Fundamentals of BioImage Analysis - MB100P04

• Title: Fundamentals of BioImage Analysis
• Czech title: Základy analýzy v programu BioImage
• Form of teaching: block practicals
• Guaranteed by: Biology Section (31-101)
• Faculty: Faculty of Science
• Actual: from 2025
• Duration in semesters: 1
• Semester: summer
• E-Credits: 2
• Examination process: summer s.:
• Hours per week, examination: summer s.:0/3, MC [DS]
• Capacity: unlimited
• Maximum number of enrolled students: unlimited
• Min. number of students: unlimited
• 4EU+: yes
• Virtual mobility / capacity: no
• State of the course: taught
• Language: English
• Note: enabled for web enrollment
• Guarantor: Mgr. Zuzana Burdíková, Ph.D.

Annotation

English

The course is an introduction to superresolution microscopy techniques STORM and SIM. The theoretical background will be complemented with many practical presentations. Experts and scientists from the field teach the lectures and practical sessions. The two-day theoretical course with practical demonstrations and exercises is intensely devoted
to modern methodologies of super-resolution light microscopy (SIM, STORM). The priority is the practical demonstration of the image analysis software by the
authors themselves. After completing the course, the participants will be able to determine what is appropriate microscopy technique used to answer the research questions, including sample preparation and data processing for publication. The course will be taught in English.


Information about the course
 Title – Image analysis and data processing in superresolution microscopy: fairSIM and ThunderSTORM open source systems
- Code – MB100P04
 Guarantor – Msc. Zuzana Burdíková, Ph.D
 All lecturers – Msc. Zuzana Burdíková, Ph.D, Msc. Zdeněk Švindrych, Ing. Martin Schätz, Ph.D. , MSc. Ondřej Šebesta, MSc. Peter Hohoth, Ph.D., Msc. Marian Novotny, MD. Robert Haase, Ph.D., Msc. Karel Stepka
 Faculty, department – Faculty of Science, Laboratory of Fluorescent and Confocal Microscopy, Charles University
 Credits – 02 ECTS
 Language of instruction - English
 Flagship and/or transversal skills – Flagship 4, Critical thinking
 Capacity - 15
 Examination – project
 Minimal requirements, prerequisites, conditions for selection, and enrolment of students: Basic knowledge of Image J is required. The course aims to explain the workflow in Image Analysis, and processing, and it is assumed that the student is interested in Image Analysis.
 Virtual mobility - yes
 How the course will be taught (one week) and the starting date –block; on august 23. -25. of the SUMMER semester of 2022,

Syllabus
Day 1
Introduction to superresolution microscopy: methods, principles, theoretical background image formation in Fluorescence Microscopy
Resolution and Noise
Super-resolution Localization Microscopy (STORM, PALM, DNA-PAINT, …)
Structured Illumination Microscopy (SIM)

Introduction to image processing in FIJI, ImageJ
Two-channel colocalization (mitochondrial and membrane labeling)
p-Value of colocalization, data filtering
Quantitative analysis
Quantitative data (filtering, thresholding, background separation)
Filter on photon count
Data visualization, 3D visualization
Histogram, measurement of different parameters
Pseudo-colors, pixel size, rendering mode, multicolor image
Image export
Image reconstruction of superresolution SIM data in ImageJ: fairSIM Super-resolved structured illumination microscopy (SR-SIM)
illumination patterns
SR-SIM image reconstruction algorithms, access to the plugin, and source code
fairSIM, ImageJ plugin that provides SR-SIM reconstructions
FairSIM reconstruction of data sets
Automated reconstruction parameter estimation for data sets of adequate quality

Practical part: ImageJ, fairSIM hands-on

Day 2
ThunderSTORM: a comprehensive ImageJ plug-in for SMLM data analysis and super-resolution imaging https://zitmen.github.io/thunderstorm/
Single Molecule Localisation (briefly)
The idea behind ThunderSTORM
Workflow - localization, filtering, rendering
Simulation engine
3D STORM - astigmatism method
Scientific lecture Case Study
Study Methods for the quantitative analyses of SMLM data, Coordinate-based colocalization / Nearest Neighbor Distance (NND) analysis in ThunderSTORM
Voronoi tesselation in Coloc-Tesseler software
quantitative evaluation of the spatial organization in the cell nucleus

Practical Part ThunderSTORM hands-on sessions: Individual work with ThunderSTORM software


Day 3
Customizing Fiji/ImageJ with ImageJ Macro, Hands-on
Interactive Design of GPU-accelerated Image Data Flow Graphs in Fiji
Introduction to Data Management and FAIR principles
Pixel Classification Using ILASTIK
Object Detection Using StarDist
Practical part : ILASTIK or StarDist Hands-on

