Pondělí Praktická cvičení Anotace Úloha 1. Úvod do práce se softwarem Surmon Cílem úlohy je ukázat účastníkům možnosti softwaru Surmon jako nástroje pro práci s daty. Jedná se o práci s pracovní plochou, ovládacími prvky prostředí a hlavně ukázku jednotlivých modulů. Dále se jedná o možnostech využití jednotlivých modulů, např. tabulku dat, vizualizaci pomocí grafů, nastavovací prvky, skriptování vlastních funkcí a hlavně modul zpracování obrazových dat. Způsob provedení: V rámci práce se softwarem Surmon si účastník vyzkouší tvorbu pracovních postupů (algoritmů) formou grafického programování. Cílem praktika bude prozkoumat možnosti prostředí pro zpracování různých druhů dat od tabulky, přes vizualizaci a skriptování až po obrazová data. Cvičící: Ing. Jakub Novák, ing. Jiří Hanousek, Bc. Jiří Palas
Pondělí Úloha 2: Jak využít základní matematické operace k zlepšení obrazu Pořízení obrazu s sebou nese řadu faktorů, které ovlivňují výsledný obraz. Je zapotřebí dodržovat například standardní podmínky osvětlení vzorku nebo kontrast. V opačném případě je kvalita pořízených dat nižší, a tím pádem je jejich další analýza nemožná nebo mnohem komplikovanější. Cílem práce je ukázat účastníkům základní metody práce s obrazem za účelem zlepšení kvality pořízených obrazových dat pro další analýzu. Způsob provedení: Účastníkům budou poskytnuta nejdříve testovací obrazová data obecná a dále testovací obrazová data z mikroskopu. Účastníci si vyzkouší použití jednotlivých metod z přednášek tak, jak by se tyto metody měly efektivně a chronologicky používat za účelem zisku optimálních výsledků. Naučí se, co to znamená fáze předzpracování obrazu. Mezi zmíněné metody patří převod obrazu do různých barevných prostorů, práce s jasovou částí obrazu a základní metody převodu obrazu na objekty a pozadí. Účastníci si vytvoří funkční grafické algoritmy zpracovávající zadání od načtení dat přes jejich zpracování jednotlivými metodami až po zobrazení výsledků. Cvičící: Ing. Jakub Novák, ing. Jiří Hanousek, Bc. Jiří Palas
Pondělí Úloha 3: Odstranění chyb vzniklých pořízením obrazu Mezi hlavní faktory ovlivňující pořízená obrazová data patří jas a kontrast. Cílem praktika je ukázat účastníkům jednoduché metody práce s tzv. převodní tabulkou (LUT) za účelem odstranění chyb vzniklých pořízením dat při nedodržení základních podmínek. Způsob provedení: V rámci praktika budou ukázány základní chyby vznikající při pořízení obrazu a možnosti jejich korekce či úplného odstranění. Účastníkům budou poskytnuta nejdříve testovací obrazová data obecná a dále testovací obrazová data z mikroskopu. Účastníci si vyzkouší použití jednotlivých metod z přednášek tak, jak by se tyto metody měly efektivně začlenit do postupu práce ve fázi předzpracování obrazu. Mezi zmíněné metody patří práce s jasovou oblastí obrazu s využitím převodní tabulky (LUT) pro zlepšení jasu či kontrastu obrazu, nebo použití tzv. gama korekce. Účastníci si vytvoří funkční grafické algoritmy zpracovávající zadání od načtení dat přes jejich zpracování jednotlivými metodami až po zobrazení výsledků. Cvičící: Ing. Jakub Novák, ing. Jiří Hanousek, Bc. Jiří Palas
Úterý Úloha 1: Subjektivní zlepšení obrazu a odstranění šumu Kromě základních metod existují další metody subjektivně zlepšující kvalitu obrazu. Použití těchto metod ve chvíli předzpracování obrazu výrazně zvyšuje úspěšnost následné analýzy obrazových dat z pohledu uživatele. Cílem práce je ukázat účastníkům další metody práce s obrazem za účelem subjektivního zlepšení kvality obrazových dat pro další analýzu. Způsob provedení: Účastníkům budou poskytnuta nejdříve testovací obrazová data obecná a dále testovací obrazová data z mikroskopu. Účastníci si vyzkouší použití jednotlivých metod z přednášek tak, jak by se tyto metody měly efektivně začlenit do postupu práce ve fázi předzpracování obrazu. Mezi zmíněné metody patří využití celé jasové škály pro zobrazení obrazu, zobrazení histogramu obrazu a práci s ním. Dále se jedná o metodu ekvalizace histogramu a jeho využití pro správné a efektivní nastavení parametrů dříve zmíněných metod za účelem dosažení lepších výsledků. Dále budou ukázány postupy pro odstranění drobných parazitních vlivů v obraze šumu. Účastníci si vytvoří funkční grafické algoritmy zpracovávající zadání od načtení dat přes jejich zpracování jednotlivými metodami až po zobrazení výsledků. Cvičící: ing. Jakub Novák, ing. Jiří Hanousek
