Φίτζι: Εισαγωγή στην Επιστημονική Επεξεργασία Εικόνων Κομμάτι εκπαίδευσης

Έναρξη με το οικοσύστημα Fiji & ImageJ

• Κατανόηση της αρχιτεκτονικής του Fiji: ο πυρήνας ImageJ, πρόσθετα λειτουργιών και ο διαχειριστής ενημερώσεων
• Εγκατάσταση, ρύθμιση περιβάλλοντος και διαμόρφωση αυτόματων ενημερώσεων κατά την εκκίνηση
• Πλοήγηση στο GUI: παράθυρα, εργαλειοθήκες, διαχείριση στοίβας/σειράς και συντομεύσεις πληκτρολογίου
• Υποστηριζόμενοι επιστημονικοί τύποι: TIFF, OME-TIFF, ND2, LIF, HDF5 και πρότυπα μεταδεδομένων
• Εργαστήριο 1: Εγκατάσταση του Fiji, διαμόρφωση του διαχειριστή ενημερώσεων για αυτόματες ενημερώσεις και πλοήγηση σε ένα σύνολο δεδομένων μικροσκοπίας φθορισμού πολλαπλών καναλιών

Βασική Επεξεργασία & Ποσοτικοποίηση Εικόνων

• Βασικοί μετασχηματισμοί: περικοπή, περιστροφή, κλιμάκωση και διαχωρισμός καναλιών
• Φιλτράρισμα & βελτίωση: Gaussian, μέση τιμή, CLAHE και τεχνικές μείωσης θορύβου
• Τμηματοποίηση & εξαγωγή χαρακτηριστικών: κατώφλιση, watershed, Διαχειριστής ROI και ανάλυση σωματιδίων
• Ποσοτικοποίηση: ανάλυση ιστογράματος, αποσύνθεση χρωμάτων, μετρικες συ-τοποθέτησης και στατιστική εξαγωγή
• Εργαστήριο 2: Κατασκευή ενός αναπαραγώγιμου σωλήνα ανάλυσης 2D/3D σε ένα δείγμα συνόλου δεδομένων απεικόνισης κυττάρων και εξαγωγή πινάκων δομημένων μετρήσεων

Scripting, Αυτοματοποίηση & Ροές Εργασίας Πολλαπλών Γλωσσών

• Ο Επεξεργαστής Scripts του Fiji: συγγραφή, εκτέλεση, εντοπισμός σφαλμάτων και παραμετροποίηση scripts
• Επιλογή της κατάλληλης γλώσσας: Python (PyImageJ/ImgLib2), JavaScript (Nashorn), Groovy και Beanshell
• Σύνδεση του Fiji με οικοσυστήματα επιστημονικού υπολογισμού (NumPy, SciPy, pandas, scikit-image)
• Εγγραφή μακροεντολών έναντι scripting: πότε να χρησιμοποιείται το καθένα και πώς να διατηρείται καθαρός, επαναχρησιμοποιήσιμος κώδικας
• Εργαστήριο 3: Συγγραφή ενός Python script για μαζική επεξεργασία ενός z-stack, εξαγωγή μετρικών κυττάρων και αυτόματη δημιουργία διαγραμμάτων συνοψίσματος & αναφορών CSV

Προηγμένες Ροές Εργασίας: 3D Απεικόνιση, Σύνθεση & Μεγάλα Σύνολα Δεδομένων

• Εργασία με πολυδιάστατα δεδομένα βιοεικόνων: εικονικές στοίβες, επιβραδυμένη φόρτωση και διαχείριση μνήμης
• Βασικές αρχές μικροσκοπίας με χάρτες (tiles): μοτίβα απόκτησης, αρίθμηση χάρτων και διαχείριση επικάλυψης
• Σύνθεση μεγάλων 3D συνόλων δεδομένων: χρήση του BigStitcher & TrakEM2 για καταχώριση και συγχώνευση
• Βελτιστοποίηση απόδοσης για περιβάλλοντα με περιορισμένο υλικό (RAM, ενδείξεις GPU, έτοιμη για cloud)
• Εργαστήριο 4: Καταχώριση και σύνθεση ενός προσομοιωμένου συνόλου δεδομένων μικροσκοπίας χάρτων 3D και βελτιστοποίηση χρήσης μνήμης για ένα >10GB z-stack

Επέκταση του Fiji: ImgLib2, Ανάπτυξη Πλήθων Λειτουργιών &> Τοποθέτηση

• Το μοντέλο δεδομένων ImgLib2: πίνακες N-διαστάσεων, θεάσεις και λειτουργίες με αποδοτική χρήση μνήμης
• Κατασκευή προσαρμοσμένων αλγορίθμων επεξεργασίας εικόνων χρησιμοποιώντας το ImgLib2 & το API του ImageJ2
• Συσκευασία πλήθων: δομή Maven, ενσωμάτωση UI και διαχείριση εξαρτήσεων
• Κοινή χρήση & τοποθέτηση: δημιουργία τοπικών/παγκόσμιων τοποθεσιών ενημέρωσης, εικόνες Docker και πακέτα επαναγώγιμου ερευνητικού έργου
• Συνεργασία μεταξύ ομάδων: τυποποίηση παραμέτρων, έλεγχος έκδοσης για σωλήνες και δια-εργαστηριακή κοινή χρήση
• Εργαστήριο 5: Ανάπτυξη ενός προσαρμοσμένου πλήθους βασισμένου στο ImgLib2, δοκιμή τοπικά και δημοσίευση σε μια κοινοποιημένη τοποθεσία ενημερώσεων

Επαναγωγιμότητα, Βέλτιστες Πρακτικές & Ενσωμάτωση στην Έρευνα

• Καταγραφή προέλευσης: ενσωμάτωση scripts, παραμέτρων και πληροφοριών έκδοσης Fiji στα αποτελέσματα
• Πρότυπα μεταδεδομένων &> Αρχές FAIR για επιστημονικά δεδομένα εικόνων
• Προφίλ, εντοπισμός σφαλμάτων και αντιμετώπιση συνηθισμένων στενωπών βιοεικόνων
• Πόροι κοινότητας: τεκμηρίωση ImageJ/Fiji, φόρουμ, αποθετήρια GitHub και οικοσύστημα πλήθων
• Τελικό Έργο: Σχεδιασμός, scripting και τεκμηρίωση ενός πλήρους σωλήνα ανάλυσης εικόνων προσαρμοσμένου στον τομέα της έρευνάς σας
• Επιλογές Προσαρμογής: Προσφέρουμε προσαρμοσμένες εκδόσεις εστιασμένες σε:
  • Συγκεκριμένες απεικονιστικές ρυθμίσεις (confocal, super-resolution, ηλεκτρονική μικροσκοπία, κ.λπ.)
  • Σωλήνες ειδικών τομέων (μετρητής κυττάρων, συ-τοποθέτηση, μορφόμετρα, κ.λπ.)
  • Ενσωμάτωση με υπάρχουσα υποδομή εργαστηρίου (Slurm, AWS, τοπικό HPC ή αρχεία OME-TIFF)