Josh Dorlington já é bom em observar as corredeiras. Ele desenhou um rio de ar de fluxo rápido em diferentes alturas atmosféricas e colocou os gráficos lado a lado. O físico atmosférico Dorlington, da Universidade de Oxford, no Reino Unido, disse: "Você será muito bom em observar todas essas seções e calcular seu significado". No entanto, essa abordagem "manual" é mais lenta e "menos interativa" do que a visualização computadorizada.
Portanto, quando se trata de visualizar eventos de bloqueio atmosférico, isto é, a massa de ar de alta pressão estática desvia as corredeiras e causa eventos climáticos extremos, Dorlington tentou outro método. Usando o visualizador de imagens napari, ele usou animações 3D para criar riachos que fluíam pelo hemisfério norte-geralmente, mas nem sempre, sincronizados entre si. "Uma tarde, passei muito tempo trabalhando juntos, e tive uma breve impressão visual das corredeiras de baixo nível e alto nível do Atlântico!" Ele enviou um Twitter em agosto.
O napari é um visualizador de imagens gratuito, de código aberto e escalável que permite visualizar quaisquer dados complexos ("n-dimensionais") que estejam fortemente acoplados à linguagem de programação Python (consulte napari.org). É a ideia do microscópio Leoy Royer, do Centro de Biologia Chen Zuckerberg, em San Francisco, Califórnia; Juan Nunez-Iglesias, que desenvolve análise de imagens na Monash University, em Melbourne, Austrália; E Nicholas Sofronev, chefe da equipe de tecnologia de imagem da Iniciativa Chen Zuckerberg (CZI) em Redwood City, Califórnia.
A equipe criou o software em 2018 para preencher a lacuna no ecossistema científico do Python. Embora o Python seja uma linguagem comum para computação científica, ele não possui uma ferramenta de visualização que possa manipular conjuntos de dados n-dimensionais. Portanto, a análise de dados geralmente requer operações pesadas de ida e volta entre o Python e outras ferramentas, como o pacote de análise de imagens baseado em Java ImageJ, porque os pesquisadores alternadamente manipulam seus dados e os visualizam para ver o que aconteceu..
Ten computer codes that transformed science
napari — the name refers to a Pacific island village midway between the developers’ bases in San Francisco and Melbourne — features a simple graphical interface with a built-in Python console in which images can be rendered, rotated and manipulated in 2D or 3D, with additional dimensions, such as the succession of temporal ‘slices’ in a time series, accessible using sliders beneath the image window. Se houver, você pode usar unidades de processamento gráfico para acelerar o software. Royer explicou: "Nós garantimos que realmente aproveitamos as capacidades dos computadores". (Os usuários do ImageJ também podem usar o PyimageJ para trabalhar em Python; Veja pypi.org/project/pyimagej).
Camadas como o Adobe Photoshop permitem sobrescrever pontos, vetores, rastros, superfícies, polígonos, anotações ou outras imagens. Por exemplo, os pesquisadores podem abrir uma imagem de tecido no napari, clicar no mouse para identificar o núcleo, recuperar esses pontos no Python e usá-los para "semear" um algoritmo de segmentação de células que identifica os limites das células. Os resultados são então empurrados para o napari como uma nova camada na imagem original, e eles podem avaliar o efeito do processo de segmentação.
Xavier Casas Moreno, físico aplicado do Instituto Real de Tecnologia de Estocolmo, incorporou o napari em um sistema de controle de instrumentos chamado ImSwitch, que construiu para controlar o microscópio de super-resolução de seu laboratório. Com camadas, os pesquisadores podem sobrepor imagens tiradas por várias câmeras e sensores de diferentes ângulos.“Este é um desafio que não conseguimos resolver antes”, disse Moreno. O ImSwitch tem um painel de controle napari personalizado ou um widget que permite que os usuários se movam em relação a outra imagem para alinhá-los.
Os usuários também podem estender o napari usando plug-ins: Mais de 100 tipos estão disponíveis na macauhub (ver napari-hub.org). Estes incluem plugins para leitura e gravação de arquivos, controle de microscópio e segmentação de células. Carsen Stringer, neurocientista computacional do Centro de Pesquisa Janelia do Howard Hughes Medical Institute, perto de Ashburn, Virgínia, criou um plugin de segmentação celular chamado CellPose, que pode ser usado através de uma interface gráfica simples para usar as poderosas funções do algoritmo de aprendizado profundo do Python. Stringer e seus colegas usaram gestos celulares para medir a expressão gênica e as células sinalizadoras de cálcio no tecido nervoso.
Robert Haas, que desenvolveu a análise de imagens biológicas na Universidade de Tecnologia de Dresden, na Alemanha, construiu vários plugins para o Napari. Isso inclui um de seus assistentes de py-clEsperanto, projetado para acelerar o processamento de imagens e eliminar barreiras de linguagem de programação entre diferentes sistemas de visualização de imagens, bem como um jogo chamado natari, que é uma colaboração entre os desenvolvedores de jogos de vídeo para remover as células do jogo.
NatureTech hub
Nunez-Iglesias has even written a plug-in that allows users to control napari through a music instrument digital interface (MIDI) board, which typically would be used to tailor digital audio output. Em uma demonstração em vídeo, o Nunez-Iglesias combina o controlador MIDI e o iPad da Apple, dividindo manualmente as células desenhando imagens em um tablet com uma caneta Apple e movendo-as de outra camada no controlador MIDI.“Eu prefiro controladores de hardware e feedback físico em comparação com a interface de usuário virtual”, explicou ele.
Na versão 0.4.12, o napari ainda está em desenvolvimento e é apoiado pelo Programa de Imagens Científicas CZI, o país anfitrião do Centro de Napari, e fornece vários funcionários para o projeto, bem como código fornecido por muitos desenvolvedores da comunidade científica. A CZI também destinou US $1 milhão para apoiar o programa de concessão do acelerador de plugin napari: 41 prêmios foram anunciados no mês passado.
Os principais objetivos de desenvolvimento incluem melhor instalação, documentação, interfaces de plug-in e processamento de grandes conjuntos de dados 3D. Nunez-Iglesias disse que alguns experimentos, como estudos de neuroconectividade, produziram conjuntos de dados tão grandes que o software foi lento para rastrear. Ele disse que o esquema de "carregamento preguiçoso" para carregar dados sob demanda deve aliviar esse gargalo.
Nunez-Iglesias estima que a base de usuários da Napari é "milhar". Ela cresce muito rapidamente, mesmo em não-microscópios. Por exemplo, os usuários demonstraram aplicações em geofísica e biologia estrutural. DeepLabCut é uma ferramenta popular para capturar posturas de movimento animal e anunciou planos para substituir seu visualizador por Napari.
Hung-Yi Wu, um biólogo sistemático que trabalhava na Harvard Medical School, em Boston, Massachusetts, resumiu a empolgação que o projeto está gerando em um Twitter em 2020. "@napari_imaging é fantástico", escreveu ele. "Eu me sinto como se estivesse usando o primeiro iPhone".
