Курс за обучение по Фижи: Въведение в обработката на научни изображения

Запознаване с екосистемата на Фижи и ImageJ

• Разбиране на архитектурата на Фижи: ядро ImageJ, приставки и мениджър за актуализации
• Инсталация, настройка на средата и конфигуриране на автоматични актуализации при стартиране
• Наигаване на графичния потребителски интерфейс: прозорци, ленти с инструменти, управление на стекове/сериите и клавишни комбинации
• Поддържани научни формати: TIFF, OME-TIFF, ND2, LIF, HDF5 и стандарти за метаданни
• Лабораторна задача 1: Инсталиране на Фижи, конфигуриране на мениджъра за актуализации за автоматични актуализации и навигация в мултиканален набор от данни за флуоресцентна микроскопия

Основна обработка на изображения и количествен анализ

• Основни трансформации: изрязване, завъртане, мащабиране и разделяне на канали
• Филтриране и подобрение: Гаусово, медианно, CLAHE и техники за намаляване на шума
• Сегментация и извличане на характеристики: прагови стойности, водораздел, Менеджър на области от интерес (ROI) и анализ на частици
• Количествено определяне: анализ на хистограми, деконволюция на цвят, метрики за колокализация и статистически експорт
• Лабораторна задача 2: Изграждане на възпроизводим аналитичен процес за 2D/3D върху примерен набор от данни за клетъчна визуализация и експортиране на структурирани таблици с измерения

Скриптове, автоматизация и многоезикови работни потоци

• Редакторът за скриптове на Фижи: писане, изпълнение, дебъгване и параметризиране на скриптове
• Избор на подходящ език: Python (PyImageJ/ImgLib2), JavaScript (Nashorn), Groovy и Beanshell
• Свързване на Фижи с екосистеми за научни изчисления (NumPy, SciPy, pandas, scikit-image)
• Запис на макроси срещу писане на скриптове: кога да използвате всяко и как да поддържате чист, преизползваем код
• Лабораторна задача 3: Писане на Python скрипт за пакетна обработка на z-стек, извличане на клетъчни метрики и автоматично генериране на обобщени графики и CSV отчети

Разширени работни потоци: 3D визуализация, свързване и големи набори от данни

• Работа с многомерни биологични визуализационни данни: виртуални стекове, мързеливо зареждане и управление на паметта
• Основи на микроскопията с плочки: модели на придобиване, номерация на плочки и обработка на прекриване
• Свързване на големи 3D набори от данни: използване на BigStitcher и TrakEM2 за регистраци и сливане
• Оптимизиране на производителността за среди с ограничени хардуерни ресурси (RAM, насоки за GPU, готовност за облак)
• Лабораторна задача 4: Регистрация и свързване на симулиран тилс 3D микроскопски набор от данни и оптимизиране на употребата на паметта за >10GB z-стек

Разширяване на Фижи: ImgLib2, разработка на приставки и внедряване

• Модел на данните на ImgLib2: N-мерни масиви, изгледи и операции с ефективна употреба на паметта
• Изграждане на персонализирани алгоритми за обработка на изображения, използвайки ImgLib2 и ImageJ2 APIs
• Опаковане на приставки: структура на Maven, интеграция на потребителския интерфейс и управление на зависимостите
• Споделяне и внедряване: създаване на локални/глобални актуализационни сайтове, Docker контейнери и пакети за възпроизводимо проучване
• Сътрудничество между екипи: стандартизиране на параметрите, контрол на версиите за аналитични процеси и споделен достъп между лаборатории
• Лабораторна задача 5: Разработване на персонализирана приставка на базата на ImgLib2, тестване на нея локално и публикуване на споделен актуализационен сайт

Възпроизводимост, най-добри практики и интеграция с изследванията

• Записване на произход: вмъкване на скриптове, параметри и информация за версията на Фижи в резултатите
• Стандарти за метаданни и принципи FAIR за научни визуализационни данни
• Профилиране, дебъгване и разрешаване на общи възможни проблеми в биологичните визуализационни процеси
• Ресурси на общността: документация на ImageJ/Fiji, форуми, хранилища на GitHub и екосистема от приставки
• Финален проект: Проектиране, скриптиране и документиране на пълен аналитичен процес за изображения, пригоден за вашата изследователска област
• Опции за персонализиране: Предлагаме целеви версии, фокусирани върху:
  • Конкретни модалитети на визуализация (конфокална, супер-разделителна, електронна микроскопия и др.)
  • Аналитични процеси, специфични за домена (броене на клетки, колокализация, морфометрия и др.)
  • Интеграция със съществуващата лабораторна инфраструктура (Slurm, AWS, локална HPC или архиви на OME-TIFF)