
- Global Site
NIS-Elements
NIS.ai
AI 加速研究效率
人工智能（AI）与深度学习使看似不可能的任务变为了可能。无论是使用极限拍摄参数才能获得的数据还是超长时间或繁杂手动操作的图像结构识别都可以借助AI自动实现。
依托NIS-Elements平台的NIS.ai模块提供可深度定制的图像采集、数据展示及分析功能。
主要特性
Clarify.ai模块
Clarify.ai运用人工智能自动去除荧光显微镜图像中的模糊信号。
Clarify.ai结合图形处理单元（GPU）以及尼康的新技术，可以实现快速、高效地改善因焦点外光而造成模糊图像的清晰度。
该模块经过预训练，能识别从焦点外平面发射的荧光信号，不需要用户自己进行AI训练、消除因复杂的用户设置而产生的偏差。通过计算自动消除图像中的模糊成分，同时保持焦点结构。 可在任何宽场2D或3D荧光图像、探测器或放大倍率上使用。
应用Clarify.ai前后的60x多通道3D宽场荧光Z-stack图像对比
应用Clarify.ai前后某散射组织切片的20x多通道2D宽场荧光图像
NIS.ai处理和分析模块
NIS.ai处理和分析模块包括专门用于提高和增强数据采集效率、并简化以前复杂或困难的分析程序等。
Convert.ai
利用识别两个不同通道中的结构，仅拍摄一个通道Convert.ai即可通过训练推测第二通道的图像。
一般，此功能可用于无标记样品的结构识别，或者在不使用紫外激发情况下的拍摄。一旦神经网络学习了两个通道的结构特征，在随后的实验中仅拍摄一个通道即可获得第二个通道的图像。这样拍摄效率与样本稳定性都可获得显著提升。
DAPI标记细胞核是细胞计数与识别的常用方法。仅需DIC或相差图像Convert.ai即可用于训练推测DAPI图像。生成的推测图像即可用于图像分割与计数，您无需标记DAPI也不需要拍摄荧光图像。
照片来源：北海道大学电子科学研究所技术学院的Kentaro Kobayashi博士
Enhance.ai
某些样品荧光信号非常微弱，很难得到良好的图像并很难进行图像识别分析。
而且，许多此类样品对光敏感、容易被光漂白，需要尽快的完成拍摄。
Enhance.ai可通过训练网络还原图像细节得到正常曝光时的明亮图像。训练结果即可使用短曝光获得正常的图像细节，并用于随后的数据分析。
DAPI标记细胞核样品使用极短曝光拍摄以尽量缩短近紫外光的照射。使用Enhance.ai重现正常信噪比的DAPI通道图像，即可轻松用于识别与计数。
Segment.ai
利用传统的强度阈值方法对某些图像几乎无法进行分割识别。而使用人工感兴趣结构的分类训练，神经网络即可用Segment.ai功能进行图像识别处理。
通过追踪感兴趣的特征，并与基础图像进行这些特征的对比训练，神经网络便可以学习分割并将其应用于相似的图像，从而识别出以前只能通过艰苦的手动追踪方法才能识别到的特征。
传统的强度阈值方法无法识别相差图像的神经突起结构。Segment.ai利用人工追踪神经突起训练后，可以在后续的图像内实现自动追踪。
Denoise.ai功能
包含在NIS-Elements AR核心软件包中的Denoise.ai可应用于去除共聚焦图像上的散粒噪声。 所有的图像都包含散粒噪声，这是一种与连续事件的离散采样（获取图像）有关的泊松分布噪声。依照其平方根函数，随着信号水平的降低，散粒噪声会相对增加，并导致高噪声的图像。神经网络可模拟此类噪声而无需更多的训练。
新近的荧光技术推动了低强度荧光与高速拍摄的需求，Denoise.ai 可以识别并去除图像中的散粒噪声成分，提升清晰度、允许更少的曝光时间、减少样品光照，同时保持样品状态稳定性。
Denoise.ai 可去除图像中的散粒噪声成分并保留图像基础结构与强度信号。
无需编程技巧
Clarify.ai和Denoise.ai是经过预训练的深度学习网络，不需要额外用户设置或参数调整即可自动对图像进行处理。
NIS.ai处理和分析模块使用训练数据来专门针对和解决用户定义的实验参数：它使用卷积神经网络(CNN)，从常规分割或人工辅助跟踪的具有代表性的小部分子集样品中获得训练数据。
使用该模块时，软件界面可轻松将复杂的深度学习应用于样本数据，而无需设计复杂的神经网络并对其应用训练数据。
自动化工具将这些训练数据用于神经网络以识别图像结构。 然后，可以将结果训练方法重复可靠地应用于相似的样本，以比传统技术快得多的速度处理或分析大量数据。
GA3：具备AI功能的分析流程
AI 加速研究效率
可选的 NIS.ai 模块允许用户利用预训练的 AI 网络进行图像处理，并创建、标注和训练用于分割和分析的自定义 AI 网络。以前几乎不可能或需要大量时间和技能的高级图像处理（例如图像去噪和从未染色样品中提取特征）现在可以自动完成，并具有高精度和可重复性。采集后基于 AI 的分割和处理功能进一步扩展了显微镜系统的能力并改善了分析效果。
通用分析模块借助Convert.ai标记明场图像的细胞核结构，利用Denoise.ai处理高噪声的荧光通道，转化后的通道同时被用来进行实时目标跟踪。此程序随后即可用来对大量量数据进行测量。
简化并提升整体工作流程效率
将 NIS‑Elements 的通用分析处理工具箱（GA/GA3）与用于自定义复杂实验的采集工作流程工具箱（JOBS）相结合，用户可以制定多样的图像采集协议，并简化整个实验流程——从图像采集到分析。
通过应用 NIS.ai 实现的多种功能（如特定细胞状态的检测与分析），这些功能可被纳入图像采集序列，并在实验过程中基于分析结果的反馈影响采集设备的控制参数，从而提升通量并构建更复杂的实验系统。
将 GA 与 NIS.ai 融入 JOBS 的示例
上图展示了在实验中使用 Segment.ai 的示例：在多点成像之后，AI 用于检测目标细胞。若检测到目标细胞，结果会反馈到实验序列，并执行光刺激或调整成像条件；若未检测到目标细胞，系统则移动到下一个成像点。
结果可定量
人工智能已经普遍用于诊断成像领域，并越来越受到多种应用的青睐。相对传统技术其吸引力来自极高速度与惊人的准确性。但是，重要的是能够验证AI计算的结果，并将这些结果适当地用于计算分析。
NIS-Elements软件在训练程序中提供的反馈能指出神经网络在训练后提供准确结果的可信度。 同时提供了几个验证神经网络效率或便于比较AI数据与真实数据的分析工具和工作流。
AI模块汇总
●: 包含, ○: 选配
| Denoise.ai | Clarify.ai | Enhance.ai | Segment.ai | Convert.ai | |
|---|---|---|---|---|---|
| NIS C, Ar, Ar ML, Ar Passive | Included | Optional | Optional | Optional | Optional |
| NIS.ai模块 | No | No | Included | Included | Included |
| 与反卷积模块捆绑 | No | Included | No | No | No |
