Biologia Computazionale

Jug Group

La ricerca condotta dal Jug Group sta spingendo i confini di ciò che l’analisi delle immagini e l’apprendimento automatico possono fare per quantificare i dati (immagini) biologici. Il denominatore comune di tali progetti è l’indiscutibile necessità di analizzare grandi quantità di dati di microscopia ottica senza causare quantità impossibili di gestione manuale dei dati ed elaborazione dei dati ai ricercatori di scienze della vita (ovvero i nostri utenti e collaboratori).

Da un punto di vista computazionale siamo interessati a (i) riduzione del rumore e restauro dell’immagine, (ii) segmentazione e tracciamento di oggetti e (iii) moduli di analisi per attività come rilevamento di oggetti, registrazione / deformazione di immagini nD, ecc.

Oltre allo sviluppo di nuove soluzioni algoritmiche e di apprendimento automatico, il Jug Group ha anche un forte accento sulla fusione di questi metodi in pacchetti software modulari e riutilizzabili. Questo lavoro avviene in larga misura nel contesto del software Fiji e della programmazione Python che è in continua evoluzione. Crediamo fermamente che il potere e la flessibilità della comunità di image.sc e il loro ricchissimo universo di soluzioni open source siano di un valore e un’utilità per la comunità delle scienze della vita in generale che difficilmente può essere sottovalutato.

Membri del gruppo

Pubblicazioni

  • 06/2020 - arXiv

    DivNoising: Diversity Denoising with Fully Convolutional Variational Autoencoders

    Deep Learning based methods have emerged as the indisputable leaders for virtually all image restoration tasks. Especially in the domain of microscopy images, various content-aware image restoration (CARE) approaches are now used to improve the interpretability of acquired data. But there are limitations to what can be restored in corrupted images, and any given method […]

  • 06/2020 - arXiv

    DenoiSeg: Joint Denoising and Segmentation

    Microscopy image analysis often requires the segmentation of objects, but training data for this task is typically scarce and hard to obtain. Here we propose DenoiSeg, a new method that can be trained end-to-end on only a few annotated ground truth segmentations. We achieve this by extending Noise2Void, a self-supervised denoising scheme that can be […]