elephant server
v0.6.0
| Desenvolvedor | Ko Sugawara |
| Fórum | Fórum Image.sc Por favor, poste comentários e perguntas no fórum. É importante adicionar a tag elephant em suas postagens para que possamos entrar em contato com você rapidamente. |
| Código fonte | GitHub |
| Publicação | Sugawara, K., Çevrim, C. & Averof, M. Rastreamento de linhagens celulares em 3D por aprendizado profundo incremental. eLife 2022.doi:10.7554/eLife.69380 |
ELEPHANT é uma plataforma para rastreamento de células 3D, baseada em aprendizado profundo incremental e interativo.
Funciona na arquitetura cliente-servidor. O servidor é construído como um aplicativo da web que atende algoritmos baseados em aprendizado profundo.
Este repositório fornece uma implementação do servidor ELEPHANT. O cliente ELEPHANT pode ser encontrado aqui.
Consulte a documentação para obter detalhes.
Existem três opções para configurar o servidor ELEPHANT.
Configurando com Docker
Esta opção é recomendada se você tiver um computador poderoso que atenda aos requisitos do servidor (Docker) com privilégios de root.
Configurando com Singularidade
Esta opção é recomendada se você puder acessar um computador poderoso que satisfaça os requisitos do servidor (Singularity) como um usuário não root (por exemplo, cluster HPC).
Configurando com Google Colab
Alternativamente, você pode configurar o servidor ELEPHANT com o Google Colab, um produto disponível gratuitamente no Google Research. Nesta opção, você não precisa ter uma GPU de última geração ou uma máquina Linux para começar a usar os recursos de aprendizado profundo do ELEPHANT.
As instruções detalhadas para cada opção podem ser encontradas na documentação.
Por favor, cite nosso artigo sobre eLife.
@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 }
}Cláusula BSD-2