Úterý Úloha 2: Využití metod segmentace k detekci částic Hlavními výhodami metod zpracování obrazu je tzv. segmentace obrazu, neboli jeho rozčlenění na dílčí části (segmenty). Nejjednodušší rozdělení je na části zajímavé (objekty) a části nezajímavé (pozadí). Cílem práce je ukázat účastníkům použití různých metod segmentace obrazu na odlišných obrazových datech, jejich výsledků a úspěšnosti při zvolení dané metody na konkrétních datech. Způsob provedení: V rámci praktika bude věnován čas na představení práce se softwarem Fiji. Dále si účastníci vyzkouší použití jednotlivých metod segmentace, které dané softwary nabízí. Dále si účastníci vyzkouší porovnání výsledků těchto metod. Jedná se o metody detekce hran a detekce oblastí, transformace watershed, Houghova transformace, srovnávání se vzorem, sledování hranice oblastí, aktivní kontury, level sets a další. Cvičící: Dr. Martin Čapek
Úterý Úloha 3: Řešení komplexní úlohy Práci s obrazovými daty lze rozdělit na části pořízení dat, předzpracování dat, segmentaci dat, následnou analýzu, vizualizaci a interpretaci výsledků a nakonec vytvoření reportu práce. Cílem praktika je provést účastníky celým procesem od začátku do konce s využitím znalostí a poznatků z předchozích cvičení. Způsob provedení: Účastníkům bude představena úloha, budou jim předána testovací obrazová data z mikroskopu a budou vedeni k vytvoření grafického funkčního algoritmu řešícího danou úlohu od začátku do konce dle struktury práce s obrazovými daty. U účastníků bude kladen důraz na samostatnou práci při tvorbě algoritmu z dříve vyzkoušených metod. Účastníci si nejen vytvoří funkční grafický algoritmus zpracovávající danou úlohu, ale vytvoří i report, ve kterém shrnou důvody použití jednotlivých metod a interpretují výsledky. Cvičící: Ing. Jakub Novák, ing. Jiří Hanousek
Středa Úloha 1: Objemová rekonstrukce, kolokalizace obrazů Cíle a způsob provedení: Vyrovnání jasu konfokálních obrazů s hloubkou, sešití obrazů dílčích zorných polí, vyrovnání jasu obrazů v ploše, lícování obrazů následných fyzických řezů, 3D vizualizace výsledku. Kolokalizace obrazů pomocí Fiji/JACoP a analýza výsledků. Cvičící: Dr. Martin Čapek
Středa Úloha 2: Stanovení pohyblivosti proteinů pomocí FRAP. Cíl úlohy: Stanovit pohyblivost (dynamiku) dvou membránových přenašečů fytohormonu auxinu v plazmatické membráně a kortikální cytoplazmě suspenzních buněk tabáku. Způsob provedení: Účastníci kurzu obdrží časovou sérii fluorescenčních snímků kortikální cytoplazmy suspenzních buněk tabáku, které indukovatelně exprimují fluorescenčně označené membránové přenašeče fytohormonu auxinu. Vedle kontrolních buněk budou poskytnuty série z buněk ovlivněných cytoskeletálními inhibitory. Mikroskopická scéna získaná na konfokálním laserovém skanovacím mikroskopu bude obsahovat buď příčný řez plazmatickou membránou oddělující dvě buňky anebo povrchový řez. V sérii bude vždy situace před vybělením, těsně po vybělení a v několika bodech během obnovy signálu. Cílem bude vyhodnotit průběh experimentu z hlediska přítomnosti signálu ve vybělené oblasti před, během a po vybělení. Referenční hodnoty budou představovat fluorescence v oblastech, ve kterých k vybělení nedošlo (k omezení vlivu vysvěcování během snímání FRAP), v oblasti pozadí (k nastavení poměru signál/šum) a celková fluorescence scény. Z průběhu křivky určíme zastoupení dynamické a statické frakce proteinu, určíme parametry křivky obnovy fluorescence a dále povahu buněčného kompartmentu, ze kterého přednostně k doplňování dochází. Vyhodnotíme, jak je rychlost FRAP závislá na strukturách cytoskeletu. Cvičící: Dr. Jan Petrášek
