diff --git a/internal_use/docs/locale/pt_BR/LC_MESSAGES/PixelClassification.po b/internal_use/docs/locale/pt_BR/LC_MESSAGES/PixelClassification.po index cf19bcb26..93019d99d 100644 --- a/internal_use/docs/locale/pt_BR/LC_MESSAGES/PixelClassification.po +++ b/internal_use/docs/locale/pt_BR/LC_MESSAGES/PixelClassification.po @@ -5,6 +5,7 @@ # # Translators: # Beth Cimini, 2024 +# Marcelo Bispo de Jesus, 2026 # #, fuzzy msgid "" @@ -13,7 +14,7 @@ msgstr "" "Report-Msgid-Bugs-To: \n" "POT-Creation-Date: 2024-03-15 11:33-0400\n" "PO-Revision-Date: 2023-12-13 22:27+0000\n" -"Last-Translator: Beth Cimini, 2024\n" +"Last-Translator: Marcelo Bispo de Jesus, 2026\n" "Language-Team: Portuguese (Brazil) (https://app.transifex.com/center-for-open-bioimage-analysis/teams/169339/pt_BR/)\n" "MIME-Version: 1.0\n" "Content-Type: text/plain; charset=UTF-8\n" @@ -53,16 +54,17 @@ msgid "" "raw intensity many [classical image processing tecnhiques] can be foiled; " "DIC images of cells are a common biological example." msgstr "" -"CellProfiler é capaz de segmentação precisa e confiável de células, " +"O CellProfiler é capaz de segmentar células com precisão e confiabilidade " "utilizando uma ampla coleção de métodos clássicos de processamento de " -"imagem. Leia a documentação no módulo [IdentifyPrimaryObjects], por exemplo," -" para ter uma ideia disso, por exemplo, limite, desagregação e bacia " -"hidrográfica. No entanto, apesar dos muitos problemas que o CellProfiler " -"pode resolver prontamente, certos tipos de imagens são particularmente " -"desafiadores. Por exemplo, quando os objetos biologicamente relevantes são " -"definidos mais pela textura e pelo contexto do que pela intensidade bruta, " -"muitas [técnicas clássicas de processamento de imagem] podem ser frustradas;" -" Imagens DIC de células são um exemplo biológico comum." +"imagens. Consulte, por exemplo, a documentação do módulo " +"[IdentifyPrimaryObjects] para ter uma noção desses métodos (por exemplo, " +"thresholding, declumping e watershed). No entanto, apesar dos muitos " +"problemas que o CellProfiler consegue resolver com facilidade, certos tipos " +"de imagens são particularmente desafiadores. Por exemplo, quando os objetos " +"biologicamente relevantes são definidos mais por textura e contexto do que " +"pela intensidade bruta, muitas [técnicas clássicas de processamento de " +"imagens] podem falhar; imagens DIC de células são um exemplo biológico " +"comum." #: ../../source/PixelClassification/PixelClassification.md:36 msgid "" @@ -73,25 +75,26 @@ msgid "" " from images is greatly expanded beyond monocultures of monolayers to " "include increased complexity such as tissues, organoids, or [co-cultures]." msgstr "" -"Felizmente, o aprendizado de máquina, especialmente [a classificação baseada" -" em pixels], produziu técnicas poderosas que muitas vezes podem resolver " -"esses casos desafiadores. [ilastik] é uma ferramenta de código aberto " -"construída para classificação baseada em pixels e, quando combinada com o " -"CellProfiler, a gama de biologia que pode ser quantificada a partir de " -"imagens é bastante expandida além das monoculturas de monocamadas para " -"incluir maior complexidade, como tecidos, organoides, ou [coculturas]." +"Felizmente, o aprendizado de máquina — em particular a [classificação " +"baseada em pixels] — tem produzido técnicas poderosas que muitas vezes " +"conseguem resolver esses casos desafiadores. O [ilastik] é uma ferramenta " +"open-source desenvolvida para classificação baseada em pixels e, quando " +"combinado com o CellProfiler, amplia muito o leque de sistemas biológicos " +"que podem ser quantificados a partir de imagens, indo além de monoculturas " +"em monocamada para incluir maior complexidade, como tecidos, organoides ou " +"[coculturas]." #: ../../source/PixelClassification/PixelClassification.md:44 msgid "" "Now, let’s