尼康仪器(上海)有限公司 | China
Artboard 1
zh Change Region

Global Site

NIS-Elements

显微图像采集与分析已来到新的阶段

人工智能(AI)与深度学习使看似不可能的任务变为了可能。得益于AI,从恢复对比度到提高信噪比,或者对于管理挑战性拍摄参数的新方法或过去难以甚至几乎不可能实现的分割,现在都能自动实现。

NIS-Elements NIS.ai套装软件由各种模块和功能组成,它们通过建立定制化的拍摄 、图像展示和分析方案扩展了NIS-Elements平台。


AI分割
常规阈值法

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。

AI去除噪点
原始图像

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。

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。

Clarify.ai
原始图像

应用Clarify.ai前后的60x多通道3D宽场荧光Z-stack图像对比

Clarify.ai
原始图像

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。

Convert.ai
原始图像

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。


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。

Enhance.ai
原始图像

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。

Segment.ai
原始图像

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
原始图像

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.aiDenoise.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

使用NIS-Elements通用分析(GA3)模块, 多维传统图像识别与AI工具可相互结合并定制分析工具用于特殊实验的需求。这一功能可用于大数据,实时分析或高内涵数据。

因为GA3的灵活可定制特性,其可快速用于新设计的实验流程。并且分析流程可在实验进行过程中同步进行。

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。


NIS.ai用于图像拍摄流程

NIS.ai工具可与NIS-Elements平台中的所有功能相互结合成为特异的图像工具,用于从基础计数到罕见事件或表型识别的各类分析应用中。

其可用于数据后处理,或者作为实验流程的中间结果并利用NIS-Elements智能拍摄向导进而作为实验步骤转变的依据控制实验方向。

使用JOBS实验向导,定制化的实验流程可利用实时分析结果可控制实验的分支方向,此类方法可获得更高的实验通量和更为定向性的数据采集方法。

实验中使用Segment.ai功能举例,XY位置图像扫描结果的定向表型识别。当某目标细胞确定后自动对其进行刺激实验,如未找到目标细胞则自动进行下一XY位置图像的采集。


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
离线批处理降噪包 Included No No No No