Confocal Nikon A1rHD LFOV

La plateforme MicroPICell est équipée de 2 microscopes A1R HD25 . Ils sont situés à l'IRS UN et à l'UFR Médecine dans les locaux de l'UMR 1235 TENS.


Large Field Of View (LFOV)

Combinée au microscope inversé Ti2-E, la zone d'imagerie de l'A1 HD25 / A1R HD25 fournit presque le double du FOV (Field Of View) conventionnel de 18 mm, permettant à l'utilisateur d'obtenir significativement plus de données en capturant davantage de spécimens dans chaque image.
Le grand champ de vision de 25 mm de l’A1 HD25 / A1R HD25 réduit à la fois le nombre d’images nécessaires pour assembler de grandes images et le temps d’acquisition des images, permettant une imagerie efficace et à haut débit, même à grande échelle. Le nombre d'images requises peut être considérablement réduit, en particulier pour la reconstruction de grandes images 3D (XYZ).
 

Scanner Hybride

La  tête confocale contient un système de scanner unique appelé Scanner hybride. Il s’agit d’un système intégrant un scanner galvanométrique et un scanner résonant. Ces deux types de scanner sont couplés par un système appelé hyper selector. Ce système permet de basculer du scanner galvanométrique au résonnant en un seul clic et sans aucun changement du champ observé. Ce système permet d’utiliser les deux scanners successivement ce qui permet d’imager rapidement avec le scanner résonnant après la stimulation ou le FRAP avec le scanner galvanométrique.

Les 1024 x 1024 pixels permettent l'acquisition d'images de haute resolution et de haute qualite a faible grossissement, permettant la compatibilite avec une large gamme d'echantillons.
Ce scanner resonnant est ultra rapide avec 30 images/sec en 512x512, soit 15600 Hz (ligne/sec) en mode bidirectionnel.
La capacite d'imagerie de haute vitesse jusqu'a 720 images par seconde en 512X16, combinee a un grand champ de vision, augmente considerablement le debit d'imagerie. Cette methode de balayage reduit le temps d'exposition de l'echantillon a la lumiere d'excitation, minimisant la phototoxicite et le photoblanchiment.

 

NIS-elements Denoise.ai , utilisation du deep learning en confocal

La modalite Denoise.ai pour NIS-Elements a ete developpee pour specifiquement identifier et soustraire le bruit d’une image confocale. Quelle que soit la modalite d’acquisition, toute image sera composee de signal et de bruit, le shot noise. Le shot noise suit une distribution de Poisson et equivaut a la racine carree du signal. Ainsi, plus le signal diminue plus la contribution du shot noise au ratio signal sur bruit (SNR) augmente. Nikon a utilise un convolutional neural network qui a ete entraine avec plusieurs milliers d’images acquises dans differentes modalites confocales. Le neural network a traite toutes ces images afin d’apprendre a reconnaitre le shot noise et ainsi a le retirer lors des acquisitions confocales. Le denoise.ai peut etre utilise en live comme en post acquisition.
 

Water Dispenser

Les performances de l'imagerie time lapse utilisant le PFS (système de maintien de focus au cours du temps) avec des objectifs d'immersion à eau (60x) peuvent être améliorées en utilisant le nouveau distributeur d’eau automatisé. Ce distributeur applique automatiquement la quantité appropriée d'eau pure à la pointe d'un objectif, empêchant ainsi le liquide d'immersion de s’évaporer et de déborder lors des expériences. Il est compatible avec tous les types d'objectifs d'immersion dans l'eau et permet de fournir de manière stable des images en accéléré de haute résolution, de contraste élevé et corrigées de toute aberration, sur de longues périodes. Le contrôle du distributeur d’eau se fait via NIS-elements .

Module NIS.ai, le module d’analyse par intelligence artificielle .

Ces outils offrent de nouvelles possibilites en terme d’amelioration et d’analyse d’images.
Le concept de NIS.ai est simple et se décompose en deux étapes :

- Entraîner le neural network (réseau de neurones artificiels)
A partir de quelques images représentatives, l’utilisateur pourra indiquer au logiciel ce qui est un objet
- Appliquer le neural network
Le neural network obtenu pourra être utilise sur des images similaires. Il est également possible d’utiliser le network créé dans GA3 afin de construire un workflow d’analyse complet.