take a look at how ilastik can be used together with " "CellProfiler!" msgstr "" -"Agora, vamos dar uma olhada em como o ilastik pode ser usado junto com o " +"Agora, vamos ver como o ilastik pode ser usado em conjunto com o " "CellProfiler!" #: ../../source/PixelClassification/PixelClassification.md:47 msgid "I. The DIC conundrum" -msgstr "I. O enigma DIC" +msgstr "I. O desafio das imagens DIC" #: ../../source/PixelClassification/PixelClassification.md:49 msgid "" @@ -99,9 +102,9 @@ msgid "" " The goal will be to identify individual Chinese Hamster Ovary (CHO) cells " "and the regions they occupy." msgstr "" -"Considere segmentar imagens DIC, como aquelas do conjunto de imagens " -"[BBBC030]. O objetivo será identificar células individuais do ovário do " -"hamster chinês (CHO) e as regiões que ocupam." +"Considere segmentar imagens DIC, como as do conjunto [BBBC030]. O objetivo " +"será identificar células individuais de ovário de hamster chinês (CHO) e as " +"regiões que elas ocupam." #: ../../source/PixelClassification/PixelClassification.md:58 msgid "" @@ -115,16 +118,17 @@ msgid "" " capable of transforming DIC images into something that is readily " "segmented. But let's pretend for a moment we didn't have that option..." msgstr "" -"Uma limiarização direta dessa imagem produz resultados ruins, porque as " -"células têm quase os mesmos valores de intensidade de pixel (e às vezes até " -"mais escuros!) que o plano de fundo. Portanto, não há um primeiro plano " -"verdadeiro para essas células com base apenas em um histograma de " -"intensidade. A limiarização transforma as células CHO em crescentes " -"semelhantes à lua. Embora esses fragmentos possam ser úteis para a contagem " -"simples de células, a maioria das métricas de morfologia será imprecisa. " -"Observe que há um módulo, EnhanceOrSuppressFeatures, que é especificamente " -"capaz de transformar imagens DIC em algo que possa ser prontamente " -"segmentado. Mas vamos fingir por um momento que não temos essa opção..." +"Uma simples limiarização (thresholding) dessa imagem produz resultados " +"ruins, porque as células têm valores de intensidade de pixel quase iguais " +"aos do fundo (e, às vezes, até mais escuros!). Portanto, não existe um " +"verdadeiro primeiro plano (foreground) para essas células com base apenas no" +" histograma de intensidades. A limiarização acaba “transformando” as células" +" CHO em crescentes, como luas. Embora esses fragmentos possam ser úteis para" +" uma contagem simples de células, a maioria das métricas de morfologia " +"ficará imprecisa. Agora, observe que existe um módulo, " +"EnhanceOrSuppressFeatures, que é especificamente capaz de transformar " +"imagens DIC em algo que pode ser segmentado com facilidade. Mas vamos fingir" +" por um momento que não temos essa opção…" #: ../../source/PixelClassification/PixelClassification.md:69 msgid "" @@ -143,12 +147,12 @@ msgid "" "Add the **Threshold** module to the pipeline. Select the image name (which " "should be 'DNA by default')." msgstr "" -"Adicione o módulo **Threshold** ao pipeline. Selecione o nome da imagem (que" -" deve ser \"DNA por padrão\")." +"Adicione o módulo **Threshold** ao pipeline. Em “Select the input image:”, " +"selecione o nome da imagem (por padrão, “DNA”)." #: ../../source/PixelClassification/PixelClassification.md:72 msgid "Run the pipeline and take note of the output." -msgstr "Execute o pipeline e anote o resultado." +msgstr "Execute o pipeline e observe a imagem de saída." #: ../../source/PixelClassification/PixelClassification.md:79 msgid "II. Pixel-based classification with Ilastik" @@ -162,11 +166,11 @@ msgid "" "and dark patterns. These same patterns can be detected with the machine-" "learning algorithms within ilastik." msgstr "" -"O ilastik emprega classificação baseada em pixels e complementa o " -"CellProfiler. As células CHO na imagem DIC