Weblog
GloBIAS Launched!
Global Bioimage Analysts' Society (GloBIAS) officially launched on October 24th, 2024, aiming to promote a sustainable worldwide community of bioimage analysts. We registered the society in Austria. We compared the simplicity of the registration of a society in various countries, and the final choice was Austria. It was also that Gabriel Krens, the head of the imaging facility at the Institute of Science and Technology Austria (ISTA), kindly agreed to host the location of GloBIAS in his institute. We thank Gabriel tremendously for this generous support.
GloBIAS aims to support bioimage analysis experts, including analysts, software developers, and users of bioimage analysis. When we say “bioimage analysis”, it means “quantitative measurement of the parameters of biological systems using image data”. Nowadays, image data is more complex than what we generally perceive as “images” in our daily life. It is a form of data that captures the multidimensional state of biological systems. This means that the analysis of such data is beyond “image analysis” in the traditional sense - it is more about how we untangle that multidimensionality and come to some simpler view, looking at and understanding how biological systems are in operation. The future of this community is filled with many findings we have yet to know, and with excitement to explore the jungle of biological systems.
GloBIAS神戸 2025
欧州で2016年以来盛り上がってきた生物画像解析のネットーワークがNEUBIASですが、その後、パンデミックを挟んで「世界に広げよう」ということになり、2024年秋にGloBIAS(Global Bioimage Analysts' Society)が正式に発足しました。NEUBIASは純粋なネットワークで組織としての公的な登録はありませんでした。これでは成長と拡大には限界がある、ということになり学会を作るにいたったのです。さて、そのキックオフの最初の小さなミーティングは2024年秋にスウェーデンで行ったのですが、今年は神戸で数百人程度の大きなミーティングを行う予定です。このミーティングはNEUBIASの会議の形式を踏襲して、いろいろなスタイルのイベントが組み合わさったマルチプレックスなミーティングになっています。
https://bit.ly/GloBIAS2025-Kobe
これらのイベントについて少し解説します。
2025年10月26日から31日までの会議は前半と後半に別れています。場所は神戸のポートアイランドにある理研BDR。前半（26-29）は講習会、ハッカソン、タガソンが並行して開催されます。後半（29-31）はトーク中心のシンポジウムです。講習会に登録すると、後半のシンポジウムにも自動的に登録されます。講習会の人数は限定的なので、通常は後半のシンポジウムだけの登録になります。この場合、前半のハッカソンやタガソンに任意で参加することが可能です（強制ではありません）。
講習会 (Training School)：Python-napariを使った講習会になります。napariの開発チームがハッカソンをしている隣で（下記参照）、そのnapariを中心に使った講習会が行われるので、開発の中心人物が直接解説を講習会で行うことも含まれる予定です。
ハッカソン (Hackathon)：２つのグループがあります。これらへの参加にはそれなりのプログラミングの知識が必要です。 1) BIAFLOWとOmero-SSBDを繋げるうロジェクト 2) napariの開発プロジェクト（napariのコアチームが集結）
