4EU+ Advanced image analysis with focus on - ImageJ, Arivis Vision 4D, SVI Huygens - MB100T01

• Anglický název: 4EU+ Advanced image analysis with focus on - ImageJ, Arivis Vision 4D, SVI Huygens
• Český název: 4EU+ Pokročilá analýza obrazu se zaměřením na software - ImageJ, Arivis Vision 4D, SVI Huygens
• Zajišťuje: Sekce biologie (31-101)
• Fakulta: Přírodovědecká fakulta
• Platnost: od 2024
• Semestr: zimní
• E-Kredity: 4
• Způsob provedení zkoušky: zimní s.:
• Rozsah, examinace: zimní s.:1/3, Z+Zk [DS]
• Počet míst: 20
• Minimální obsazenost: neomezen
• 4EU+: ano
• Virtuální mobilita / počet míst pro virtuální mobilitu: ne
• Kompetence: 4EU+ Flagship 4
• Stav předmětu: vyučován
• Jazyk výuky: angličtina
• Poznámka: povolen pro zápis po webu; předmět má cyklickou výuku
• Garant: Mgr. Zuzana Burdíková, Ph.D.
• Vyučující: Mgr. Zuzana Burdíková, Ph.D.; Ing. Martin Schätz, Ph.D.; Mgr. Zdeněk Švindrych, Ph.D.

Anotace

čeština

Tento kurz poskytuje komplexní úvod do pokročilé analýzy bioobrazu se zaměřením na klíčové softwarové nástroje, jako jsou ImageJ, MIB, Arivis Vision 4D a SVI Huygens. Prostřednictvím teoretických lekcí a praktických cvičení se účastníci naučí základní a pokročilé koncepty v analýze obrazu, včetně tvorby obrazu, segmentace, detekce objektů, hodnocení kolokalizace a dekonvoluce. Zvláštní důraz je kladen na integraci umělé inteligence a nástrojů hlubokého učení pro zpracování bioobrazu.

Poslední úprava: Sacherová Veronika, RNDr., Ph.D. (19.02.2025)

angličtina

This course provides a comprehensive introduction to advanced bioimage analysis, focusing on key software tools such as ImageJ, MIB, Arivis Vision 4D, and SVI Huygens. Through theoretical sessions and hands-on exercises, participants will learn fundamental and advanced concepts in image analysis, including image formation, segmentation, object detection, colocalization assessment, and deconvolution. Special emphasis is placed on the integration of artificial intelligence and deep learning tools for bioimage processing.

Poslední úprava: Sacherová Veronika, RNDr., Ph.D. (19.02.2025)

Požadavky ke zkoušce

čeština

Pro závěrečné hodnocení účastníci připraví individuální projekt, který prokáže jejich schopnost navrhnout a popsat pracovní postup analýzy bioobrazu. Projekt bude obsahovat několik částí. 1. Definice výzkumné otázky – Jasně uveďte biologický problém, který má být analyzován. 2. Vyzvedněte si datovou sadu a software – Vyberte si z poskytnutých datových sad nebo použijte vlastní. 3. Navrhněte postupný pracovní postup pro analýzu obrazu pro řešení zadaného úkolu.

Poslední úprava: Sacherová Veronika, RNDr., Ph.D. (19.02.2025)

angličtina

For the final assessment, participants will prepare an individual project that demonstrates their ability to design and describe a bioimage analysis workflow.

The project will contain several parts.

1. Definition of a research question – Clearly state the biological problem to be analyzed.
2. Pick up a dataset and software - Choose from provided datasets or use your own.
3. Design a step-by-step workflow for image of image analysis to solve the given task.

Poslední úprava: Sacherová Veronika, RNDr., Ph.D. (19.02.2025)

Sylabus

čeština

Den 1 - Základy analýzy bioobrazů
Úvod do analýzy bioobrazů
● Co je analýza bioobrazů?
● Klíčové vlastnosti a aplikace
Základní pojmy
● Pixely/voxely, bitová hloubka, dynamický rozsah
● Rozlišení, vzorkování a artefakty obrazu
Přehled softwarových nástrojů pro analýzu bioobrazů
Základy zpracování obrazu
● Běžné kroky v segmentaci objektů
● Klasické přístupy strojového učení: Trénovatelná segmentace Weka
● Metody detekce objektů: Watershed a analýza spojených komponent
Případová studie: Reprodukovatelnost v analýze bioobrazů
● Porovnání ručního a automatizovaného počítání objektů
Úvod do umělé inteligence v analýze bioobrazů

