Cuadernos de Análisis de Bioimágenes#

Esta colección de cuadernos jupyter de Python está escrita para principiantes en Python interesados en analizar imágenes tridimensionales de células, tejidos, organoides y organismos adquiridas con microscopios de fluorescencia modernos. Los principios básicos se demuestran con datos de imágenes bidimensionales y ejemplos más sofisticados se aplican a datos de imágenes tridimensionales y conjuntos de datos de lapso de tiempo. Este libro está escrito para biólogos, bioquímicos y biofísicos. Introducimos el lenguaje técnico que utilizan los científicos de la computación y los científicos de datos al describir la segmentación de imágenes, la computación científica y la ciencia de datos de imágenes. Si ves margen de mejora, por favor crea un problema en github y/o considera contribuir.

Prólogo de la Edición en Español#

Este libro es una edición traducida automáticamente del original en inglés BioImageAnalysisNotebooks. Dado que la traducción fue generada por una inteligencia artificial (Ver código fuente) y fue poco curada, los contenidos deben ser tratados con la debida precaución. ¡Comentarios y sugerencias de mejora son siempre bienvenidos!

Estructura de este libro Jupyter#

Los capítulos de este libro cubren inicialmente los fundamentos de Python, procesamiento y análisis de imágenes. Posteriormente se cubren temas más avanzados incluyendo aprendizaje automático y estadísticas. El orden de los capítulos refleja los flujos de trabajo típicos de análisis de imágenes, comenzando con la visualización de imágenes, filtrado y segmentación, seguido de extracción de características, manipulación de datos tabulares, estadísticas, trazado y visualización de datos. Al comienzo de cada capítulo, se introduce la terminología básica y se presentan las instrucciones de instalación de las bibliotecas de Python requeridas en este capítulo. Los cuadernos pretenden ser autocontenidos, autoexplicativos y totalmente reproducibles. Por lo tanto, el lector puede descargar este libro Jupyter y ejecutar todos los cuadernos tal como están. Como requisito general, debe haber un entorno conda presente en el ordenador del lector, como se explica en el primer capítulo.

Bibliotecas de Python cubiertas#

Los cuadernos cubren temas básicos de Python y luego transitan hacia bibliotecas estándar para procesamiento de imágenes como scikit-image, scipy y numpy. En los temas avanzados hacemos un uso creciente de bibliotecas con aceleración GPU como pyclesperanto y apoc. A medida que el contenido se desplaza hacia el procesamiento de imágenes biológicas tridimensionales y el análisis cuantitativo específico de las ciencias de la vida, hacemos un mayor uso de bibliotecas de código abierto personalizadas mantenidas por nosotros y nuestros colaboradores.

GPT de Análisis de Bioimágenes#

Esta colección de cuadernos Jupyter sirve para crear el GPT de Análisis de Bioimágenes, un chatbot basado en chatGPT especializado en Análisis de Bioimágenes usando Python.

Trabajos relacionados#

Esta no es la primera colección de cuadernos Jupyter de Python y materiales de enseñanza centrados en el Análisis de Bioimágenes y campos relacionados. Hay otros recursos asombrosos, de los que también hemos aprendido. Además, también hemos producido materiales anteriormente que están disponibles en línea y ciertamente se superpondrán con este libro Jupyter.

Recursos escritos#

Para los lectores que prefieren tutoriales escritos y cuadernos Jupyter de Python ejecutables, la siguiente lista de recursos puede ser de interés.

Videos#

Centrándose en una variedad de temas, hay YouTubers que suben videos sobre microscopía, análisis de bioimágenes, programación en Python y estadísticas.

Origen del material#

Este repositorio contiene cuadernos Jupyter recopilados de múltiples fuentes. Se mantienen aquí para producir materiales de curso con relaciones más optimizadas entre contenidos. En caso de que estés interesado en temas específicos, es posible que encuentres materiales más recientes en los repositorios de origen.

Preguntas y respuestas#

Si quieres discutir las lecciones de este libro Jupyter, tienes comentarios y/o sugerencias, por favor abre un hilo en image.sc y etiqueta a @haesleinhuepf.

Agradecimiento / Acknowledgements#

We also thank authors who shared their teaching materials openly so that we could reuse and modify them:

  • Anna Poetsch, Biotec, TU Dresden

  • Dominik Waithe, University of Oxford

  • Guillaume Witz, University of Bern

  • Johannes Müller, PoL, TU Dresden

  • Laura Žigutytė, PoL, TU Dresden

  • Pete Bankhead, University of Edinburgh

  • Ryan George Savill, MPI-CBG Dresden / PoL, TU Dresden

We want to acknowledge the people who produced the images we are using for demonstration purposes in this Jupyter book.

  • Alba Villaronga Luque, MPI-CBG Dresden

  • Alexandr Khrapichev, University of Oxford, UK

  • Anne Carpenter, Broad Institute, Boston, MA, United States

  • Anne Esslinger, Alberti Lab, MPI-CBG, Germany

  • Daniela Vorkel, Myers Lab, MPI-CBG / CSBD, Dresden, Germany

  • David Legland, INRAE, UR BIA, Nantes, France

  • Jean-Karim Hériché, Cell Biology/Biophysics Unit, EMBL Heidelberg, Germany

  • Jesse Veenvliet, MPI-CBG Dresden

  • Mauricio Rocha Martins, Norden Lab, MPI-CBG, Germany

  • Nasreddin Abolmaali, OncoRay, TU Dresden, Germany

  • Sascha M. Kuhn, Nadler Lab, MPI-CBG Dresden, Germany

  • Theresa Suckert, OncoRay, University Hospital Carl Gustav Carus, TU Dresden

  • Tony Collins, the creator of ImageJ for Microscopy

We acknowledge support by the Deutsche Forschungsgemeinschaft under Germany’s Excellence Strategy—EXC2068–Cluster of Excellence Physics of Life of TU Dresden. This project has been made possible in part by grant numbers 2021-240341, 2021-237734 and 2022-252520 from the Chan Zuckerberg Initiative DAF, an advised fund of the Silicon Valley Community Foundation. We acknowledge the financial support by the Federal Ministry of Education and Research of Germany and by Sächsische Staatsministerium für Wissenschaft, Kultur und Tourismus in the programme Center of Excellence for AI-research „Center for Scalable Data Analytics and Artificial Intelligence Dresden/Leipzig“, project identification number: ScaDS.AI

License#

All contents of this Jupyter book and the corresponding Github repository are licensed CC-BY 4.0 and BSD3 by the authors and contributors, unless mentioned otherwise.

Contributing#

Please see our CONTRIBUTING guide for details.