são óbvias para o olho humano, " -"pois podemos discernir que cada célula é definida por uma combinação " +"O ilastik utiliza classificação baseada em pixels e complementa o " +"CellProfiler. As células CHO na imagem DIC são evidentes ao olho humano, " +"porque conseguimos perceber que cada célula é definida por uma combinação " "característica de padrões claros e escuros. Esses mesmos padrões podem ser " -"detectados com os algoritmos de aprendizado de máquina do ilastik." +"detectados pelos algoritmos de aprendizado de máquina do ilastik." #: ../../source/PixelClassification/PixelClassification.md:87 msgid "" @@ -177,16 +181,17 @@ msgid "" "image. This annotation creates what is referred to in machine learning as a " "training set." msgstr "" -"O aprendizado de máquina implementado pelo ilastik requer anotações do " -"usuário sobre o que é fundo e o que é uma célula CHO antes de poder fazer " -"essa determinação automaticamente em um conjunto de imagens. O ilastik " -"fornece uma interface de usuário para rotular, marcar e identificar os " -"objetos de interesse em uma imagem. Essa anotação cria o que é chamado de " -"conjunto de treinamento no aprendizado de máquina." +"O aprendizado de máquina implementado no ilastik exige que o usuário faça " +"anotações indicando o que é fundo e o que é célula CHO antes que o programa " +"consiga fazer essa distinção automaticamente em um conjunto de imagens. O " +"ilastik oferece uma interface para rotular, marcar e identificar os objetos " +"de interesse dentro de uma imagem. Essas anotações formam o que, em " +"aprendizado de máquina, chamamos de *training set* (conjunto de " +"treinamento)." #: ../../source/PixelClassification/PixelClassification.md:94 msgid "Annotation with 2 Labels" -msgstr "Anotação com 2 rótulos" +msgstr "Anotação com 2 rótulos." #: ../../source/PixelClassification/PixelClassification.md:96 msgid "Open ilastik" @@ -229,39 +234,39 @@ msgid "" "Zoom-in far enough that the grid is no longer visible. This will speed up " "the *Live Update*." msgstr "" -"Aumente o zoom o suficiente para que a grade não seja mais visível. Isso " -"acelerará a *Live Update*." +"Aproxime (zoom) o suficiente para que a grade não fique mais visível. Isso " +"vai acelerar o *Live Update*." #: ../../source/PixelClassification/PixelClassification.md:111 msgid "" "Begin by labeling pixels for two classes: a background class and a CHO cell " "class." msgstr "" -"Comece rotulando os pixels para duas classes: uma classe de fundo e uma " -"classe de células CHO." +"Comece rotulando pixels para duas classes: uma classe de fundo " +"(*background*) e uma classe de célula CHO." #: ../../source/PixelClassification/PixelClassification.md:114 msgid "Open the **Feature Selection** window and add all features." -msgstr "Abra a janela **Seleção de recursos** e adicione todos os recursos." +msgstr "Abra a janela **Feature Selection** e adicione todas as features." #: ../../source/PixelClassification/PixelClassification.md:115 msgid "Open the **Training** window." -msgstr "Abra a janela **Treinamento**." +msgstr "Abra a janela **Training**." #: ../../source/PixelClassification/PixelClassification.md:116 msgid "" "Click the **+** button of the Training window to add a label. Add two labels" " named *background* and *CHO*." msgstr "" -"Clique no botão **+** da janela Treinamento para adicionar um rótulo. " -"Adicione dois rótulos chamados *background* e *CHO*." +"Na janela Training, clique no botão **+** para adicionar um rótulo. Adicione" +" dois rótulos chamados *background* e *CHO*." #: ../../source/PixelClassification/PixelClassification.md:118 msgid "" "Using the paint brush tool, label pixels (one at a time) for each class " "until you are satisfied with the segmentation." msgstr "" -"Usando a ferramenta pincel, rotule os pixels (um de cada vez) para cada " +"Usando a ferramenta de pincel, rotule