Středa Úloha 3: EM imunoznačení: detekce klastrování a kolokalizace Cíl úlohy: Seznámení účastníků se způsobem statistického hodnocení distribuce ultrastrukturálního imunoznačení na ultratenkých řezech pro jeden nebo vice antigenů (Philimonenko et al., 2000, http://nucleus.img.cas.cz/gold/). Způsob provedení: Hodnocení probíhá pomocí speciálních pluginů k software Ellipse. Kovové nanočástice na digitálních snímcích, pořízených pomocí TEM, jsou automaticky detekovány, rozděleny do kategorií podle velikostí, dále probíhá statistické hodnocení parametrů rozložení nanočástic. Výstupem jsou data ve formě grafů a statistických tabulek, která ukazují pro každý detekovaný antigen, zda se jedná o náhodné rozložení nebo dochází ke klastrování, a intervaly vzdáleností, na které se to vztahuje. Pro vzájemné rozložení dvou antigenů data ukazují, zda dochází ke statistické významné kolokalizaci, a v jakých intervalech vzdáleností. Cvičící: Dr. Vlada Phillimonenko
Čtvrtek Stereologie Úloha 1a: Odhad objemu mozku z 2D řezů metodou bodové mřížky a Cavalieriho principu Cíle úlohy: Pochopit principy stereologie a s pomocí bodové metody a Cavalieriho principu odhadnou objem mozku potkana Způsob provedení: Účastníkům bude vysvětlen princip bodové metody a Cavalieriho principu a náhodné přiložení bodové mřížky s pomocí tabulky náhodných čísel. Na obrazu sériových řezů mozku potkana si v Image J s využitím plug inu Lin Sys Cycloides odhadnou objem. Cvičící: Barbora Radochová Úloha 1b Odhad objemu mrkve z vlastnoručně vyrobených fyzických řezů a porování s měřením objemu v odměrném válci Cíle úlohy: Účastníci kurzu změří objem mrkve v odměrném válci, poté provedou odhad objemu bodovou metodou a Cavalieriho principem a oba výsledky porovnají Způsob provedení: Každý bude pracovat se svou vlastní mrkví. Po změření objemu mrkve v odměrném válci bude účastníkům vysvětlen princip systematicky rovnoměrně náhodného výběru řezů. Každý si mrkev nakrájí a na řezech pomocí fólie s bodovou mřížkou odhadne její objem. Cvičící: Barbora Radochová
Čtvrtek Stereologie Úloha 2a: Odhad povrchu mrkve ve 2D metodou vertikálních řezů Cíle úlohy: Pochopit princip metody vertikálních řezů a s jejím využitím odhadnou povrch mrkve Způsob provedení: Účastníkům bude vysvětlena metoda vertikálních řezů. Na obrazu s vertikálními řezy mrkve pak odhadnou pomocí programu Fiji a s využitím plug inu Lin Sys Cycloides (mřížka s cykloidami) a pravidel pro náhodné přikládání mřížky její povrch. Cvičící: Barbora Radochová Úloha 2b: Odhad počtu částic metodou disektoru Cíle úlohy: Pochopit princip metody počítání částic metodou disektoru a odhadnou hustotu částic (počet na objem) Způsob provedení: Účastníkům budou vysvětlena pravidla pro počítání částic ve 2D (Gundersenovo okénko) a 3D (disektor). Na obrazu optických řezů z konfokálního mikroskopu v Fiji poté účastníci odhadnou hustotu částic (počet na objem). Cvičící: Barbora Radochová
Pátek 3D analýza Úloha 1a: Počítání částic metodou disektor Cíle úlohy: Spočítat částice v 3D datovém objemu Způsob provedení: Pomocí pluginu Disector ve Fiji Cvičící: Jiří Janáček Úloha 1b: Měření objemu a plochy povrchu metodou Fakir Cíle úlohy: Změřit objem a plochu povrchu objektu v 3D datovém objemu Způsob provedení: Pomocí aplikace Fakir Cvičící: Jiří Janáček Úloha 1c: Měření délky metodou Slicer Cíle úlohy: Změřit délku vlákna v 3D datovém objemu Způsob provedení: Pomocí aplikace Slicer Cvičící: Jiří Janáček
Pátek 3D analýza Úloha 2a: Měření objemu 3D analýzou obrazu Cíle úlohy: Změřit objem objektu v 3D datovém objemu Způsob provedení: Filtrace, prahování a výpočet objemu ve Fiji Cvičící: Jiří Janáček Úloha 2b: Měření délky 3D analýzou obrazu Cíle úlohy: Změřit délku vlákna v 3D datovém objemu Způsob provedení: Filtrace, prahování, skeletonizace a výpočet délky ve Fiji Cvičící: Jiří Janáček