Kursus Pelatihan Fiji: Pengantar Pemrosesan Gambar Ilmiah

Memulai dengan Ekosistem Fiji & ImageJ

• Memahami arsitektur Fiji: inti ImageJ, plugin, dan manajer pembaruan
• Instalasi, pengaturan lingkungan, dan mengonfigurasi pembaruan otomatis saat startup
• Bernavigasi di GUI: jendela, toolbar, manajemen tumpukan/seri, dan pintasan keyboard
• Format ilmiah yang didukung: TIFF, OME-TIFF, ND2, LIF, HDF5, dan standar metadata
• Lab 1: Menginstal Fiji, mengonfigurasi manajer pembaruan untuk pembaruan otomatis, dan menavigasi dataset mikroskopi fluoresensi multi-saluran

Pemrosesan Gambar Inti & Analisis Kuantitatif

• Transformasi dasar: cropping, rotasi, penskalaan, dan pemisahan saluran
• Filtering & enhancement: Gaussian, median, CLAHE, dan teknik pengurangan noise
• Segmentasi & ekstraksi fitur: thresholding, watershed, ROI Manager, dan analisis partikel
• Kuantifikasi: analisis histogram, dekonvolusi warna, metrik ko-lokalisasi, dan ekspor statistik
• Lab 2: Membangun alur kerja analisis 2D/3D yang dapat direproduksi pada dataset pencitraan sel sampel dan mengekspor tabel pengukuran terstruktur

Skrip, Otomasi & Alur Kerja Multi-Bahasa

• Editor Skrip Fiji: menulis, menjalankan, men-debug, dan memparametrisasi skrip
• Memilih bahasa yang tepat: Python (PyImageJ/ImgLib2), JavaScript (Nashorn), Groovy, dan Beanshell
• Menjembatani Fiji dengan ekosistem komputasi ilmiah (NumPy, SciPy, pandas, scikit-image)
• Perekaman makro vs skrip: kapan menggunakan masing-masing dan bagaimana menjaga kode yang bersih dan dapat digunakan kembali
• Lab 3: Menulis skrip Python untuk memproses batch tumpukan z, mengekstrak metrik sel, dan secara otomatis menghasilkan plot ringkasan & laporan CSV

Alur Kerja Lanjutan: Pencitraan 3D, Stitching & Dataset Besar

• Bekerja dengan data bioimage multidimensi: tumpukan virtual, lazy loading, dan manajemen memori
• Dasar mikroskopi tiling: pola akuisisi, penomoran tiling, dan penanganan tumpang tindih
• Stitching dataset 3D besar: menggunakan BigStitcher & TrakEM2 untuk registrasi dan penggabungan
• Optimasi kinerja untuk lingkungan yang terbatas perangkat keras (RAM, petunjuk GPU, kesiapan cloud)
• Lab 4: Mendaftar dan menyatukan dataset mikroskopi 3D tiling simulasi dan mengoptimalkan penggunaan memori untuk >10GB z-stack

Memperluas Fiji: ImgLib2, Pengembangan Plugin & Deploy

• Model data ImgLib2: array N-dimensi, pandangan, dan operasi hemat memori
• Membangun algoritma pemrosesan gambar kustom menggunakan API ImgLib2 & ImageJ2
• Paket plugin: struktur Maven, integrasi UI, dan manajemen dependensi
• Pembagian & deployment: membuat situs pembaruan lokal/global, kontainer Docker, dan paket penelitian yang dapat direproduksi
• Berkolaborasi antar tim: menstandarkan parameter, kontrol versi untuk alur kerja, dan berbagi antar-lab
• Lab 5: Mengembangkan plugin berbasis ImgLib2 kustom, mengujinya secara lokal, dan menerbitkannya ke situs pembaruan bersama

Reproduksibilitas, Praktik Terbaik & Integrasi Penelitian

• Mengambil provenance: menyematkan skrip, parameter, dan info versi Fiji dalam hasil
• Standar metadata & prinsip FAIR untuk data gambar ilmiah
• Profiling, debugging, dan men troubleshoot bottleneck bioimage umum
• Sumber komunitas: dokumentasi ImageJ/Fiji, forum, repositori GitHub, dan ekosistem plugin
• Proyek Akhir: Merancang, menulis skrip, dan mendokumentasikan alur kerja analisis gambar lengkap yang disesuaikan dengan domain penelitian Anda
• Opsi Kustomisasi: Kami menawarkan versi yang disesuaikan yang berfokus pada:
  • Modalitas pencitraan spesifik (confocal, super-resolusi, mikroskopi elektron, dll.)
  • Alur kerja domain-spesifik (penghitungan sel, ko-lokalisasi, morfo-metrik, dll.)
  • Integrasi dengan infrastruktur lab yang ada (Slurm, AWS, HPC lokal, atau arsip OME-TIFF)