آموزش نقاشی کانال

سریعترین راه برای شروع باز کردن GUI از یک ترمینال خط فرمان است. اگر آناکوندا را به مسیر اضافه نکردید ، ممکن است نیاز به باز کردن سریع آناکوندا داشته باشید:

پیتون -m نتیجه گیری 

اولین بار که Cellpose اجرا می شود ، آخرین وزن مدل آموزش دیده موجود را از وب سایت بارگیری می کند.

شما می توانید تصاویر (. tif ، . png ، . jpg ، . gif) را به سمت GUI بکشید و رها کنید و Cellpose را اجرا کنید و/یا آنها را به صورت دستی تقسیم کنید. هنگامی که GUI در حال پردازش است ، نوار پیشرفت را پر می کنید و در این مدت نمی توانید روی هر چیزی در GUI کلیک کنید. برای کسب اطلاعات بیشتر در مورد آنچه GUI انجام می دهد می توانید به ترمینال/سریع که GUI را با آن باز کرده اید ، جستجو کنید. به عنوان مثال داده ها ، به وب سایت Cellpose مراجعه کنید. برای بهترین دقت و عملکرد زمان اجرا ، تصاویر را تغییر دهید تا سلول ها کمتر از 100 پیکسل در سراسر باشند.

برای چند کانال ، Multi-Z Tiff ، قالب مورد انتظار کانال های z x x ly x lx است.

فایل خروجی با ماسک ها در همان پوشه ای با تصویر بارگذاری شده با _seg. npy ضمیمه شده است. GUI بعد از ترسیم ROI اما نه بعد از اجرای یک مدل برای تقسیم بندی و نه بعد از نقاشی ماسک سه بعدی (خیلی کند) به طور خودکار ذخیره می شود. در منوی پرونده یا با Ctrl+s ذخیره کنید.

از آنجا که پرونده خروجی در همان پوشه ای با تصویر بارگذاری شده با _seg. npy ضمیمه شده است ، حتماً در پوشه دسترسی به نوشتن داشته باشید ، در غیر این صورت پرونده ذخیره نمی شود.

با استفاده از GUIuf0c1

GUI دو کارکرد اصلی را ارائه می دهد:

1. اجرای الگوریتم تقسیم بندی.
2. داده های برچسب زدن دستی.
3. (جدید) تنظیم دقیق یک مدل Cellpose از پیش داده شده بر روی داده های خود.

کنترل اصلی ماوس GUI (در همه نمایش ها کار می کند):

• تابه = کلیک چپ + کشیدن
• زوم = چرخ پیمایش (یا +/= و - دکمه ها)
• نمای کامل = دوبار کلیک چپ
• MASK = کلیک چپ روی ماسک را انتخاب کنید
• حذف ماسک = ctrl (یا دستور در مک) + کلیک چپ
• ماسک های ادغام = alt + کلیک چپ (دو ادغام آخر)
• ماسک قرعه کشی را شروع کنید = کلیک راست کنید
• ماسک قرعه کشی پایان = راست کلیک کنید ، یا در ابتدا به دایره برگردید

همپوشانی در ماسک ها مجاز نیست. اگر ماسک را روی ماسک دیگر بکشید ، آن را خرد می کنید به طوری که با ماسک قدیمی همپوشانی ندارد. ماسک در 2D باید تک سکته مغزی باشد (در صورت بررسی Single_stroke).

اگر می خواهید ماسک هایی را به صورت سه بعدی بکشید ، می توانید گزینه Single_stroke را خاموش کرده و در هر هواپیما با سلول سکته مغزی بکشید و سپس Enter را فشار دهید.

برچسب زدن سه بعدی صفحه های z بدون برچسب را پر می کند تا نیازی به برچسب زدن متراکم نباشد ، به عنوان مثال می توانید برخی از هواپیماها را پرش کنید.

گزینه های تقسیم بندی uf0c1

اندازه: شما می توانید به صورت دستی به قطر تقریبی سلولهای خود وارد شوید ، یا "کالیبرات" را فشار دهید تا مدل تخمین بزند. اندازه توسط یک دیسک در پایین پنجره View نشان داده شده است (می تواند این دیسک را با بررسی "دیسک مقیاس بر روی" خاموش کند).

از GPU استفاده کنید: اگر نسخه CUDA MXNET را نصب کرده اید ، می توانید این کار را فعال کنید ، اما هنگام اجرای تصاویر مجرد در GUI ، سرعت زیادی به شما نمی دهد.

مدل: یک مدل سیتوپلاسم و یک مدل هسته وجود دارد ، آنچه را که می خواهید تقسیم کنید انتخاب کنید

Chan to Seg: این کانال است که در آن سیتوپلاسم یا هسته وجود دارد

Chan2 (OPT): اگر مدل سیتوپلاسم انتخاب شده است ، سپس کانال هسته ای را برای این گزینه انتخاب کنید

آموزش مدل Cellpose خود

برای یادگیری این روند ، این فیلم را بررسی کنید.

