In: Nature Methods, 2019 (September 2019), Nr. 16. S. 1-9. ISSN 1548-7105 (Online-Ausg.), 1548-7091 (Druck-Ausg.)
Vorschau |
PDF, Englisch
- Hauptdokument
Download (2MB) | Nutzungsbedingungen |
Abstract
We present ilastik, an easy-to-use interactive tool that brings machine-learning-based (bio)image analysis to end users without substantial computational expertise. It contains pre-defined workflows for image segmentation, object classification, counting and tracking. Users adapt the workflows to the problem at hand by interactively providing sparse training annotations for a nonlinear classifier. ilastik can process data in up to five dimensions (3D, time and number of channels). Its computational back end runs operations on-demand wherever possible, allowing for interactive prediction on data larger than RAM. Once the classifiers are trained, ilastik workflows can be applied to new data from the command line without further user interaction. We describe all ilastik workflows in detail, including three case studies and a discussion on the expected performance.
Dokumententyp: | Artikel |
---|---|
Titel der Zeitschrift: | Nature Methods |
Band: | 2019 |
Nummer: | 16 |
Verlag: | Nature Publishing Group |
Ort der Veröffentlichung: | London, New York |
Erstellungsdatum: | 07 Mai 2020 12:00 |
Erscheinungsjahr: | September 2019 |
ISSN: | 1548-7105 (Online-Ausg.), 1548-7091 (Druck-Ausg.) |
Seitenbereich: | S. 1-9 |
Institute/Einrichtungen: | Zentrale und Sonstige Einrichtungen > Interdisziplinäres Zentrum für Wissenschaftliches Rechnen (IWR)
Zentrale und Sonstige Einrichtungen > Heidelberg Collaboratory for Image Processing (HCI) Zentrale und Sonstige Einrichtungen > Europäisches Laboratorium für Molekularbiologie (EMBL) |
DDC-Sachgruppe: | 004 Informatik
570 Biowissenschaften, Biologie 600 Technik, Medizin, angewandte Wissenschaften |
Normierte Schlagwörter: | Deep learning, Mikroskopie, Maschinelles Lernen, Bildanalyse, Software |
Freie Schlagwörter: | deep learning in microscopy, machine learning, image analysis |