MICAIA® studio – Apps für KI-basierte Bildanalyse

Intelligente und schnelle Bildanalyse für quantitative Ergebnisse in der Mikroskopie

  • Durch das kostenfreie Basismodul MICAIA® lite und individuell anpassbare Preismodelle für MICAIA® studio ist MICAIA eine kostengünstige Alternative zu anderen Softwaretools.
  • Die Ergebnisse werden live visualisiert und als CSV Datei exportiert – so können die Ergebnisse auf einen Blick beurteilt und für die weitere Datenanalyse verwendet werden.
  • Ob mit klassischer Bildverarbeitung oder mit Deep Learning Verfahren – wir wählen für jede Fragestellung das Tool, das zu optimalen Ergebnissen führt.
  • Damit unsere Software die Anforderung unserer Anwender erfüllt, kooperieren wir eng mit klinischen Partnern: Gemeinsam sichten wir erste Beispielbilder und lassen uns die biologischen Hintergründe und Forschungsfragen erklären. Diese Fragestellungen übersetzen wir in ein Informatikproblem und entwerfen einen ersten Algorithmus. Gemeinsam verfeinern wir in mehreren Iterationen das Verfahren.
  • MICAIA® studio unterstützt alle gängigen WSI Formate und bietet Apps für Hellfeld- und Fluoreszenz-Mikroskopie

Von der Forschung direkt in die Anwendung: MICAIA® ist unsere Plattform, mit der wir die Ergebnisse aus unseren Forschungsprojekten in die Anwendung bringen.

Quantitative Analysis of High-Plex Immunofluorescent Whole-Slides:
White Paper lesen

-----

MICAIA® is distributed by:

  • Smart in Media - intelligent software

MICAIA® studio preview

AI powered tissue cartography for colorectal cancer. The first half of the video shows the standard version of this App, which divides the slide or ROI into non-overlapping patches and classifies them into 7 tissue classes (tumor cells, healthy mucosa, connective tissue/fat, muscle, necrosis, mucus, inflammation). Each class is assigned a false color. Optionally, a single class can be visualized as a heatmap. The AI’s confidence is mapped into the opacity, respectively heatmap temperature. The second half shows the Fast Tissue Cartography, which uses the same AI model, but first divides the image into small clusters of similar content. Then, a random subset of patches per cluster is analyzed and the entire cluster is assigned to a tissue class using majority voting. After the classification, the tumor outline and invasive margin are derived.

Unsere Forschung für die Digitale Pathologie

 

Immunoprofiling

DigImmune – Koexpressionsanalyse im Hellfeld anhand von Serienschnitten

 

 

Tumoreinzelzelldetektion

Single Cell Tumor Detektion in Lymphknoten

 

KI in der Digitalen Pathologie

Robustheit und Erklärbarkeit

 

Tumor Budding

Automatisiertes Scoring von Tumor Buds

MICAIA | YouTube Playlist