フィジー：科学画像処理入門のトレーニングコース

フィジー & ImageJエコシステムとの出会い

• フィジーのアーキテクチャの理解：ImageJコア、プラグイン、および更新マネージャー
• インストール、環境設定、および起動時の自動更新の設定
• GUIのナビゲーション：ウィンドウ、ツールバー、スタック/シリーズの管理、およびキーボードショートカット
• サポートされている科学フォーマット：TIFF、OME-TIFF、ND2、LIF、HDF5、およびメタデータ標準
• ラボ演習1：フィジーのインストール、自動更新用の更新マネージャーの設定、およびマルチチャネル蛍光顕微鏡データセットのナビゲーション

コア画像処理 & 定量的分析

• 基本的な変換：切り抜き、回転、スケーリング、およびチャンネル分離
• フィルタリングと強化：ガウス、中央値、CLAHE、およびノイズ低減技法
• セグメンテーションと特徴抽出：しきい値処理、ウォータシェッド、ROIマネージャー、および粒子分析
• 定量分析：ヒストグラム分析、色彩脱溶出、共局在性指標、および統計エクスポート
• ラボ演習2：サンプル細胞画像データセット上で再現可能な2D/3D分析パイプラインを構築し、構造化された測定テーブルをエクスポートする

スクリプティング、自動化 & マルチ言語ワークフロー

• フィジーのスクリプトエディター：スクリプトの作成、実行、デバッグ、およびパラメータ化
• 適切な言語の選択：Python（PyImageJ/ImgLib2）、JavaScript（Nashorn）、Groovy、およびBeanshell
• フィジーを科学計算エコシステム（NumPy、SciPy、pandas、scikit-image）と連携させる
• マクロ記録とスクリプティング：それぞれを使用すべき場面と、クリーンで再利用可能なコードの維持方法
• ラボ演習3：Pythonスクリプトを使用してzスタックのバッチ処理を行い、細胞の指標を抽出し、要約プロットおよびCSVレポートを自動的に生成する

高度なワークフロー：3D画像、 stitching（結合）& 大規模データセット

• 多次元バイオイメージデータとの作業：仮想スタック、遅延読み込み、およびメモリ管理
• タイル顕微鏡の基礎：撮像パターン、タイル番号付け、およびオーバーラップ処理
• 大きな3Dデータセットの stitching（結合）：登録および結合のためのBigStitcher & TrakEM2の使用
• ハードウェア制約のある環境向けの性能最適化（RAM、GPUヒント、クラウド対応性）
• ラボ演習4：模擬されたタイル状の3D顕微鏡データセットを登録・結合し、>10GBのz-stackのメモリ使用量を最適化する

フィジーの拡張：ImgLib2、プラグイン開発 & デプロイメント

• ImgLib2データモデル：N次元配列、ビュー、およびメモリ効率的な操作
• ImgLib2 & ImageJ2 APIを使用したカスタム画像処理アルゴリズムの構築
• プラグインのパッケージング：Maven構造、UI統合、および依存関係管理
• 共有 & デプロイメント：ローカル/グローバル更新サイトの作成、Dockerコンテナ、および再現可能な研究パッケージの作成
• チーム間の協力：パラメータの標準化、パイプラインのバージョン管理、およびラボ間での共有
• ラボ演習5：カスタムImgLib2ベースのプラグインを開発し、ローカルでテストしてから、共有更新サイトに公開する

再現性、ベストプラクティス & 研究への統合

• 由来情報の取得：スクリプト、パラメータ、およびフィジーのバージョン情報を結果に埋め込む
• 科学画像データのためのメタデータ標準およびFAIR原則
• プロファイリング、デバッグ、および一般的なバイオイメージのボトルネックのトラブルシューティング
• コミュニティリソース：ImageJ/Fijiのドキュメント、フォーラム、GitHubリポジトリ、およびプラグインエコシステム
• 最終プロジェクト：貴方の研究ドメインに特化した完全な画像分析ワークフローを設計、スクリプト化、文書化する
• カスタマイズオプション：私たちは以下に焦点を当てた個別バージョンを提供します：
  • 特定の撮像モダリティ（共焦点、超解像、電子顕微鏡など）
  • ドメイン固有のパイプライン（細胞数え上げ、共局在性、形態計測など）
  • 既存のラボインフラストラクチャとの統合（Slurm、AWS、ローカルHPC、またはOME-TIFFアーカイブ）