三天，LOCI在麦迪逊接待了Trainable Segmentation收集了伊格纳西奥·阿尔甘达-卡雷拉斯博士（Ignacio Arganda-Carreras博士），举办了迷你hackathon。一你不知道可训练分割是什么：它提供了一种将先进的机器学习技术实现图像分割的图形方式。
在本次黑客马拉松期间，伊格纳西奥举办了一场广受好评的研讨会，介绍了基础技术，并教授如何通过斐济的一种脚本语言以高级方式使用它。
由于许多科学家都依赖和可训练分割（令我印象深刻，它显然已经在记录文章已发表的论文中使用，甚至在可训练分割论文发表之前，表明有利于向相关多的人公开您的研究！），我们添加了一些单元测试。这些测试以Java代代码的形式实现，生成测试图像结果与已知良好的图像进行比较，只要斐济的来源发生代码更改，它们就可以由ImageJ Jenkins server更改执行。这样，即使我们进行了大量更改，我们也合理地确定该插件仍然可以执行预期的操作。
我们仍然有一个取得进展的全新想法：使训练分割可扩展。这到底是什么意思？
可分割训练插件的工作原理是计算每个像素的多个特征。这样的特征可能是补充为 5 的高斯曲线，或者 x 方向的导数。但图像实际上，特征可以是任何处理过滤器。对于每个坐标，这些数字加上原始像素值形成了这样的特征管理。给出了另外的特征管理，例如背景、细胞和细胞内部，学习机器尝试在高维特征空间中找到与类别相关应的核心。
通常，最常见的图像处理滤波器的组合形成了特征空间的良好基础，以区分不同的感兴趣类别。
然而，有时，您需要使用高度专业化的过滤器来增强该特征空间，例如Tubeness或非标准小波滤波器，可以更轻松地可靠地分割数据。
这就是我们工作的切入点：与 ImageJ2 命令类似，程序员将能够实现自己的功能以与训练可分割一起使用。
它所需要的只是符合一个简单的接口并添加一个注释（不用担心，一旦完成，我们将提供一个非常简单的教程，介绍如何实现您自己的功能）。然后，只需将您的 .jar 文件放入 jars/ 文件夹中（您甚至可以在您自己的更新站点上提供这些文件！）。不需要配置文件，更不用说对可训练分割本身进行更改。
因此，如果您想提出一种强大的算法，可以更轻松地对感兴趣的对象进行分类，那么只需几十个工作就可以将算法封装为一个特征（或多个特征）包含在可训练分割中。
我们开始做其他事情：我们确定需要更改ImgLib2支持的位置。
由于 ImgLib2 的接口驱动设计，很容易封装任何数据结构（例如 Icy’s、Alida’s、ImageJ 1.x’ 等）符合 ImgLib2 的接口，因此所有与 ImgLib2 接口一起实现的算法都可以在所有上述数据结构上运行。
因此，一旦将可训练分割移植到 ImgLib2 结构上，就会变得更加有用：将不再局限于ImageJ 1.x！
总而言之，这是一次非常富有成效的黑客马拉松！
