直播预告 | 从传统生物医学图像处理到AI图像分析——懒人的进阶之路

Epidermal cell (KI(krt8:EGFP)，原图（左侧，Leica SP8拍摄）及Aivia 软件自动分割后的细胞轮廓（右侧）), 中国科学院水生生物研究所，孙永华实验室

简介

在过往的线上培训会中，我们与大家分享了图像的展示，视频录制输出，计数及形态测量，共定位，以及Aivia AI 工具中的机器学习部分。

这一期的线上培训会，我们有幸邀请到了上海科技大学生命学院分子影像平台主任李晓明老师。李老师在日常工作中接触了大量的数据分析工具，并熟知这些工具的用法。在这次培训会中，李老师将为大家全面地介绍图像分析工具及其发展，带领大家梳理数据处理的各种思路。随后，我们的应用专家邓广杰先生将在 Aivia 软件中演示如何创建和应用深度学习模型进行生物图像分析。

小常识

机器学习 (Machine Learning) 包括了统计模型和算法, 允许计算机执行特定的数据分析任务。分析任务包括分类、排序等等, 能够在有或没有人工注释的数据集上执行。深度学习(Deep learning) 是指一系列基于人工神经网络 (ANN) 的机器学习模型。

深度学习(Deep Learning)能够自动处理重复性任务, 并通过对复杂数据整合产生可靠的预测, 在过去十年中彻底改变了生物学和医学。由于制样方法、成像方式和采集参数不一, 生物图像间存在非常大的差异。深度学习是一种特别适合用于处理显微镜数据的算法。

在Aivia 中，深度学习模型包括三种应用：图像恢复、分割和预测。

图像恢复

因为需要平衡信噪比, 分辨率和光毒性, 所以长时间活细胞成像非常具有挑战性。通过深度学习图像恢复, 我们可以恢复在弱光下拍摄的图像的分辨率和信噪比。

图像分割

在Aivia中，我们开发了数种基于不同卷积神经网络架构(DenseNet、UNet、3D-Unet)的预训练深度学习模型来处理电子显微镜图像分割。

图像预测

图像预测采用一对图像，例如细胞相差图像和相应的带荧光标记的细胞核图像进行训练, 并创建一个模型来预测带荧光标记的细胞核在其他相差图像上相应的位置。

徕卡Aivia线上直播活动系列之五，将带你了解深度学习在图像分析中的应用。

直播时间

2022年6月21日  14:30-15:30

报名方式

长按识别二维码

预约报名

讲师介绍

李晓明

高级工程师

2013年于中国科学院上海应用物理研究所取得博士学位，2013年-2015年于上海应用物理所进行博士后研究，博士和博后期间的研究内容主要为同步辐射技术和光学显微镜技术（Confocal、TIRF、STED等）在细胞成像中的应用。现任上海科技大学生命学院分子影像平台主任，负责学院影像平台的组建与管理。李老师熟悉单光子激光共聚焦显微镜、双光子显微镜、转盘共聚焦显微镜以及各种超高分辨率显微镜等多种光学成像手段，熟练掌握多种图像分析软件，并开设了研究生课程《生物医学图像处理基础》。

邓广杰

徕卡显微系统

生命科学应用专家

邓广杰，徕卡的应用专家，2003年于香港科技大学取得生物化学学士学位, 并在2005年取得生物技术理学硕士学位，2010年加入徕卡, 负责宽场、共聚焦和超高分辨系统的应用支持, 在各种应用领域积累了丰富经验。