Zellverfolgung und -analyse in Echtzeit
HSA intern entwickeltes Deep Learning
Verfolgen von Veränderungen der zellulären Morphologie und des Verhaltens in Abstimmung mit den umgebenden Zellen.
Zellen mit zunehmender Fläche sind blau, mit abnehmender Fläche rot markiert.
Länge der einzelnen Zellgrenzen, Umfang, Fläche und Perzentilveränderung im Vergleich zum vorherigen Bild (Δ Fläche, Δ Umfang) werden in Echtzeit verfolgt.
Eigenentwickelte KI-Netzwerke:
Eigenentwickelte KI-Netzwerke:
- + Zellenrand-Lücken im Originalbild werden intelligent geschlossen
- + Automatische Verfolgung der Länge der individuellen Zellgrenzen, der Änderungen der Zellmorphologie und des Verhaltens in Abstimmung mit den umgebenden Zellen
- + Visuelle Darstellung ausgewählter Morphologieänderungen (Fläche, Zirkularität, Verhalten der Nachbarzellen usw.)
- + Einfacher Export aller statistischen Daten in eine Exel-Datei
Standard Deep Learning U-Net

Einfache intensitätsabhängige Annotation der Zellgrenzen gegenüber dem Originalbild
Altes U-Net basierendes KI Netzwerk:
Altes U-Net basierendes KI Netzwerk:
- - Lücken im Originalbild werden nicht geschlossen, wodurch die anschließende statistische Analyse beeinträchtigt wird
- - Verfolgung zellulärer Parameter schwierig oder nur durch zusätzliche Programme möglich
- - Keine visuelle Darstellung ausgewählter Veränderungen der Zellmorphologie
Zählung und Segmentierung von
Zellen in Kammerobjektträgern
Nachweis und Segmentierung von Kernen und Zytoplasma in kultivierten Zellen in Kammerobjektträgern. 
Segmentierung von Tumor
und Stromazellen
Segmentierung von Kernen und Zytoplasma in Tumorzellen und zytoplasmatischen Regionen in Stromazellen.
Wenn die Kernfärbung nicht vorhanden oder unspezifisch ist, können Kerne durch Kern-"Löcher" in der Zytoplasmafärbung nachgewiesen werden.

Analyse der Niere
Segmentierung von Glomeruli und Tubuli unter Verwendung eines Deep-Learning-Modells für Brightfield Daten.
Analyse der Niere
Segmentierung der Glomeruli und ihrer Kompartimente unter Verwendung eines Tensorflow-Modells für Brightfield Daten.
Intrazelluläre Kompartimente in EM
Die Ultrastrukturanalyse intrazellulärer Kompartimente mittels Elektronenmikroskopie liefert neue Einblicke in zelluläre Feinstrukturen und subzelluläre Organellen-Interaktionen.
Zählen von Zellen
Segmentierung und Zählung von Zellen.
Internalization
Analyse der Insulinrezeptoren innerhalb und außerhalb des Zytoplasmas und die Veränderung im Laufe der Zeit.
Scratch Assay
Analyse von Proben mit Kratzern und der Veränderung der Zellfläche über die Zeit.
[
/ut_one_half]
/ut_one_half]
Proliferation
Segmentierung von Zellen im Laufe der Zeit zur Messung der Zellproliferation. Die Analyse wird auf Label Free Data durchgeführt.
Kolorektales Karzinom
Segmentierung von Brightfield Daten mit kolorektalem Karzinom mit Hilfe eines Deep Learning Modells.
Analyse der Lunge
Automatisierte Einstufung von Tumoren bei nichtkleinzelligen Bronchialkarzinom (NSCLC) und Quantifizierung von Tumoren/Stromas.
Software for the containment of region of interests (ROI)
Manual drawing of regions of interests (ROI) or automatic ROI definition after learning the software. The analysis then takes place only in the marked regions (ROI) and different analysis methods can be assigned to different ROI types in one image.


Screening with cancer markers
Tissue analysis with cancer-specific markers such as Ki67, p21, p53, stathmin, bTubulin, etc.
TMA Screening & Analysis
Analysis of Tissue Micro Arrays (TMA) with any number of cores. Semi-automatic name assignment of the cores and link to their analysis results. Automatic export of analysis results to Excel tables.
