研究背景：
实验总览：
图1：骨细胞陷窝-小管网络。图片为使用Villanueva染色的兔胫骨荧光成像。图像为Z stack采集，使用100 X物镜，分辨率为0.04 µm/pixel，后采用ER图像分辨率增强处理，以最大值投影展示。
图2：传统二值化分割（b）和Segment.ai（c）分割结果比较。样本为561nm激发的Villanueva标记的未钙化的兔骨切片，用共聚焦显微镜进行荧光成像。图像为60X物镜采集的Z轴层扫，以最大值投影展示。(a) 观察的兔骨组织在组织学上由哈佛骨板、间骨板、骨髓组成。(b) 传统二值化方法分割的结果（蓝色）。除骨陷窝之外的结构，骨小管和骨髓中的某些部分也被检测到（以箭头标记）。需要人工校正或去除二值化区域以保证正确的结果。(c) 使用Segment.ai分割的结果（橙色）。Segment.ai被训练了如何识别骨陷窝区域，而结果也是只有骨陷窝被完全探测到了。
Segment.ai工作流程由3部分组成（图3）。训练数据集包括一个手动二值化分割的预期正确的图片，和没有进行二值化处理的原始图片数据。对Segment.ai准确率最重要的参数是训练数据集的图片数目。在这个实验中，我们首先获取了多部位的骨切片以增加图片的多样性。然后，这些图片被用于训练数据集。关于训练，我们创建了四种包含不同图片数目的数据集，如1张，4张，15张和20张，通过对这些不同数目的数据集的学习借以评估Segment.ai的成功率。结果很清晰的标明，如果Segment.ai使用了多于15张训练图片的数据集，自动提取骨陷窝的准确率可以高达95%（图4）。
图3：Segment.ai 工作流程图。
图4：训练图片数目对Segment.ai分割准确性的测试。用来测试的训练数据都是Z stack层扫最大值投影数据，并且训练次数统一为1000次。（a）使用60 X物镜随机获取多点骨切片Z stack图像并将其用于Segment.ai的训练和预测。标尺：1000 µm。（b）使用不同数目的训练数据集分别训练Segment.ai，计算识别率并进行比较以评估Segment.ai的准确率。（c） Segment.ai预测的结果比较。当使用较少数目的训练数据集时会出现骨陷窝的误识别（箭头），增加训练数据集的图片数目后会相应增加AI识别的准确性。在目前这个实验里，当训练数据集的图片数大于15后，AI识别的准确性会变得非常明显。
实验总结：
参考资料：
Takanori Sato, AyaTakakura, Ji-Won Lee, Kazuaki Tokunaga, Haruka Matsumori, Ryoko Takao-Kawabata,Tadahiro Iimura. Microscopy (Oxf). 2021 Jun 8; dfab020
产品信息：
AX/AX R 共聚焦显微镜
NIS.ai AI显微镜模块
NIS.ai是一款扩展了NIS-Elements图像软件性能的图像处理和分析模块，包含了Enhance.ai, Convert.ai和Segment.ai。Segment.ai提供了目标提取的新的解决方法，而目标提取使用传统的二值化分割方法通常很难，或者需要人工校正以保证准确率。
– The End –