1. تصویری را از پوشه ای از تصاویر با سبک مشابه (مانند انواع سلول مشابه) بکشید و رها کنید.
2. مدل های داخلی را با استفاده از "باغ وحش مدل" روی یکی از تصاویر اجرا کنید و یکی از مواردی را پیدا کنید که برای داده های شما بهترین کار را انجام دهد. اطمینان حاصل کنید که اگر کانال هسته ای دارید ، آن را برای Chan2 انتخاب کرده اید.
3. برچسب زدن را با ترسیم ROI های جدید (کلیک راست) و حذف موارد نادرست (Ctrl+کلیک) برطرف کنید. GUI هرگونه تغییر دستی را به خود اختصاص می دهد (اما پس از اجرای مدل ، Autosave نمی شود ، برای این کلیک Ctrl+S). تقسیم بندی در یک پرونده _seg. npy ذخیره می شود.
4. به منوی "مدل ها" در نوار پرونده در بالا بروید و روی "Train Model New ..." کلیک کنید یا از میانبر Ctrl+T استفاده کنید.
5. برای شروع آموزش از (مدلی که در شماره 2 استفاده کرده اید) مدل پیش ساخته را انتخاب کنید و نام مدل را که می خواهید استفاده کنید تایپ کنید. پارامترهای دیگر باید به طور کلی برای اکثر انواع داده به خوبی کار کنند. سپس بر روی OK کلیک کنید.
6. این مدل آموزش می دهد (اگر GPU داشته باشید خیلی سریعتر) و سپس به صورت خودکار روی تصویر بعدی در پوشه اجرا می شود. بعد می توانید تکرار کنید#3-#5 هر بار که لازم است.
7. مدل آموزش دیده برای استفاده در آینده در GUI در بخش "مدل سفارشی" در دسترس است و در پوشه تصویر شما ذخیره می شود.

اگر داده های سه بعدی دارید ، لطفاً از طریق داده های سه بعدی خود ، برش های تصادفی XY ، YZ و XZ را ذخیره کنید ، به اندازه کافی از یکدیگر فاصله دارند تا اطلاعاتی که هر برش دارد متمایز باشد. سپس این برش ها را در یک پوشه قرار داده و آموزش انسان را در حلقه شروع کنید. سپس می توانید از مدل جدید سفارشی در داده های جدید سه بعدی استفاده کنید.

شما فقط می توانید آموزش را با یکی از مدلهای داخلی سلول یا از ابتدا شروع کنید. هنگامی که هر بار آموزش از یک مدل داخلی یا از ابتدا را شروع می کنید ، در این صورت شبکه را روی تمام تصاویر قبلاً برچسب زده شده در پوشه آموزش می دهید و آنها را به طور مساوی در مجموعه آموزش خود وزن می کنید.

اگر از یک بازآموزی قبلی مجدداً راه اندازی کنید ، شبکه را به سمت تصاویر قبلی که قبلاً در آن آموزش دیده است ، سوق می دهید. برعکس ، اگر شما یک مدل سفارشی با تصاویر مختلف ایجاد کرده اید ، و آن مدل را بازیابی می کنید ، پس از آن تصاویر را که قبلاً آموزش دیده اید ، پایین می آورید و از مجموعه آموزش جدید خود مستثنی هستید. بنابراین ، ما توصیه می کنیم تمام تصاویر را که می خواهید برای همان مدل در همان پوشه آموزش دیده باشید ، استفاده کنید تا از همه آنها استفاده شود.

برای اطلاعات در مورد باغ وحش مدل جدید و حالت پیشنهاد ، به Doc Models مراجعه کنید.

داده های آموزشی کمک می کند uf0c1

ما از دریافت مشارکت در جامعه به داده های آموزش و آموزش مجدد مدل سیتوپلاسم برای بهتر شدن آن بسیار هیجان زده هستیم. لطفاً این دستورالعمل ها را دنبال کنید:

1. Cellpose را روی داده های خود اجرا کنید تا ببینید که چقدر خوب است. قطر را تغییر دهید ، که می تواند کمی نتایج را تغییر دهد.
2. اگر اشتباهات نسبتاً کمی وجود داشته باشد ، به کمک داده های دارای برچسب کمک نمی کند.
3. اگر اشتباهات مداوم وجود داشته باشد ، داده های شما احتمالاً با هر چیزی در مجموعه آموزش بسیار متفاوت است ، و باید انتظار داشته باشید که حتی فقط چند تصویر تقسیم شده دستی داشته باشید.
4. برای تصاویری که شما مشارکت می کنید ، سلول ها باید حداقل 10 پیکسل قطر داشته باشند و حداقل باید چندین ده سلول در هر تصویر وجود داشته باشد ، در حالت ایده آل~100. اگر تصاویر شما خیلی کوچک هستند ، ترکیب چندین تصویر را در یک بزرگ بزرگ و سپس به صورت دستی تقسیم کنید. اگر خیلی بزرگ هستند ، آنها را در محصولات کوچکتر تقسیم کنید.
5. برای تقسیم دستی ، لطفاً سعی کنید مرزهای سلول را ترسیم کنید ، به طوری که همه چیز (غشای ، سیتوپلاسم ، هسته) در داخل مرزها قرار دارد. فقط سیتوپلاسم را تشریح نکنید و غشای را حذف کنید ، زیرا این امر با برچسب زدن خود ما مغایر است و ما قادر به استفاده از آن نخواهیم بود.
6. از نتایج الگوریتم به هیچ وجه برای انجام تقسیم بندی دستی استفاده نکنید. این می تواند یک دایره شرور از اشتباهات را تقویت کند و مجموعه داده را برای توسعه الگوریتم بیشتر به خطر بیاندازد.

اگر با مدل هسته مشکل دارید ، لطفاً قبل از کمک به داده ها ، یک مسئله را باز کنید. تصاویر هسته به طور کلی بسیار متنوع تر هستند ، و ما فکر می کنیم مجموعه داده های آموزش فعلی مجموعه ای از روشهای بسیار بزرگ را پوشش می دهد. علاوه بر این ، شما می توانید یک مدل غیر هسته ای را در مورد داده های هسته ای مانند CYTO اجرا کنید.