Fiji: Wprowadzenie do naukowego przetwarzania obrazów - Plan Szkolenia

Wprowadzenie do ekosystemu Fiji & ImageJ

• Zrozumienie architektury Fiji: rdzeń ImageJ, wtyczki i menedżer aktualizacji
• Instalacja, konfiguracja środowiska i ustawianie automatycznych aktualizacji podczas uruchamiania
• Nawigacja w GUI: okna, paski narzędzi, zarządzanie stosami/seriami i skróty klawiaturowe
• Obsługiwane formaty naukowe: TIFF, OME-TIFF, ND2, LIF, HDF5 i standardy metadanych
• Laboratorium 1: Instalacja Fiji, konfiguracja menedżera aktualizacji do automatycznych aktualizacji i nawigacja w wielokanałowym zestawie danych z mikroskopii fluorescencyjnej

Podstawowe przetwarzanie obrazów i analiza ilościowa

• Podstawowe transformacje: kadrowanie, obracanie, skalowanie i rozdzielanie kanałów
• Filtrowanie i poprawa: Gauss, median, CLAHE i techniki redukcji szumów
• Segmentacja i ekstrakcja cech: progowanie, watershed, ROI Manager i analiza cząstek
• Kwantyfikacja: analiza histogramu, dekonwolucja kolorów, metryki ko-lokalizacji i eksport statystyczny
• Laboratorium 2: Budowanie powtarzalnego potoku analizy 2D/3D na przykładowym zestawie danych obrazowania komórek i eksportowanie strukturyzowanych tabel pomiarowych

Skrypty, automatyzacja i wielojęzykowe przepływy pracy

• Edytor skryptów Fiji: pisanie, uruchamianie, debugowanie i parametryzacja skryptów
• Wybór odpowiedniego języka: Python (PyImageJ/ImgLib2), JavaScript (Nashorn), Groovy i Beanshell
• Integracja Fiji z ekosystemami obliczeń naukowych (NumPy, SciPy, pandas, scikit-image)
• Nagrywanie makr a pisanie skryptów: kiedy używać każdego z nich i jak utrzymywać czysty, wielokrotnie używalny kod
• Laboratorium 3: Pisanie skryptu w Pythonie do przetwarzania wsadowego z-stacka, ekstrakcji metryk komórkowych i automatycznego generowania wykresów podsumowujących i raportów CSV

Zaawansowane przepływy pracy: obrazowanie 3D, składanie i duże zbiory danych

• Praca z wielowymiarowymi danymi bioobrazowymi: stosy wirtualne, leniwe ładowanie i zarządzanie pamięcią
• Podstawy mikroskopii kafelkowej: wzorce akwizycji, numerowanie kafelków i obsługa nakładania
• Składanie dużych zestawów danych 3D: wykorzystanie BigStitcher i TrakEM2 do rejestracji i scalania
• Optymalizacja wydajności dla środowisk z ograniczonymi zasobami (RAM, wskazówki dotyczące GPU, gotowość na chmurę)
• Laboratorium 4: Rejestracja i składanie symulowanego zestawu danych 3D z mikroskopii kafelkowej oraz optymalizacja użycia pamięci dla z-stacka o rozmiarze >10 GB

Rozszerzanie Fiji: ImgLib2, rozwój wtyczek i wdrażanie

• Model danych ImgLib2: tablice N-wymiarowe, widoki i operacje efektywne pamięciowo
• Tworzenie niestandardowych algorytmów przetwarzania obrazów przy użyciu ImgLib2 i interfejsów API ImageJ2
• Pakowanie wtyczek: struktura Maven, integracja interfejsu użytkownika i zarządzanie zależnościami
• Udostępnianie i wdrażanie: tworzenie lokalnych/globalnych stron aktualizacji, kontenery Docker i pakiety do powtarzalnych badań
• Współpraca między zespołami: standaryzacja parametrów, kontrola wersji potoków i udostępnianie między laboratoriami
• Laboratorium 5: Tworzenie niestandardowej wtyczki opartej na ImgLib2, testowanie jej lokalnie i publikowanie na wspólnej stronie aktualizacji

Powtarzalność, najlepsze praktyki i integracja z badaniami

• Przechwytywanie pochodzenia: osadzanie skryptów, parametrów i informacji o wersji Fiji w wynikach
• Standardy metadanych i zasady FAIR dla naukowych danych obrazowych
• Profilowanie, debugowanie i rozwiązywanie typowych problemów związanych z bioobrazowaniem
• Zasoby społeczności: dokumentacja ImageJ/Fiji, fora, repozytoria GitHub i ekosystem wtyczek
• Projekt końcowy: Zaprojektowanie, napisanie i udokumentowanie kompletnego przepływu pracy do analizy obrazów dostosowanego do Twojej dziedziny badawczej
• Opcje dostosowania: Oferujemy dostosowane wersje skupione na:
  • Specyficznych modalnościach obrazowania (mikroskopia konfokalna, super-rozdzielczość, mikroskopia elektronowa itp.)
  • Potokach specyficznych dla domeny (liczenie komórek, ko-lokalizacja, morfometria itp.)
  • Integracji z istniejącą infrastrukturą laboratoryjną (Slurm, AWS, lokalne HPC lub archiwa OME-TIFF)