Formation Image Analysis en Toronto

Cette formation en direct dans Toronto (en ligne ou sur place) s'adresse aux chercheurs et professionnels de laboratoire de niveau débutant à intermédiaire qui souhaitent traiter et analyser des images de tissus histologiques, de cellules sanguines, d'algues et d'autres échantillons biologiques. A l'issue de cette formation, les participants seront capables de :

• Naviguer dans l'interface Fiji et utiliser les fonctions principales d'ImageJ.
• Prétraiter et améliorer les images scientifiques pour une meilleure analyse.
• Analyser les images quantitativement, y compris le comptage des cellules et la mesure de la surface.
• Automatiser les tâches répétitives à l'aide de macros et de plugins.
• Personnaliser les flux de travail pour répondre aux besoins spécifiques d'analyse d'images dans la recherche biologique.

Fiji est un logiciel libre de traitement d'images qui regroupe ImageJ (un programme de traitement d'images multidimensionnelles scientifiques) et un certain nombre de plugins pour l'analyse d'images scientifiques. Au cours de cette formation, les participants apprendront à utiliser la distribution Fiji et le programme ImageJ sous-jacent pour créer une application d'analyse d'images. À l'issue de cette formation, les participants seront capables de :

• Utiliser les fonctions de programmation avancées et les composants logiciels de Fiji pour étendre ImageJ
• Assembler de grandes images 3D à partir de tuiles qui se chevauchent
• Mettre à jour automatiquement une installation de Fiji au démarrage en utilisant le système de mise à jour intégré
• Choisir parmi une large sélection de langages de script pour créer des solutions d'analyse d'images personnalisées.
• utiliser les puissantes bibliothèques de Fiji, telles que ImgLib, pour les grands ensembles de données d'imagerie biologique
• Déployer leur application et collaborer avec d'autres scientifiques sur des projets similaires.

Format du cours

• Exposé et discussion interactifs.
• Beaucoup d'exercices et de pratique.
• Mise en œuvre pratique dans un environnement live-lab.

Options de personnalisation du cours

• Pour demander une formation personnalisée pour ce cours, veuillez nous contacter.

Pattern Matching est une technique utilisée pour localiser des motifs spécifiques dans une image. Elle peut être utilisée pour déterminer l'existence de caractéristiques spécifiques dans une image capturée, par exemple l'étiquette attendue sur un produit défectueux dans une chaîne de production ou les dimensions spécifiées d'un composant. Elle diffère de la technique "Pattern Recognition" (qui reconnaît des modèles généraux basés sur des collections plus vastes d'échantillons apparentés) en ce sens qu'elle dicte spécifiquement ce que nous recherchons, puis nous indique si le modèle attendu existe ou non. Format du cours

• Ce cours présente les approches, les technologies et les algorithmes utilisés dans le domaine de la recherche de motifs, tels qu'ils s'appliquent à Machine Vision.

Scilab est un langage de haut niveau bien développé, gratuit et open source pour la manipulation de données scientifiques. Utilisée pour les statistiques, les graphiques et l’animation, la simulation, le traitement du signal, la physique, l’optimisation, etc., sa structure de données centrale est la matrice, simplifiant de nombreux types de problèmes par rapport à d’autres solutions telles que les dérivés FORTRAN et C. Il est compatible avec des langages tels que C, Java et Python , ce qui en fait un complément aux systèmes existants. Au cours de cette formation dirigée par un instructeur, les participants découvriront les avantages de Scilab par rapport à des alternatives telles que Matlab, les bases de la syntaxe Scilab , ainsi que certaines fonctions avancées et une interface avec d’autres langages largement utilisés, en fonction de la demande. Le cours se terminera par un bref projet axé sur le traitement d'images. À la fin de cette formation, les participants maîtriseront les fonctions de base et certaines fonctions avancées de Scilab , ainsi que les ressources nécessaires pour continuer à élargir leurs connaissances. Public

• Scientifiques et ingénieurs spécialisés dans les données, particulièrement intéressés par le traitement d'images et la reconnaissance faciale

Format du cours

• Partie conférence, partie discussion, exercices et exercices pratiques intensifs, avec un projet final