Machine Learning in der Mikroskopie: Vorteile auf einen Blick

Ob Mikroskopie in Chemie, Pharmazie, Medizin oder in der Materialanalyse – Methoden des Machine Learnings werten Aufnahmen immer häufiger vollautomatisiert aus. Nach einmaligem „Anlernen“ sind Algorithmen menschlichen Experten vor allem beim Segmentieren, also dem Herausfiltern relevanter Bildinformationen, überlegen. Das gilt erst recht, wo eine Vielzahl an Bildern oder große Bereiche zu analysieren sind. Neuronale Netze identifizieren dabei in Höchstgeschwindigkeit jene Muster, auf die sie trainiert wurden: Materialfehler wie Einschlüsse und Mikrorisse oder auch die Lage und Konturen bestimmter Zellen, Zellkerne oder anderer Zellbestandteile. Oft gelingt dies schon allein anhand der Grauwerte und Formen, sodass keine Fluoreszenzmarker eingesetzt werden müssen. Damit entfällt die aufwändige Probenvorbereitung und es bleiben Fluoreszenzkanäle für andere Marker frei. Damit sind die Vorteile nicht erschöpft. Machine Learning hilft, Informationen einer Probe mit verschiedenen Mikroskopie-Verfahren abzusichern. Auch kann entsprechend angelernte Künstliche Intelligenz hoch komplexe Ursache-Wirkungs-Zusammenhänge aufdecken, etwa indem sie aus Strukturanalysen auf das Materialverhalten schließt – und so bisher verborgene Gesetzmäßigkeiten aufspürt.

Newsroom
Unser Photonik-Branchenportal

Wir bieten Ihnen Informationen zur Zukunft der Technologie, regelmäßige Marktupdates oder Meinungen und Insiderwissen.

Photonik-Branchenportal
Countdown
Newsroom
Komplexe Inhalte reduziert

Wir greifen aktuelle Themen der Photonik auf und reduzieren dieses auf die wichtigsten Daten und Fakten.

Photonik kompakt
Newsletter
Newsroom
Unser kostenloser Newsletter

Bleiben Sie regelmäßig über die wichtigsten und aktuellsten Neuigkeiten auf dem Gebiet der Photonik informiert.

Newsletter