Last update: Gáliková Kristýna, Mgr. et Mgr., DiS. (07.07.2026)

Czech

Kurz představuje super-rezoluční mikroskopické techniky STORM a SIM. Teoretické základy mikroskopie doplňují praktická cvičení. Přednášky prezentují přední odborníci v oboru. Dvoudenní kurz s praktickou částí se intenzivně zaměřuje na analýzu obrazu v moderní super-rezoluční mikroskopii. Důraz je kladen na praktickou demonstraci technik analýzy obrazu. Po absolvování kurzu budou účastníci schopni zvolit správnou zobrazovací metodu, tak aby zodpověděla jejich výzkumné otázky, zvládnou přípravu vzorku a zpracování dat pro publikaci. Kurz bude vyučován v angličtině.

Last update: Hůleová Iva (20.02.2020)

Literature

Literatura pro SIS Základní literatura / Core Literature

1. Murphy, D. B., & Davidson, M. W. Fundamentals of Light Microscopy and Electronic Imaging. 2nd ed. Wiley-Blackwell, 2012.

2. Schermelleh, L., Heintzmann, R., & Leonhardt, H. A guide to super-resolution fluorescence microscopy. Journal of Cell Biology, 2010.

3. Pawley, J. B. (ed.). Handbook of Biological Confocal Microscopy. 3rd ed. Springer, 2006.

Doporučená literatura / Recommended Literature

1. Sage, D., et al. Super-resolution fight club: assessment of 2D and 3D single-molecule localization microscopy software. Nature Methods, 2019.

2. Ovesný, M., et al. ThunderSTORM: A comprehensive ImageJ plug-in for PALM and STORM data analysis and super-resolution imaging. Bioinformatics, 2014.

3. Pospíšil, J., Fliegel, K., Klíma, M., & Matula, P. fairsim: An open-source ImageJ plugin for structured illumination microscopy reconstruction. Bioinformatics, 2021.

4. Rasband, W. S. ImageJ. U.S. National Institutes of Health.

5. Schindelin, J., et al. Fiji: an open-source platform for biological-image analysis. Nature Methods, 2012.

Online zdroje / Online Resources

• FIJI/ImageJ Documentation
  https://imagej.net

• ThunderSTORM Documentation
  https://zitmen.github.io/thunderstorm/

• fairSIM Documentation
  https://www.fairsim.org/

• ILASTIK Documentation
  https://www.ilastik.org/

• StarDist Documentation
  https://stardist.net/

Last update: Burdíková Zuzana, Mgr., Ph.D. (25.02.2026)

Syllabus

English

Syllabus (English)

The course provides an introduction to super-resolution microscopy and quantitative analysis of microscopy images with an emphasis on practical data processing. Students will become familiar with the principles of image formation in fluorescence microscopy, the limits of resolution, and the influence of noise on image quality. The course introduces the main super-resolution microscopy methods, particularly single-molecule localization microscopy (STORM, PALM, DNA-PAINT) and structured illumination microscopy (SIM).

The practical part of the course focuses on image processing using FIJI/ImageJ and specialized software tools for image reconstruction and quantitative analysis. Students will learn basic image-processing procedures including data filtering, thresholding, visualization, and quantitative analysis such as colocalization analysis.

The course includes reconstruction of SIM microscopy data using the fairSIM software and analysis of single-molecule localization microscopy data using ThunderSTORM. Students will also be introduced to advanced quantitative methods for analyzing spatial molecular organization, such as nearest-neighbor analysis and Voronoi tessellation.

The course also covers automation of image processing workflows using FIJI/ImageJ macros, the use of machine-learning tools for image segmentation (ILASTIK, StarDist), and basic principles of microscopy data management following FAIR principles.

The course is strongly practice-oriented and is based on independent work with real microscopy datasets.

Last update: Gáliková Kristýna, Mgr. et Mgr., DiS. (07.07.2026)

Czech

Sylabus (česky)

Kurz poskytuje úvod do mikroskopie se superrozlišením a kvantitativní analýzy mikroskopických obrazů se zaměřením na praktické zpracování dat. Studenti se seznámí s principy vzniku obrazu ve fluorescenční mikroskopii, limity rozlišení a vlivem šumu na kvalitu obrazových dat. Kurz představuje hlavní metody mikroskopie se superrozlišením, zejména lokalizační mikroskopii jednotlivých molekul (STORM, PALM, DNA-PAINT) a mikroskopii se strukturovanou iluminací (SIM).

