Interactive Open-source Image Analysis and Scientific Plotting Workshop
Notice bibliographique
Résumé
In recent years, increasingly sophisticated Python tools have become available for otherwise tedious, manual image analysis tasks. At the same time, it is becoming increasingly difficult for non-specialized Python-programmers to gain access to these methods, as there is often little standardization and interoperability between projects. In that circumstance, napari has taken the stage, offering advanced multidimensional image data visualization and simple creation of graphical user interfaces for image analysis workflows. Our workshop aims to make end users familiar with the napari viewer itself and its plugin ecosystem. This includes a tour through napari's visualization layers as well as a collection of interoperable tools for image machine-learning-driven segmentation, feature extraction and unsupervised-machine learning methods for feature exploration. More specifically, we will show how to open n-dimensional data in napari, how to perform semantic and instance segmentation, how to extract features from objects in different channels, how to use these features to classify these objects, and finally how to save and plot these results with open-source libraries/software. The workshop aims at life scientists and facility staff members who wish to improve their proficiency in image visualization, image analysis and graph plotting with napari plugins and other open-source tools. Our workshop will make attendants more confident and proficient in developing modern image analysis workflows using open-source tools. Knowledge in Python is recommended, but not required.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,004 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,007 | 0,009 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,178 | 0,118 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».