Corso di formazione Figi: Introduzione all'elaborazione scientifica delle immagini

Primi passi con l'ecosistema Figi & ImageJ

• Comprensione dell'architettura di Figi: core di ImageJ, plugin e gestore degli aggiornamenti
• Installazione, configurazione dell'ambiente e impostazione degli aggiornamenti automatici all'avvio
• Interfaccia grafica: finestre, barre degli strumenti, gestione dei stack/serie e combinazioni di tastiera
• Formati scientifici supportati: TIFF, OME-TIFF, ND2, LIF, HDF5 e standard di metadati
• Laboratorio 1: Installazione di Figi, configurazione del gestore degli aggiornamenti per gli aggiornamenti automatici e navigazione in un dataset di microscopia a fluorescenza multicanale

Elaborazione di base delle immagini e analisi quantitativa

• Trasformazioni di base: ritaglio, rotazione, ridimensionamento e separazione dei canali
• Filtraggio e potenziamento: Gaussiano, mediana, CLAHE e tecniche di riduzione del rumore
• Segmentazione ed estrazione delle caratteristiche: soglia, watershed, ROI Manager e analisi delle particelle
• Quantificazione: analisi degli istogrammi, deconvoluzione del colore, metriche di co-localizzazione ed esportazione statistica
• Laboratorio 2: Creazione di una pipeline di analisi 2D/3D riproducibile su un dataset di immagini cellulari campione ed esportazione di tabelle di misurazione strutturate

Scripting, automazione e flussi di lavoro multi-linguaggio

• L'editor di script di Figi: scrittura, esecuzione, debug e parametrizzazione degli script
• Scegliere il linguaggio giusto: Python (PyImageJ/ImgLib2), JavaScript (Nashorn), Groovy e Beanshell
• Integrazione di Figi con ecosistemi di calcolo scientifico (NumPy, SciPy, pandas, scikit-image)
• Registrazione di macro vs scripting: quando usare ciascuno e come mantenere un codice pulito e riutilizzabile
• Laboratorio 3: Scrittura di uno script Python per elaborare in batch uno z-stack, estrarre metriche cellulari e generare automaticamente grafici riepilogativi e report CSV

Flussi di lavoro avanzati: immagini 3D, assemblaggio e grandi dataset

• Lavorare con dati bioimmagini multidimensionali: stack virtuali, caricamento differito e gestione della memoria
• Introduzione alla microscopia a piastrelle: pattern di acquisizione, numerazione delle piastrelle e gestione delle sovrapposizioni
• Assemblaggio di grandi dataset 3D: utilizzo di BigStitcher e TrakEM2 per registrazione e fusione
• Ottimizzazione delle prestazioni per ambienti con risorse hardware limitate (RAM, suggerimenti GPU, compatibilità cloud)
• Laboratorio 4: Registrazione e assemblaggio di un dataset simulato di microscopia 3D a piastrelle e ottimizzazione dell'uso della memoria per uno z-stack di >10GB

Estensione di Figi: ImgLib2, sviluppo di plugin e distribuzione

• Il modello dati di ImgLib2: array N-dimensionali, viste e operazioni efficienti in termini di memoria
• Creazione di algoritmi di elaborazione delle immagini personalizzati utilizzando le API ImgLib2 e ImageJ2
• Impacchettamento dei plugin: struttura Maven, integrazione dell'interfaccia utente e gestione delle dipendenze
• Condivisione e distribuzione: creazione di siti di aggiornamento locali/globali, contenitori Docker e pacchetti di ricerca riproducibili
• Collaborazione tra team: standardizzazione dei parametri, controllo versione per le pipeline e condivisione tra laboratori
• Laboratorio 5: Sviluppo di un plugin personalizzato basato su ImgLib2, test locale e pubblicazione su un sito di aggiornamento condiviso

Riproducibilità, best practices e integrazione nella ricerca

• Cattura della provenienza: incorporamento di script, parametri e informazioni sulla versione di Figi nei risultati
• Standard di metadati e principi FAIR per i dati delle immagini scientifiche
• Profilazione, debug e risoluzione dei comuni colli di bottiglia nelle bioimmagini
• Risorse della community: documentazione di ImageJ/Imgi, forum, repository GitHub e ecosistema dei plugin
• Progetto finale: progettazione, scripting e documentazione di un flusso di lavoro completo di analisi delle immagini adattato al proprio ambito di ricerca
• Opzioni di personalizzazione: Offriamo versioni su misura focalizzate su:
  • Modalità di imaging specifiche (confocale, super-risoluzione, microscopia elettronica, ecc.)
  • Pipeline specifiche per dominio (conteggio cellulare, co-localizzazione, morfometria, ecc.)
  • Integrazione con le infrastrutture di laboratorio esistenti (Slurm, AWS, HPC locale o archivi OME-TIFF)