タガソン (Taggathon)：数年ぶりの開催になるので、その間に登場したさまざまな生物画像解析のツールやライブラリをBIII（https://biii.eu/）整理することが活動の中心になります。タガソンにプログラミングの知識は必要ありませんが、生物画像解析に関してある程度知識があることが求められます。
ハッカソンとタガソンは自由に往来可能ですが、講習会の参加者は全日講習会なので、ハッカソンやタガソンには時間的に参加できません。
シンポジウム (Symposium)：通常の学会のように招待のトークと、投稿アブストラクトの一部のトーク、及びポスターが中心ですが、Open Source Software Lounge (OSSL)という、生物画像解析のさまざまなオープンソースのツールの開発者がラップトップを持ち込んで参加者と自由に交流する企画や、参加者が課題を持ち込んでその場で他の参加者（猛者多数）たちに解決のアドバイスを貰うcall4helpといったほかでは見られない企画も同時開催します。また、パネルディスカッション形式での壇上での座談会も行います。
招待講演の対象は、ディープラーニングと画像解析、というテーマを中心に招待を行う感じになりそうです（最終的なリストはまだ決定していません）。ディープラーニングはもちろん、分節化の超有力な手法としてすでに画像解析で普通に使われているのですが、これからはさらに一歩進んで、システムの分析に使われることが普通になってゆくでしょう。「生物画像解析」なので画像ではあるのですが、人間が一瞥してなにかを知る、というような形式ではなく、解析をしてはじめてなにが起きているのかがわかる、という複雑な多次元データです。この解析には機械学習を援用してその複雑さを紐解く、という方法が最先端の方法であり、まだはじまったばかりのその新しい世界を垣間見よう、という内容になりそうです。
さて、というわけで、NEUBIASで恒例化したこうしたマルチプレックスな会議をヨーロッパの外でやるのは初の試みなのですが、理研の大浪研の方々を中心とするチームが大活躍でとても頑張ってくれていて開催準備は順調にすすんでおり、登録者の数は今のところ順調に伸びています。とはいえ、目下、日本国外からの登録が殆どで、日本国内からの登録がとても少なく（まじで少ない。。。）、日本で行う生物画像解析のイベントなのでちと残念に思っています。私も関わっている東アジアの生物画像解析ネットワークEABIAS(eabias.github.io) の発表などもあるので、この機会にメンバーと知り合い、加入することもできます。
登録締切は6/15です。というわけで、この投稿を見た方はぜひとも周囲の生物画像解析に関心の有りそうなかたにお知らせください。 https://bit.ly/GloBIAS2025-Kobe
[6/23 追記] 6/15以降もシンポジウムのみ（ポスターを含める）の参加は引き続き募集中です。この登録にはTaggathonやHackathonへの参加を希望する方も対象なので、希望者は登録の際に参加希望を選択してください。トレーニングスクールへの参加、口頭発表の参加は締め切りました。また、以降は支払いは登録と同時に行う必要があります。
型で実践する生物画像解析 ImageJ・Python・napari
編集と執筆を行った「型で実践する生物画像解析 ImageJ・Python・napari」が2025年3月に羊土社から出版されました。塚田さんとの共同編集はこれで3冊目になります。内容は中級者向けを目指していますが、Pythonに関しては初心者でも内容を習得できるような構成になっています。書店でみかけたらぜひ手に取ってご覧ください。
目次を以下、紹介します。
基礎編
- 序論 ―生物画像解析の枠組みを理解する 【三浦耕太】
- Jythonの基礎知識と書き方 【三浦耕太】
- napariの基礎知識と書き方 【黄 承宇】
- Google Colaboratoryの利用法 ―クラウドPythonプログラミング 【戸田陽介】
実践編
- 核膜に移行するタンパク質の動態の測定 【三浦耕太】
- 電子顕微鏡画像のミトコンドリア分節化と形状のクラスタリング解析 【河合宏紀】
- 腫瘍血管における3次元管状構造ネットワークの分析 【三浦耕太】
- 細胞移動を定量するための粒子追跡（トラッキング） 【塚田祐基】
- 細胞周期の蛍光プローブFucciの時系列データ解析 【平塚 徹】
- 甲殻類モデル生物Parhyale hawaiensisの脚再生過程の細胞動態解析 【菅原 皓】
- イネのデジタルカメラ画像によるバイオマス推定 【戸田陽介】
論文投稿編
- 画像解析の再現性チェックリストとGitHubの活用 【三浦耕太】
- 画像データリポジトリとデータベース ーそのしくみと活用法 【遠里由佳子，京田耕司，大浪修一】
発展編
- Micro-Managerによる顕微鏡制御 【土田マーク彰，塚田祐基】
- イメージングデータの次世代ファイルフォーマット 【京田耕司，大浪修一】
- 生物画像解析の専門家ネットワークとGloBIAS 【三浦耕太】
付録
- 分節化のための機械学習ツールのリスト 【塚田祐基，黄 承宇，平塚 徹，菅原 皓，戸田陽介，河合宏紀，遠里由佳子，京田耕司，三浦耕太】
- 英日対訳表
Bioimage Data Analysis Workflows ‒ Advanced Components and Methods
Since 2022, the third book from the NEUBIAS network has been available, with open access to all chapters. Enjoy!