pixels (um de cada vez) para cada " "classe até ficar satisfeito com a segmentação." #: ../../source/PixelClassification/PixelClassification.md:121 @@ -274,14 +279,14 @@ msgid "" "image below shows how closely we must view individual cells before the " "pixels of the image become clear." msgstr "" -"Recomendamos criar rótulos para cada classe, um pixel de cada vez, em vez de" -" fazer rabiscos, para minimizar a chance de [ajuste excessivo], ou seja, " -"muita informação sobre qualquer área pode fazer com que a classificação " -"tenha um desempenho ruim em outras áreas ligeiramente diferentes. . Para " -"rotular um pixel de cada vez, precisaremos aumentar o zoom o suficiente para" -" resolver os pixels individuais da imagem. A imagem abaixo mostra o quão " -"perto devemos visualizar as células individuais antes que os pixels da " -"imagem fiquem nítidos." +"Recomendamos criar rótulos para cada classe marcando um pixel de cada vez, " +"em vez de fazer rabiscos, para minimizar a chance de overfitting — isto é, " +"informação demais sobre uma área específica pode fazer com que a " +"classificação funcione mal em outras áreas ligeiramente diferentes. Para " +"rotular um pixel por vez, será necessário dar zoom o suficiente para " +"enxergar os pixels individuais na imagem. A imagem abaixo mostra o quanto " +"precisamos aproximar a visualização de células individuais para que os " +"pixels fiquem nítidos." #: ../../source/PixelClassification/PixelClassification.md:134 msgid "" @@ -293,13 +298,14 @@ msgid "" " promising considering this classification was determined by 1 feature and 1" " pixel each for the *CHO* and *background* labels." msgstr "" -"Usando um tamanho de pincel de 1, clicamos em um único pixel de cada classe:" -" um dentro de uma única célula CHO e o outro no fundo ao redor. Na próxima " -"imagem, a cor de anotação da célula CHO é amarela e a cor de anotação do " -"plano de fundo é verde. A ativação do *Live Update* revela que a segmentação" -" é semelhante aos resultados da limiarização. Esse resultado é promissor, " -"considerando que essa classificação foi determinada por 1 recurso e 1 pixel " -"cada para os rótulos *CHO* e *background*." +"Usando um tamanho de pincel igual a 1, clicamos em um único pixel de cada " +"classe: um dentro de uma célula CHO e outro no fundo ao redor. Na imagem a " +"seguir, a cor da anotação da célula CHO é amarela e a cor da anotação do " +"fundo é verde. Ao ativar o *Live Update*, vemos que a segmentação fica " +"parecida com o resultado obtido por limiarização (*thresholding*). Esse " +"resultado é promissor, considerando que essa classificação foi determinada " +"com apenas 1 feature e apenas 1 pixel para cada rótulo: *CHO* e " +"*background*." #: ../../source/PixelClassification/PixelClassification.md:147 msgid "" @@ -311,14 +317,13 @@ msgid "" "should also view the predicted segmentation, and annotate pixels that are " "not currently segmented properly." msgstr "" -"Adicionando mais rótulos, um pixel de cada vez, continuamos a refinar a " -"segmentação. A alternância entre as visualizações *Segmentação* e " -"*Incerteza* fornece feedback em tempo real que pode orientar o processo de " -"rotulagem. As áreas de alta incerteza serão azul-água, portanto, a anotação " -"dessas áreas será mais benéfica para o treinamento do programa sobre quais " -"pixels pertencem a cada classe. Você também deve visualizar a segmentação " -"prevista e anotar os pixels que não estão segmentados corretamente no " -"momento." +"Adicionando mais rótulos, um pixel por vez, continuamos refinando a " +"segmentação. Alternar entre as visualizações *Segmentation* e *Uncertainty* " +"fornece feedback em tempo real que pode guiar o processo de rotulagem. As " +"áreas de alta incerteza aparecem em azul-esverdeado (aqua), então anotar " +"essas regiões costuma ser o mais útil para treinar o programa sobre