Fiji: Úvod do vědeckého zpracování obrazu Počítačový Kurz

Začínáme s ekosystémem Fiji a ImageJ

• Chápání architektury Fiji: jádro ImageJ, pluginy a správce aktualizací
• Instalace, nastavení prostředí a konfigurace automatických aktualizací při spuštění
• Práce s GUI: okna, nástrojové lišty, správa zásobníků/sérií a klávesové zkratky
• Podporované vědecké formáty: TIFF, OME-TIFF, ND2, LIF, HDF5 a standardy metadat
• Laboratoř 1: Instalace Fiji, konfigurace správce aktualizací pro automatické aktualizace a procházení vícekanalového fluorescenčního mikroskopického datasetu

Základní zpracování obrazu a kvantitativní analýza

• Základní transformace: oříznutí, rotace, škálování a rozdělení kanálů
• Filtrování a vylepšení: Gaussovo filtry, mediánové filtry, CLAHE a techniky redukce šumu
• Segmentace a extrakce vlastností: prahování, watershed, správce ROI a analýza částic
• Kvantifikace: analýza histogramu, dekonvoluce barev, metriky kolinearity a statistický export
• Laboratoř 2: Vytvoření reprodukčního 2D/3D analytického potrubí na vzorkovém datasetu buněčného zobrazování a export strukturovaných tabulek měření

Skriptování, automatizace a vícejazyčné pracovní postupy

• Editor skriptů Fiji: psaní, spouštění, ladění a parametrizace skriptů
• Výběr vhodného jazyka: Python (PyImageJ/ImgLib2), JavaScript (Nashorn), Groovy a Beanshell
• Spojování Fiji s ekosystémy vědeckého výpočtu (NumPy, SciPy, pandas, scikit-image)
• Recording makra vs. skriptování: kdy použít každé a jak udržovat čisté, znovu použitelné kódy
• Laboratoř 3: Psaní skriptu v Pythonu pro hromadné zpracování z-stosu, extrakci metrik buněk a automatické generování souhrnných grafů a CSV reportů

Pokročilé pracovní postupy: 3D zobrazování, sestavování a velké datasety

• Práce s vícedimenzionálními bioobrazovými datasety: virtuální zásobníky, líné načítání a správa paměti
• Základy mikroskopie dlaždic: vzory získávání, číslování dlaždic a zpracování překryvů
• Sestavování velkých 3D datasetů: použití BigStitcher a TrakEM2 pro registraci a slučování
• Optimalizace výkonu pro prostředí omezená hardwarem (RAM, GPU tipy, připravenost cloudu)
• Laboratoř 4: Registrace a sestavení simulovaného dlaždicového 3D mikroskopického datasetu a optimalizace využití paměti pro z-stack o velikosti >10GB

Rozšíření Fiji: ImgLib2, vývoj pluginů a nasazení

• Model dat ImgLib2: N-dimenzionální pole, pohledy a operace úsporné z hlediska paměti
• Vývoj vlastních algoritmů zpracování obrazu pomocí API ImgLib2 a ImageJ2
• Balení pluginů: struktura Maven, integrace UI a správa závislostí
• Sdílení a nasazení: vytváření lokálních/globálních aktualizovaných míst, kontejnerů Docker a reprodukovatelných výzkumných balíčků
• Spolupráce mezi týmy: standardizace parametrů, verzování potrubí a sdílení mezi laboratořemi
• Laboratoř 5: Vývoj vlastního pluginu založeného na ImgLib2, jeho lokální testování a publikování na sdíleném aktualizovaném místě

Reprodukovatelnost, nejlepší praktiky a integrace do výzkumu

• Zachycení původu: vkládání skriptů, parametrů a informací o verzi Fiji do výsledků
• Standardy metadat a principy FAIR pro vědecká obrazová data
• Profiling, ladění a řešení běžných úzkých míst bioobrazů
• Zdroje komunity: dokumentace ImageJ/Fiji, fóra, repozitáře GitHub a ekosystém pluginů
• Závěrečný projekt: Navrhnout, zpsát a zdokumentovat kompletní pracovní postup analýzy obrazu přizpůsobený vaší výzkumné doméně
• Možnosti přizpůsobení: Nabízíme přizpůsobené verze zaměřené na:
  • Specifické zobrazovací módy (konfokální, super-rozlišení, elektronová mikroskopie atd.)
  • Doménově specifická potrubí (počítání buněk, kolinearita, morfometrie atd.)
  • Integraci s existující laboratorní infrastrukturou (Slurm, AWS, místní HPC nebo archivace OME-TIFF)