elephant server

ELEPHANT: Verfolgung von Zelllinien in 3D durch inkrementelles Deep Learning

	Entwickler	Ko Sugawara
	Forum	Image.sc-Forum Bitte posten Sie Feedback und Fragen im Forum. Damit wir Sie schnell erreichen können, ist es wichtig, Ihren Beiträgen den Tag elephant hinzuzufügen.
	Quellcode	GitHub
	Veröffentlichung	Sugawara, K., Çevrim, C. & Averof, M. Verfolgung von Zelllinien in 3D durch inkrementelles Deep Learning. eLife 2022. doi:10.7554/eLife.69380

---

ELEPHANT ist eine Plattform für 3D-Zellverfolgung, basierend auf inkrementellem und interaktivem Deep Learning.

Es funktioniert auf der Client-Server-Architektur. Der Server ist als Webanwendung aufgebaut, die Deep-Learning-basierte Algorithmen bedient.

Dieses Repository stellt eine Implementierung des ELEPHANT-Servers bereit. Den ELEPHANT-Client finden Sie hier.

Einzelheiten entnehmen Sie bitte der Dokumentation.

---

Einrichten des ELEPHANT-Servers

Es gibt drei Möglichkeiten, den ELEPHANT-Server einzurichten.

• Einrichten mit Docker

  Diese Option wird empfohlen, wenn Sie über einen leistungsstarken Computer verfügen, der die Serveranforderungen (Docker) mit Root-Rechten erfüllt.

• Einrichten mit Singularity

  Diese Option wird empfohlen, wenn Sie als Nicht-Root-Benutzer (z. B. HPC-Cluster) auf einen leistungsstarken Computer zugreifen können, der die Serveranforderungen erfüllt (Singularität).

• Einrichten mit Google Colab

  Alternativ können Sie den ELEPHANT-Server mit Google Colab einrichten, einem frei verfügbaren Produkt von Google Research. Bei dieser Option benötigen Sie keine High-End-GPU oder einen Linux-Computer, um die Deep-Learning-Funktionen von ELEPHANT nutzen zu können.

Die detaillierten Anweisungen für jede Option finden Sie in der Dokumentation.

Danksagungen

• PyTorch
• Numpy
• Scipy
• Scikit-Bild
• Flasche
• uWSGI
• NGINX
• Redis
• RabbitMQ
• Vorgesetzter
• uwsgi-nginx-flask-docker
• ngrok
• Google Colab

Zitat

Bitte zitieren Sie unseren Artikel über eLife.

• Sugawara, K., Çevrim, C. & Averof, M. Verfolgung von Zelllinien in 3D durch inkrementelles Deep Learning. eLife 2022. doi:10.7554/eLife.69380

 @article { Sugawara2022 ,
	author = { Sugawara, Ko and {c{C}}evrim, {c{C}}a?r? and Averof, Michalis } ,
	title = { Tracking cell lineages in 3D by incremental deep learning } ,
	year = { 2022 } ,
	doi = { 10.7554/eLife.69380 } ,
	abstract = {Deep learning is emerging as a powerful approach for bioimage analysis. Its use in cell tracking is limited by the scarcity of annotated data for the training of deep-learning models. Moreover, annotation, training, prediction, and proofreading currently lack a unified user interface. We present ELEPHANT, an interactive platform for 3D cell tracking that addresses these challenges by taking an incremental approach to deep learning. ELEPHANT provides an interface that seamlessly integrates cell track annotation, deep learning, prediction, and proofreading. This enables users to implement cycles of incremental learning starting from a few annotated nuclei. Successive prediction-validation cycles enrich the training data, leading to rapid improvements in tracking performance. We test the software's performance against state-of-the-art methods and track lineages spanning the entire course of leg regeneration in a crustacean over 1 week (504 time-points). ELEPHANT yields accurate, fully-validated cell lineages with a modest investment in time and effort.},
	URL = { https://doi.org/10.7554/eLife.69380 } ,
	journal = { eLife }
}

Als .bib-Datei herunterladen

Lizenz

BSD-2-Klausel