quais " +"pixels pertencem a cada classe. Você também deve observar a segmentação " +"prevista e anotar pixels que não estejam sendo segmentados corretamente." #: ../../source/PixelClassification/PixelClassification.md:160 msgid "" @@ -328,16 +333,16 @@ msgid "" "other cells in the image, as well as in other images, to make sure the " "diversity in your experiment is represented in the training set." msgstr "" -"Continue até que os rótulos adicionais pareçam não alterar os resultados, ou" -" até que um subconjunto de pixels comece a \"alternar\" entre a célula CHO e" -" o plano de fundo, ou até que você tenha rotulado cerca de 20 pixels em sua " -"região original. Verifique e rotule outras células na imagem, bem como em " -"outras imagens, para garantir que a diversidade em seu experimento esteja " -"representada no conjunto de treinamento." +"Continue até que pareça que adicionar mais rótulos não muda o resultado, ou " +"até que alguns pixels comecem a “oscilar” (*flipping*) entre célula CHO e " +"fundo, ou até você ter rotulado ~20 pixels na sua região original. Verifique" +" e rotule outras células na imagem, assim como em outras imagens, para " +"garantir que a diversidade do experimento esteja representada no conjunto de" +" treinamento." #: ../../source/PixelClassification/PixelClassification.md:166 msgid "Export the probability maps" -msgstr "Exportar os mapas de probabilidade" +msgstr "Exportando os mapas de probabilidade" #: ../../source/PixelClassification/PixelClassification.md:168 msgid "When satisfied with the results, export the probability maps." @@ -347,28 +352,26 @@ msgstr "" #: ../../source/PixelClassification/PixelClassification.md:170 msgid "Open the **Prediction Export** window." -msgstr "Abra a janela **Exportação de previsão**." +msgstr "Abra a janela **Prediction Export**." #: ../../source/PixelClassification/PixelClassification.md:171 msgid "Click the **Choose Export Settings** window." -msgstr "" -"Clique na janela **Choose Export Settings** (Escolher configurações de " -"exportação)." +msgstr "Clique na janela **Choose Export Settings**." #: ../../source/PixelClassification/PixelClassification.md:172 msgid "Change **Transpose to Axis Order** to `cyx`." -msgstr "Altere **Transpor para ordem do eixo** para `cyx`." +msgstr "Altere **Transpose to Axis Order** para `cyx`." #: ../../source/PixelClassification/PixelClassification.md:173 msgid "Change **Format** to `tiff`." -msgstr "Altere **Formato** para `tiff`." +msgstr "Altere **Format** para `tiff`." #: ../../source/PixelClassification/PixelClassification.md:174 msgid "" "Close the export settings dialog box and click the **Export All** button." msgstr "" -"Feche a caixa de diálogo de configurações de exportação e clique no botão " -"**Exportar tudo**." +"Feche a janela de configurações de exportação e clique no botão **Export " +"All**." #: ../../source/PixelClassification/PixelClassification.md:175 msgid "" @@ -377,21 +380,20 @@ msgid "" " the remaining unpredicted images and hit **Process all files**. This will " "take a couple of minutes on most computers." msgstr "" -"Se você não carregou inicialmente todas as imagens no ilastik e deseja criar" -" previsões para todas elas agora, vá para a janela **Processamento em " -"lote**, selecione as imagens não previstas restantes e clique em **Processar" -" todos os arquivos**. Isso levará alguns minutos na maioria dos " -"computadores." +"Se você não carregou todas as imagens no ilastik no início e agora quiser " +"gerar previsões para todas, vá até a janela **Batch Processing**, selecione " +"as imagens restantes (ainda sem previsão) e clique em **Process all files**." +" Na maioria dos computadores, isso leva alguns minutos." #: ../../source/PixelClassification/PixelClassification.md:176 msgid "Note that you're producing a two channel image (Color Image)." msgstr "" -"Observe que você está produzindo