Merci d'avoir envoyé votre demande ! Un membre de notre équipe vous contactera sous peu.
Merci d'avoir envoyé votre réservation ! Un membre de notre équipe vous contactera sous peu.
Plan du cours
Démarrage avec l'Écosystème Fiji & ImageJ
- Comprendre l'architecture de Fiji : noyau ImageJ, plugins et gestionnaire de mise à jour
- Installation, configuration de l'environnement et configuration des mises à jour automatiques au démarrage
- Navigation dans l'interface graphique : fenêtres, barres d'outils, gestion des stacks/séries et raccourcis clavier
- Formats scientifiques pris en charge : TIFF, OME-TIFF, ND2, LIF, HDF5 et standards de métadonnées
- Labo 1 : Installation de Fiji, configuration du gestionnaire de mise à jour pour les mises à jour automatiques, et navigation dans un jeu de données de microscopie de fluorescence multi-canaux
Traitement d'Images Fondamental & Analyse Quantitative
- Transformations de base : recadrage, rotation, mise à l'échelle et séparation des canaux
- Filtrage & amélioration : Gaussien, médian, CLAHE et techniques de réduction du bruit
- Segmentation & extraction de caractéristiques : seuillage, watershed, Gestionnaire ROI et analyse de particules
- Quantification : analyse d'histogramme, déconvolution de couleur, métriques de colocalisation et export statistique
- Labo 2 : Construction d'un pipeline d'analyse 2D/3D reproductible sur un jeu de données d'imagerie cellulaire d'échantillon et export de tables de mesures structurées
Scripting, Automatisation & Workflows Multi-Langages
- Éditeur de script Fiji : écriture, exécution, débogage et paramétrage des scripts
- Choix du bon langage : Python (PyImageJ/ImgLib2), JavaScript (Nashorn), Groovy et Beanshell
- Interface entre Fiji et les écosystèmes de calcul scientifique (NumPy, SciPy, pandas, scikit-image)
- Enregistrement de macro vs scripting : quand utiliser chacun et comment maintenir un code propre et réutilisable
- Labo 3 : Écriture d'un script Python pour traiter par lots un z-stack, extraire les métriques cellulaires et générer automatiquement des graphiques résumés & rapports CSV
Workflows Avancés : Imagerie 3D, Assemblage & Grands Ensembles de Données
- Travail avec des données bioimages multidimensionnelles : stacks virtuelles, chargement différé et gestion de la mémoire
- Bases de la microscopie par tuiles : modes d'acquisition, numérotation des tuiles et gestion du chevauchement
- Assemblage de grands ensembles de données 3D : utilisation de BigStitcher & TrakEM2 pour l'enregistrement et la fusion
- Optimisation des performances pour les environnements contraints en matériel (RAM, indications GPU, préparation au cloud)
- Labo 4 : Enregistrement et assemblage d'un ensemble de données simulé de microscopie 3D par tuiles et optimisation de l'utilisation de la mémoire pour un z-stack de >10 Go
Extension de Fiji : ImgLib2, Développement de Plugins & Déploiement
- Modèle de données ImgLib2 : tableaux N-dimensionnels, vues et opérations économiques en mémoire
- Construction d'algorithmes de traitement d'images personnalisés en utilisant les API ImgLib2 & ImageJ2
- Packaging de plugins : structure Maven, intégration UI et gestion des dépendances
- Partage & déploiement : création de sites de mise à jour locaux/mondiaux, conteneurs Docker et packages de recherche reproductibles
- Collaboration inter-équipes : standardisation des paramètres, contrôle de version pour les pipelines et partage inter-laboratoires
- Labo 5 : Développement d'un plugin personnalisé basé sur ImgLib2, test local et publication sur un site de mise à jour partagé
Reproductibilité, Meilleures Pratiques & Intégration de la Recherche
- Capture de la provenance : incorporation de scripts, paramètres et informations de version de Fiji dans les résultats
- Standards de métadonnées & principes FAIR pour les données d'images scientifiques
- Profiling, débogage et résolution des problèmes courants de goulots d'étranglement bioimage
- Ressources communautaires : documentation ImageJ/Fiji, forums, dépôts GitHub et écosystème de plugins
- Projet Final : Concevoir, scripter et documenter un workflow complet d'analyse d'images adapté à votre domaine de recherche
- Options de Personnalisation : Nous proposons des versions sur mesure centrées sur :
- Modalités d'imagerie spécifiques (confocale, super-résolution, microscopie électronique, etc.)
- Pipelines spécifiques au domaine (comptage cellulaire, colocalisation, morphométrie, etc.)
- Intégration avec l'infrastructure de laboratoire existante (Slurm, AWS, HPC local ou archives OME-TIFF)
Pré requis
- Compréhension générale des concepts de script ou de programmation
- Une familiarité avec Java est utile mais pas requise
- Un antécédent dans les disciplines scientifiques (par exemple, biologie, chimie, physique) est fortement recommandé
Audience
- Scientifiques & Chercheurs (biologie, science des matériaux, imagerie médicale, etc.)
- Analyseurs de Données & Développeurs travaillant avec la microscopie ou l'imagerie scientifique
- Gestionnaires de Laboratoire cherchant à standardiser les workflows d'analyse d'images
21 Heures
