Fiji: Bevezetés a Tudományos Képfeldolgozásba Képzés

Bevezetés a Fiji és ImageJ ökoszisztémába

• A Fiji architektúrájának megértése: ImageJ mag, bővítmények és a frissítéskezelő
• Telepítés, környezet beállítása és az automatikus frissítések konfigurálása indításkor
• A felhasználói felület navigálása: ablakok, eszköztárak, képkocka/sorozatkezelés és billentyűparancsok
• Támogatott tudományos formátumok: TIFF, OME-TIFF, ND2, LIF, HDF5 és metaadat-szabványok
• 1. labor: A Fiji telepítése, a frissítéskezelő beállítása automatikus frissítésekhez, és egy többcsatornás fluoreszcens mikroszkópia adathalmaz navigálása

Alapvető képfeldolgozás és kvantitatív elemzés

• Alapvető transzformációk: kivágás, forgatás, méretezés és csatorna szétválasztás
• Szűrés és javítás: Gauss, medián, CLAHE és zajcsökkentési technikák
• Szegmentálás és jellemzőkinyerés: küszöbölés, vízválasztó, ROI kezelő és részecskeanalízis
• Kvantifikáció: hisztogram analízis, színleválasztás, kolokalizációs metrikák és statisztikai export
• 2. labor: Egy reprodukálható 2D/3D elemzési folyamat létrehozása egy minta sejtkép adathalmazon és strukturált mérési táblázatok exportálása

Szkriptelés, automatizálás és többnyelvű munkafolyamatok

• A Fiji Script Editor: szkriptek írása, futtatása, hibakeresése és paraméterezése
• A megfelelő nyelv kiválasztása: Python (PyImageJ/ImgLib2), JavaScript (Nashorn), Groovy és Beanshell
• A Fiji összekapcsolása tudományos számítási ökoszisztémákkal (NumPy, SciPy, pandas, scikit-image)
• Makró felvétel vs. szkriptelés: mikor melyiket használjuk, és hogyan tartunk karban tiszta, újrafelhasználható kódot
• 3. labor: Python szkript írása egy z-stack kötegelt feldolgozásához, sejtmérőszámok kinyeréséhez és automatikusan összegző ábrák és CSV jelentések generálásához

Fejlett munkafolyamatok: 3D képalkotás, összeállítás és nagy adathalmazok

• Többdimenziós biokép-adatok kezelése: virtuális képkockák, lusta betöltés és memóriakezelés
• Csempés mikroszkópia alapjai: felvételi minták, csempeszámozás és átfedések kezelése
• Nagy 3D adathalmazok összeállítása: a BigStitcher és a TrakEM2 használata regisztrációhoz és egyesítéshez
• Teljesítményoptimalizálás hardverkorlátos környezetekben (RAM, GPU tippek, felhőkészülés)
• 4. labor: Egy szimulált csempés 3D mikroszkópia adathalmaz regisztrálása és összeállítása, valamint a memóriahasználat optimalizálása egy >10GB-os z-stack esetén

A Fiji bővítése: ImgLib2, bővítményfejlesztés és üzembe helyezés

• Az ImgLib2 adatmodell: N-dimenziós tömbök, nézetek és memóriahatékony műveletek
• Egyedi képfeldolgozó algoritmusok fejlesztése az ImgLib2 és ImageJ2 API-k segítségével
• Bővítmény csomagolása: Maven struktúra, felhasználói felület integráció és függőségkezelés
• Megosztás és üzembe helyezés: helyi/globális frissítési oldalak létrehozása, Docker konténerek és reprodukálható kutatási csomagok
• Csapatok közötti együttműködés: paraméterek szabványosítása, folyamatok verziókezelése és laborok közötti megosztás
• 5. labor: Egy egyedi ImgLib2 alapú bővítmény fejlesztése, helyi tesztelése és közzététele egy megosztott frissítési oldalon

Reprodukálhatóság, ajánlott eljárások és kutatási integráció

• Proveniencia rögzítése: szkriptek, paraméterek és Fiji verzió információk beágyazása az eredményekbe
• Metaadat szabványok és FAIR elvek a tudományos képadatokhoz
• Profilkészítés, hibakeresés és gyakori biokép szűk keresztmetszetek hibaelhárítása
• Közösségi erőforrások: ImageJ/Fiji dokumentáció, fórumok, GitHub tárolók és bővítmény ökoszisztéma
• Végső projekt: Egy teljes képfeldolgozási munkafolyamat tervezése, szkriptelése és dokumentálása a kutatási területhez igazítva
• Testreszabási lehetőségek: Kínálunk testre szabott verziókat, amelyek a következőkre összpontosítanak:
  • Specifikus képalkotási módokra (konfokális, szuperfelbontású, elektronmikroszkópia stb.)
  • Területspecifikus folyamatokra (sejtszámlálás, kolokalizáció, morfometria stb.)
  • Meglévő laboratóriumi infrastruktúrával való integrációra (Slurm, AWS, helyi HPC vagy OME-TIFF archívumok)