Praktická část kurzu je zaměřena na práci se softwarem FIJI/ImageJ a specializovanými nástroji pro rekonstrukci a kvantitativní analýzu obrazových dat. Studenti se naučí základní postupy zpracování obrazů, filtraci dat, prahování, vizualizaci a kvantitativní analýzu včetně kolokalizačních analýz.

Součástí kurzu je rekonstrukce dat mikroskopie SIM pomocí nástroje fairSIM a analýza dat lokalizační mikroskopie pomocí softwaru ThunderSTORM. Studenti se seznámí také s pokročilými metodami kvantitativní analýzy prostorové organizace molekul, například analýzou nejbližších sousedů nebo Voronoiho teselací.

Kurz dále zahrnuje automatizaci zpracování obrazových dat pomocí maker ve FIJI/ImageJ, využití nástrojů strojového učení pro segmentaci obrazů (ILASTIK, StarDist) a základy správy obrazových dat v souladu s FAIR principy.

Výuka má převážně praktický charakter a je založena na samostatné práci studentů s reálnými mikroskopickými daty.

Last update: Burdíková Zuzana, Mgr., Ph.D. (25.02.2026)

Learning outcomes

English

After completing the course, the student will be able to:

1. Explain the principles of super-resolution microscopy, particularly SMLM methods (e.g., STORM, PALM, DNA-PAINT) and structured illumination microscopy (SIM), including the fundamentals of image formation in fluorescence microscopy.

2. Describe the influence of resolution and noise on microscopy data and their quantitative analysis.

3. Use FIJI/ImageJ software for microscopy image processing, including basic operations, filtering, thresholding, and visualization.

4. Perform quantitative analysis of microscopy images, including colocalization analysis, statistical evaluation, and measurement of image parameters.

5. Reconstruct SIM microscopy data using FIJI/ImageJ tools (e.g., fairSIM) and select appropriate reconstruction parameters.

6. Analyze single-molecule localization microscopy (SMLM) data using tools such as ThunderSTORM, including localization, filtering, and rendering workflows.

7. Apply advanced quantitative methods for SMLM data analysis, such as coordinate-based colocalization, nearest-neighbor distance analysis, and Voronoi tessellation.

8. Automate image processing workflows using FIJI/ImageJ macros and adapt analysis pipelines to specific experiments.

9. Use image segmentation and classification tools, such as ILASTIK or StarDist.

10. Apply basic principles of data management and FAIR principles in microscopy data analysis.

11. Independently process and analyze microscopy datasets using specialized software tools.

Last update: Burdíková Zuzana, Mgr., Ph.D. (25.02.2026)

Czech

Výsledky učení 

Po absolvování kurzu bude student schopen:

1. Vysvětlit principy mikroskopie se superrozlišením, zejména metod SMLM (např. STORM, PALM, DNA-PAINT) a strukturované iluminace (SIM), včetně základů tvorby obrazu ve fluorescenční mikroskopii.

2. Popsat vliv rozlišení a šumu na kvalitu mikroskopických dat a jejich kvantitativní analýzu.

3. Používat software FIJI/ImageJ pro zpracování mikroskopických dat, včetně základních operací, filtrací, prahování a vizualizace dat.

4. Provádět kvantitativní analýzu mikroskopických obrazů, včetně kolokalizační analýzy, statistického hodnocení a práce s histogramy a měřenými parametry.

5. Rekonstruovat data mikroskopie SIM pomocí nástrojů ve FIJI/ImageJ (např. fairSIM) a zvolit vhodné parametry rekonstrukce.

6. Analyzovat data mikroskopie lokalizace jednotlivých molekul (SMLM) pomocí nástrojů jako ThunderSTORM, včetně lokalizace, filtrování a renderování dat.

7. Aplikovat pokročilé metody kvantitativní analýzy SMLM dat, například kolokalizaci založenou na souřadnicích, analýzu nejbližších sousedů a Voronoiho teselaci.

8. Automatizovat zpracování obrazových dat pomocí maker ve FIJI/ImageJ a přizpůsobit analytické pracovní postupy konkrétním experimentům.

9. Používat nástroje pro segmentaci a klasifikaci obrazových dat, například ILASTIK nebo StarDist.

10. Dodržovat základní principy správy dat a FAIR principů při práci s obrazovými daty.

11. Samostatně zpracovat a analyzovat experimentální mikroskopická data pomocí specializovaného softwaru.

Last update: Burdíková Zuzana, Mgr., Ph.D. (25.02.2026)