Fiji: Einführung in die wissenschaftliche Bildverarbeitung Schulung

Erste Schritte mit der Fiji- & ImageJ-Ökosystem

• Verständnis der Fiji-Architektur: ImageJ-Kern, Plugins und Update-Manager
• Installation, Umgebungssetup und Konfiguration automatischer Updates beim Start
• Navigieren in der GUI: Fenster, Symbolleisten, Stapel/Serienverwaltung und Tastenkürzel
• Unterstützte wissenschaftliche Formate: TIFF, OME-TIFF, ND2, LIF, HDF5 und Metadata-Standards
• Laborübung 1: Installation von Fiji, Konfiguration des Update-Managers für automatische Updates und Navigation in einem multikanaligen Fluoreszenzmikroskopie-Datensatz

Grundlegende Bildverarbeitung & quantitative Analyse

• Grundlegende Transformationen: Zuschneiden, Drehen, Skalieren und Kanaltrennung
• Filterung & Verbesserung: Gauß-, Median-, CLAHE-Filter sowie Rauschreduktionstechniken
• Segmentierung & Merkmalsextraktion: Schwellenwertbildung, Watershed, ROI-Manager und Partikelanalyse
• Quantifizierung: Histogrammanalyse, Farbdekonvolution, Co-Lokalisierungs-Metriken und statistischer Export
• Laborübung 2: Erstellung einer reproduzierbaren 2D/3D-Analyse-Pipeline auf einem Beispiel-Datensatz der Zellabbildung und Export strukturierter Messtabellen

Skripting, Automatisierung & Mehrsprachige Workflows

• Der Fiji-Skript-Editor: Schreiben, Ausführen, Debuggen und Parametrisieren von Skripten
• Auswahl der richtigen Sprache: Python (PyImageJ/ImgLib2), JavaScript (Nashorn), Groovy und Beanshell
• Anbindung von Fiji an wissenschaftliche Computing-Ökosysteme (NumPy, SciPy, pandas, scikit-image)
• Macro-Aufzeichnung vs. Skripting: Wann welches zu verwenden ist und wie sauberer, wiederverwendbarer Code gepflegt wird
• Laborübung 3: Schreiben eines Python-Skripts zur Batch-Verarbeitung eines Z-Stapels, Extraktion von Zellmetriken und automatisches Erstellen von Zusammenfassungsplots & CSV-Berichten

Fortgeschrittene Workflows: 3D-Bildgebung, Stitching & große Datensätze

• Arbeit mit multidimensionalen bioimage-Daten: virtuelle Stapel, Lazy Loading und Speicherverwaltung
• Grundlagen der Kachelmikroskopie: Erfassungsmuster, Kachelnummerierung und Handhabung von Überlappungen
• Stitching großer 3D-Datensätze: Nutzung von BigStitcher & TrakEM2 für Registrierung und Zusammenführung
• Leistungsoptimierung für hardwarebeschränkte Umgebungen (RAM, GPU-Hinweise, Cloud-Tauglichkeit)
• Laborübung 4: Registrierung und Stitching eines simulierten tile-basierten 3D-Mikroskopie-Datensatzes sowie Optimierung der Speichernutzung für einen >10GB Z-Stapel

Erweiterung von Fiji: ImgLib2, Plugin-Entwicklung & Bereitstellung

• Das ImgLib2-Datenmodell: N-dimensionale Arrays, Views und speichereffiziente Operationen
• Erstellung benutzerdefinierter Bildverarbeitungsalgorithmen mit ImgLib2 & ImageJ2-APIs
• Plugin-Packaging: Maven-Struktur, UI-Integration und Abhängigkeitsmanagement
• Verteilung & Bereitstellung: Erstellung lokaler/globaler Update-Sites, Docker-Container und reproduzierbarer Forschungs-Pakete
• Zusammenarbeit über Teams hinweg: Standardisierung von Parametern, Versionskontrolle für Pipelines und labübergreifender Austausch
• Laborübung 5: Entwicklung eines benutzerdefinierten, auf ImgLib2 basierenden Plugins, lokale Tests und Veröffentlichung auf einer gemeinsamen Update-Site

Reproduzierbarkeit, Best Practices & Integration in die Forschung

• Erfassung der Provenance: Einbetten von Skripten, Parametern und Fiji-Versionsinformationen in die Ergebnisse
• Metadata-Standards & FAIR-Prinzipien für wissenschaftliche Bilddaten
• Profiling, Debuggen und Behebung häufiger Engpässe in der bioimage-Verarbeitung
• Gemeinschaftsressourcen: ImageJ/Fiji-Dokumentation, Foren, GitHub-Repositories und Plugin-Ökosystem
• Abschlussprojekt: Entwurf, Skripting und Dokumentation eines vollständigen Bildanalyse-Workflows, zugeschnitten auf Ihre Forschungsdomäne
• Optionen zur Anpassung: Wir bieten maßgeschneiderte Versionen mit Fokus auf:
  • Spezifische Bildgebungsmodalitäten (Konfokal, Super-Resolution, Elektronenmikroskopie usw.)
  • Domänenspezifische Pipelines (Zellzählung, Co-Lokalisierung, Morphometrie usw.)
  • Integration in bestehende Laborinfrastrukturen (Slurm, AWS, lokales HPC oder OME-TIFF-Archive)