Contents:
- Introduction (Nataša Sladoje and Kota Miura)
- Batch Processing Methods in ImageJ (Anna Klemm and Kota Miura)
- Python: Data Handling, Analysis and Plotting (Arianne Bercowsky Rama)
- Building a Bioimage Analysis Workflow Using Deep Learning (Estibaliz Gómez-de-Mariscal, Daniel Franco- Barranco, Arrate Muñoz-Barrutia and Ignacio Arganda-Carreras)
- GPU-Accelerating ImageJ Macro Image Processing Workflows Using CLIJ (Daniela Vorkel and Robert Haase)
- How to Do the Deconstruction of Bioimage Analysis Workflows: A Case Study with SurfCut. (Marion Louveaux and Stéphane Verger)
- i.2.i. with the (Fruit) Fly: Quantifying Position Effect Variegation in Drosophila Melanogaster (Bertrand Cinquin, Joyce Y. Kao and Mark L. Siegal)
- A MATLAB Pipeline for Spatiotemporal Quantification of Monolayer Cell Migration (Yishaia Zabary and Assaf Zaritsky)
Silicon AppleとGPU処理
MacBook Air (M1)でCLIJを使ったベンチマークをメモ。速度はCPUに比較して20倍から35倍の処理速度になる。 ベンチマークは開発のレポジトリにあるマクロをそのまま使った。三次元の平均フィルタ処理。自分で畳み込みのカーネルを作った場合には、差はあまりないが、二倍程度、早くなる。
https://github.com/clij/clij2-docs/blob/master/src/main/macro/benchmarking.ijm
CPU mean filter no 1 took 2687 msec CPU mean filter no 2 took 1759 msec CPU mean filter no 3 took 1959 msec CPU mean filter no 4 took 2253 msec CPU mean filter no 5 took 2557 msec CPU mean filter no 6 took 3406 msec CPU mean filter no 7 took 3526 msec CPU mean filter no 8 took 3722 msec CPU mean filter no 9 took 3520 msec CPU mean filter no 10 took 3419 msec Pushing one image to the GPU took 56 msec CLIJ2 GPU mean filter no 1 took 740 msec CLIJ2 GPU mean filter no 2 took 92 msec CLIJ2 GPU mean filter no 3 took 90 msec CLIJ2 GPU mean filter no 4 took 90 msec CLIJ2 GPU mean filter no 5 took 92 msec CLIJ2 GPU mean filter no 6 took 89 msec CLIJ2 GPU mean filter no 7 took 91 msec CLIJ2 GPU mean filter no 8 took 93 msec CLIJ2 GPU mean filter no 9 took 99 msec CLIJ2 GPU mean filter no 10 took 92 msec Preparing the convolution kernel in GPU memory took 43 msec CLIJ2 GPU mean filter using convolution no 1 took 1500 msec CLIJ2 GPU mean filter using convolution no 2 took 1471 msec CLIJ2 GPU mean filter using convolution no 3 took 1620 msec CLIJ2 GPU mean filter using convolution no 4 took 1551 msec CLIJ2 GPU mean filter using convolution no 5 took 1546 msec CLIJ2 GPU mean filter using convolution no 6 took 1588 msec CLIJ2 GPU mean filter using convolution no 7 took 1475 msec CLIJ2 GPU mean filter using convolution no 8 took 1489 msec CLIJ2 GPU mean filter using convolution no 9 took 1446 msec CLIJ2 GPU mean filter using convolution no 10 took 1551 msec CLIJ GPU mean filter no 1 took 1308 msec CLIJ GPU mean filter no 2 took 106 msec CLIJ GPU mean filter no 3 took 99 msec CLIJ GPU mean filter no 4 took 97 msec CLIJ GPU mean filter no 5 took 100 msec CLIJ GPU mean filter no 6 took 96 msec CLIJ GPU mean filter no 7 took 140 msec CLIJ GPU mean filter no 8 took 116 msec CLIJ GPU mean filter no 9 took 96 msec CLIJ GPU mean filter no 10 took 99 msec Pulling one image from the GPU took 2148 msec GPU: Apple M1 Memory in GB: 16 OpenCL version: 1.2