4EU+ Biological Engineering - ImageJ Intensive course - MB100P10

• Anglický název: Biological Engineering - ImageJ Intensive course
• Český název: Bioengineering - kurz ImageJ
• Podoba výuky: přednáška+cvičení
• Zajišťuje: Sekce biologie (31-101)
• Fakulta: Přírodovědecká fakulta
• Platnost: od 2024 do 2025
• Počet semestrů výuky: 1
• Semestr: letní
• E-Kredity: 3
• Způsob provedení zkoušky: letní s.:
• Rozsah, examinace: letní s.:1/2, Zk [HT]
• Počet míst: 20
• Maximální kapacita předmětu: 20
• Minimální obsazenost: neomezen
• 4EU+: ano
• Virtuální mobilita / počet míst pro virtuální mobilitu: ne
• Stav předmětu: vyučován
• Jazyk výuky: angličtina
• Poznámka: povolen pro zápis po webu
• Garant: Mgr. Ondřej Šebesta
• Vyučující: RNDr. Barbara Elsnicová, Ph.D.; Mgr. Roman Leontovyč, Ph.D.; RNDr. Jan Pačes, Ph.D.; Ing. Martin Schätz, Ph.D.; Mgr. Ondřej Šebesta

Anotace

čeština

Kurz poskytuje všeobecné pochopení užití open-source softwaru ImageJ pro analýzu vědeckých obrazů. Kurz
pokrývá vše od základního ovládání až po pokročilé psaní vlastních skriptů. Studenti se naučí vytvářet funkční
pracovní postupy analýzy. Kurz je určený všem od úplných začátečníků až po středně pokročilé. Kurz bude vyučován
v hybridním módu při maximálním počtu 20 studentů v osobní přítomnosti a víceméně neomezeném počtu
studentů online.

Poslední úprava: Sacherová Veronika, RNDr., Ph.D. (12.05.2023)

angličtina

This course will provide a comprehensive understanding of the usage of the open-source software ImageJ for
scientific image analysis. The course will cover everything from basic manipulations to custom scripting. Students
will learn how to create functional workflows for the analysis. The course is suitable for total beginners as well as
for intermediate users. The course will be held in hybrid mode for a maximum of 20 students in personal
attendance and virtually unlimited students online.

Poslední úprava: Sacherová Veronika, RNDr., Ph.D. (12.05.2023)

Literatura

čeština

ImageJ study

https://imagej.nih.gov/ij/docs/examples/index.html

Poslední úprava: Sacherová Veronika, RNDr., Ph.D. (12.05.2023)

Kontroly studia předmětu a podmínky pro jejich úspěšné vykonání, způsob hodnocení

čeština

Zkouška za zpracovaný projekt.

Poslední úprava: Sacherová Veronika, RNDr., Ph.D. (11.05.2023)

angličtina

Examination based on project report.

Poslední úprava: Sacherová Veronika, RNDr., Ph.D. (11.05.2023)

Sylabus

čeština

Lesson 1: Základy práce ve FIJI

Lesson 2: Příprava obrazových dat pro analýzu

Lesson 3: Základní měření a segmentace obrazu

Lesson 4: Machine learning techniky a pokročilé zpracování a segmentace obrazu

Lesson 5: CLIJ GPU accelerovaná analýza, osobní přizpůsobení a nastavení FIJI

Lesson 6: Úvod do makro jazyka, skriptování a dávkového zpracování dat

Lesson 7: Základy programování, psaní skriptů v makro jazyce

Lesson 8: Psaní vlastních skriptů dávkového zpracování dat

Lesson 9: Kolokalizační analýza

Lesson 10: Zpracování obrazových dat z pokročilých mikroskopických technik

Lesson 11: Zapojení FIJI v rozsáhlejších workflow, použití ve výpočetním klastru

Lesson 12: Prezentace studentských projektů

Poslední úprava: Sacherová Veronika, RNDr., Ph.D. (11.05.2023)

angličtina

Lesson 1: Image Formation in microscopy modalities, resolution and super-resolution, noise, image dimensions, file formats, workflows, image preprocessing, image restoration, image processing, segmentation, object classification, measurements, statistics, data visualization, data management, FIJI introduction.

Lesson 1: Basic image handling in FIJI

Lesson 2: Preparing images for analysis

Lesson 3: Basic measurements and image segmentation

Lesson 4: Machine learning techniques and advanced image processing and segmentation

Lesson 5: CLIJ GPU accelerated analysis, FIJI customization

Lesson 6: Introduction to macro language, scripting, and batch processing

Lesson 7: Programming fundamentals, writing scripts in macro language

Lesson 8: Writing custom scripts for batch analysis

Lesson 9: Colocalization analysis

Lesson 10: Advanced microscopy techniques analysis and image processing

Lesson 11: Implementation FIJI in large workflows, using imageJ in computing cluster

Lesson 12: Students projects presentation

Poslední úprava: Sacherová Veronika, RNDr., Ph.D. (12.05.2023)

Výsledky učení

čeština

Po absolvování předmětu student:

• Vysvětlí principy vzniku digitálního obrazu v mikroskopii, včetně klíčových parametrů jako je rozlišení, šum a bitová hloubka.

• Ovládá uživatelské rozhraní softwaru ImageJ/FIJI a používá nástroje pro kalibraci, vizualizaci a základní úpravy vícerozměrných obrazových dat.

• Zhodnotí kvalitu mikroskopických dat a aplikuje vhodné metody předzpracování (např. korekce pozadí, registrace obrazu) pro eliminaci artefaktů.

• Provede kvantitativní analýzu biologických snímků pomocí segmentace, klasifikace objektů a měření vymezených oblastí zájmu (ROI).

• Navrhne a vytvoří vlastní skripty v makro jazyce pro automatizaci analýzy a hromadné zpracování dat (batch processing).

• Sestaví komplexní analytické postupy (workflows) pro pokročilé úlohy, jako je kolokalizační analýza nebo zpracování dat z 3D mikroskopie.

Poslední úprava: Šebesta Ondřej, Mgr. (29.01.2026)

angličtina

Learning Outcomes

Upon completion of the course, the student will be able to:

• Explain the principles of digital image formation in microscopy, including key parameters such as resolution, noise, and bit depth.

• Navigate the ImageJ/FIJI user interface and utilize tools for calibration, visualization, and basic manipulation of multidimensional image data.

• Evaluate the quality of microscopy data and apply appropriate preprocessing methods (e.g., background correction, image registration) to eliminate artifacts.

• Perform quantitative analysis of biological images using segmentation, object classification, and measurement of regions of interest (ROI).

• Design and create custom scripts in the macro language to automate analysis and enable batch data processing.

• Construct complex analytical workflows for advanced tasks, such as colocalization analysis or 3D microscopy data processing.

Poslední úprava: Šebesta Ondřej, Mgr. (29.01.2026)