Den 2: Zpracování rozsáhlých mikroskopických dat
Předzpracování dat (nejen) z objemové elektronové mikroskopie (VEM)
● Skládání a zarovnání obrazových stohů pomocí TrackEM ve FIJI
Úvod do prohlížeče mikroskopických obrazů (MIB)
● Vstup/výstup obrazů, konverze bitové hloubky, filtrování, zarovnání a skládání
Strategie segmentace v MIB
● Část I: Vrstvy, shlukování superpixelů a segmentace pomocí GraphCut
● Část II: Nástroje hlubokého učení (DeepMIB, Segment Anything Model)

Den 3: Pracovní postupy analýzy bioobrazů s ArivisPro
První kroky s ArivisPro
Práce s rozsáhlými obrazovými datovými soubory
● Třídění dlaždic a skládání
Mikroskopie světelných paprsků: Úvod a aplikace
Pracovní postupy 3D segmentace
● Segmentace na bázi strojového učení
● Pipeline pro vyhledávání blobů
● Nástroj Magic Wand pro segmentaci
3D sledování objektů a vizualizace
Analýza kolokalizace v ArivisPro (teorie a praktická část)

Den 4: Deconvoluce obrazu a vizualizace dat
Principy deconvoluce obrazu
● Teorie za deconvolucí
● Praktické cvičení s využitím SVI Huygens
Vizualizace dat a reportování
● Nejlepší praxe pro prezentaci výsledků
● Praktická část s využitím Pythonu (Pandas, Matplotlib, Seaborn) a Google Colab

Den 5: Nové trendy v analýze bioobrazů
Komunity a spolupráce v oblasti analýzy bioobrazů
Hluboké učení v analýze bioobrazů
● Úvod do nástrojů řízených AI
● Noise2Void pro odstraňování šumu z obrazů
● StarDist pro segmentaci hvězdně-konvexních objektů
● Praktická část

Poslední úprava: Sacherová Veronika, RNDr., Ph.D. (19.02.2025)

angličtina

Day 1 - Fundamentals of Bioimage Analysis

Introduction to Bioimage analysis

●     What is Bioimage analysis?

●     Key features and applications

Basic concepts

●     Pixels/voxels, bit depth, dynamic range

●     Resolution, sampling, and image artifacts

Overview of software tools for Bioimage analysis

Image processing fundamentals

●     Common steps in object segmentation

●     Classical machine learning approaches: Trainable Weka Segmentation

●     Object detection methods: Watershed and Connected Components Analysis

Hands-on case study: Reproducibility in Bioimage analysis

●     Comparing manual vs. automated object counting

Introduction to AI in Bioimage analysis

Day 2: Processing Large-Scale Microscopy Datasets

Pre-processing of (not only) volume electron microscopy (VEM) data

●     Stitching and stack alignment using FIJI's TrackEM

Introduction to Microscopy Image Browser (MIB)

●     Image I/O, bit depth conversion, filtering, alignment, and stitching

Segmentation strategies in MIB

●     Part I: Layers, superpixel clustering, and GraphCut segmentation

●     Part II: Deep learning tools (DeepMIB, Segment Anything Model)

Day 3: Bioimage Analysis workflows with ArivisPro

First steps with ArivisPro

Handling large image datasets

●     Tile sorting and stitching

Lightsheet Microscopy: Introduction and applications

3D segmentation workflows

●     Machine learning-based segmentation

●     Blobs finder pipeline

●     Magic Wand tool for segmentation

3D Object Tracking & Visualization

Colocalization analysis in ArivisPro (theory & hands-on)

Day 4: Image deconvolution & Data visualization

Principles of Image Deconvolution

●     Theory behind deconvolution

●     Hands-on practice using SVI Huygens

Data Visualization & Reporting

●     Best practices for presenting results

●     Hands-on session using Python (Pandas, Matplotlib, Seaborn) and Google Colab

Day 5: Emerging Trends in Bioimage Analysis

Bioimage analysis communities & collaboration

Deep learning in Bioimage analysis

●     Introduction to AI-driven tools

●     Noise2Void for image denoising

●     StarDist for star-convex object segmentation

●     Hands-on practice

Poslední úprava: Sacherová Veronika, RNDr., Ph.D. (19.02.2025)