uma imagem de dois canais (imagem " -"colorida)." +"Observe que você está gerando uma imagem com dois canais (uma “Color " +"Image”)." #: ../../source/PixelClassification/PixelClassification.md:178 msgid "III. Segmenting probabilities with CellProfiler" -msgstr "III. Segmentação de probabilidades com o CellProfiler" +msgstr "III. Segmentando probabilidades com o CellProfiler" #: ../../source/PixelClassification/PixelClassification.md:180 msgid "" @@ -400,11 +402,11 @@ msgid "" "The probability map images are grayscale images and can be treated as if " "they were the result of a “stain” for the cells." msgstr "" -"As imagens do mapa de probabilidade criadas com o ilastik podem então ser " -"processadas pelo CellProfiler para identificar e medir os objetos CHO nas " -"imagens DIC. As imagens do mapa de probabilidade são imagens em escala de " -"cinza e podem ser tratadas como se fossem o resultado de uma \"coloração\" " -"para as células." +"As imagens de mapa de probabilidade geradas no ilastik podem então ser " +"processadas no CellProfiler para identificar e medir os objetos CHO nas " +"imagens DIC. Os mapas de probabilidade são imagens em tons de cinza e podem " +"ser tratados como se fossem o resultado de uma “coloração” (*stain*) para as" +" células." #: ../../source/PixelClassification/PixelClassification.md:185 msgid "Open CellProfiler." @@ -428,9 +430,9 @@ msgid "" " files was cho, remember to **Select the image type** as **Color Image** for" " .tiff files." msgstr "" -"No módulo **NamesAndTypes**, configure os arquivos .png como fase e os " -"arquivos .tiff como cho, lembre-se de **Selecionar o tipo de imagem** como " -"**Imagem colorida** para os arquivos .tiff." +"No módulo **NamesAndTypes**, configure os arquivos “.png” como “phase” e os " +"arquivos “.tiff” como “cho”. Lembre-se de, em **Select the image type:**, " +"selecionar **Color image** para os arquivos “.tiff”." #: ../../source/PixelClassification/PixelClassification.md:189 msgid "" @@ -439,18 +441,18 @@ msgid "" "cell, if your background was the first, convert just the green channel to " "gray and name as choSegmented." msgstr "" -"No módulo **ColortoGray**, converta apenas um canal (vermelho ou verde) em " -"cinza; você deve escolher vermelho para cinza se sua primeira classe no " -"Ilastik foi a célula; se seu plano de fundo foi o primeiro, converta apenas " -"o canal verde em cinza e nomeie como choSegmented." +"No módulo **ColorToGray**, converta apenas um canal (Red ou Green) para tons" +" de cinza. Escolha “Red” → “Gray” se a primeira classe no ilastik foi a " +"célula. Se o fundo (background) foi a primeira classe, converta apenas o " +"canal “Green” → “Gray” e nomeie a imagem como “choSegmented”." #: ../../source/PixelClassification/PixelClassification.md:190 msgid "" "Run the pipeline and review the segmentation. How robustly did it perform " "on different images?" msgstr "" -"Execute o pipeline e analise a segmentação. Qual foi a robustez do " -"desempenho em diferentes imagens?" +"Execute o pipeline e revise a segmentação. Quão robusta ela foi em " +"diferentes imagens?" #: ../../source/PixelClassification/PixelClassification.md:192 msgid "" @@ -459,7 +461,7 @@ msgid "" " pixel belongs to a cell. The image below demonstrates how the " "IdentifyPrimaryObjects module successfully segments all the CHO cells." msgstr "" -"Agora transformamos os padrões e a textura da intensidade na imagem DIC em " +"Agora transformamos os padrões e a textura de intensidade da imagem DIC em " "uma imagem em que a intensidade reflete a probabilidade de um determinado " -"pixel pertencer a uma célula. A imagem abaixo demonstra como o módulo " -"IdentifyPrimaryObjects segmenta com sucesso todas as células CHO." +"pixel pertencer a uma célula. A imagem abaixo mostra como o módulo " +"IdentifyPrimaryObjects consegue segmentar com sucesso todas as células CHO."