IN Carta Bildanalyse-Software

IN Carta SINAP

SINAP ist ein Modul, das Algorithmen für maschinelles Lernen nutzt, um die Genauigkeit und Zuverlässigkeit von High-Content-Sceening-Assays im ersten Schritt der Analyse-Pipeline – der Segmentierung – zu verbessern. Es bietet eine bessere Erkennung von Objekten als die herkömmlichen Bildanalyse-Methoden. Die quantitativen Informationen, die in diesem Schritt gewonnen werden, weisen eine höhere Genauigkeit auf, so dass keine Fehler in der Analyse-Pipeline weitergegeben werden.

Mit SINAP ist Segmentierung kein Problem!

• Präzise – Durch Deep Learning kann die Präzision über schwer zu segmentierende Proben hinweg aufrechterhalten werden, einschließlich Proben mit konfluenten Zellen und Proben mit geringem Signal-Hintergrund-Verhältnis.
• Zuverlässig – SINAP-Modelle können eine hohe Phänotyp-Variabilität berücksichtigen.
• Flexibel – Ein einziger Arbeitsablauf kann eine Vielzahl verschiedener Anwendungen und Imaging-Modalitäten abarbeiten, einschließlich anspruchsvoller Fluoreszenz- und Durchlicht-Assays.
• Zugänglich – Das geschulte Modell lernt das Segmentieren, indem der Anwender auf der Abbildung zeichnet, anstatt dass es den Anwender dazu auffordert, einen Bildprozessierungsplan zu entwickeln und die Parameter zu optimieren.

IN Carta Phenoglyphs

Das IN Carta® Phenoglyphs™ Software Modul nutzt modernes maschinelles Lernen zur Klassifizierung segmentierter Objekte. Indem viele hunderte zelluläre Eigenschaften ausgewählt und gleichzeitig analysiert werden können, entsteht ein umfangreiches phänotypisches Profil, das durch den ganzen Screening-Prozess hindurch angewendet werden kann. Diese multivariate Herangehensweise an eine Klassifizierung liefert eine genaue Beschreibung der individuellen Objekt-Populationen, und diese ermöglicht es dem Anwender, sogar subtile, durch eine Wirkstoffbehandlung oder genetische Modifikationen verursachte Phänotypveränderungen zu erkennen. Das Modul kann über ein großes Spektrum biologischer Zielobjekte hinweg angewendet werden, einschließlich für Organoide, Zellen, Sphäroide und mehr.

• Robust – Der neuartige, selbstverwaltete Schritt in diesem Arbeitsablauf erzeugt rasch einen großen unverzerrten Lerndatensatz, der die Varianz in einer Klasse erfasst und Modelle erzeugt, die weniger anfällig für eine Überanpassung und Fehlklassifizierung sind.
• Umfassend – Eine datengesteuerte Herangehensweise, die mit einer selbstverwalteten Cluster-Bildung beginnt, um Muster in den Daten zu finden, und die Subpopulationen markiert, ohne vorher zu wissen, welche Phänotypen vorkommen können.
• Optimierter Arbeitsablauf – Das maschinelle Lernen wählt automatisiert den optimalen Satz an beschreibenden Eigenschaften aus, um ein komplexes Regelwerk zur Stratifizierung von Klassen zu formulieren. Die Klassifizierung wird dadurch erzielt, dass die durch den Algorithmus getroffenen Vorhersagen einfach so lange bestätigt oder korrigiert werden, bis der Algorithmus die richtige Vorgehensweise erlernt hat.

IN Carta VoluMetrics

Biologische 3D-Modelle, die In-vivo-Organe und -Gewebe genauer imitieren, zeigen ein großes Potenzial als Werkzeuge, die zu einem verbesserten Verständnis von Erkrankungen führen und eine bessere Erprobung potenzieller Therapien unterstützen. IN Carta VoluMetrics ist ein 3D-Bildanalyse-Modul, das die Funktionalität der IN Carta Software durch die Fähigkeit erweitert, biologische Strukturen im tatsächlichen 3D-Raum zu segmentieren und zu quantifizieren.

IN Carta VoluMetrics bietet Algorithmen, die zur Segmentierung von Objekten und zur Gewinnung informativer Messwerte mit Voxel arbeiten. Dies liefert eine bessere Wiedergabe der Morphologie der Probe und Intensitätenverteilung, im Vergleich zur Analyse einzelner Z-Ebenen, bei der das Verhältnis zwischen Objekten und angrenzenden Z-Ebenen lediglich eine grobe Schätzung darstellt.

Erkunden Sie unser High-Content-Imaging-Portfolio

High-Content-Imaging und Analyse-Lösungen, angefangen bei automatisierter Digitalmikroskopie bis hin zu konfokalen High-Throughput-Imaging-Systemen mit Wasserimmersionsobjektiven und firmeneigener Spinning-Disk-Technologie