Sviluppo di un Sistema per il Tracking di Vescicole tramite Algoritmi di Video Processing in Ambienti Dockerizzati

In the modern era of science, open science and reproducibility are fundamental for the progress and reliability of research. This thesis fits into this context and focuses on the analysis of \textit{Live Immunofluorescence}, a biological laboratory technique used to visualize in real time the activity of proteins and cellular structures through the use of antibodies labeled with fluorophores. This technique allows to monitor the dynamic behavior of specific cellular components, allowing to study complex biological mechanisms in physiological conditions. The research proposes an innovative methodology based on automatic algorithms for \textit{edge detection} and advanced tracking through the implementation of the \textit{Kalman Filter}. This approach not only increases the accuracy of tracking, but also improves the speed and reproducibility of the analysis. The developed algorithm is integrated in a \textit{dockerized} environment, ensuring portability and ease of distribution, while a user interface based on \textit{Shiny} makes the application accessible even to users with basic computational skills. The project analyzes immunofluorescence videos acquired with a Leica microscope and aims to integrate the tracking algorithm into a larger project, called \textit{ORCA (Omni Reproducible Cell Analysis)}, an open-source software designed to facilitate semi-automated analysis of biological data. The goal of biological experiments is to precisely track vesicles inside cells to identify relevant patterns that can help to better understand cellular mechanisms and biological processes. Although significant progress has been made, current solutions cannot always handle complex situations due to the large amount of data available. Therefore, it was preferred to use image processing-based techniques, such as segmentation and filtering, rather than complex \textit{machine learning} algorithms, which, due to the large amount of data, would be unsuitable for the purpose.

Nell'era moderna della scienza, l'open science e la riproducibilità sono fondamentali per il progresso e l'affidabilità della ricerca. Questa tesi si inserisce in questo contesto e si concentra sull'analisi della \textit{Live Immunofluorescence}, una tecnica di laboratorio biologico utilizzata per visualizzare in tempo reale l'attività di proteine e strutture cellulari tramite l'uso di anticorpi marcati con fluorofori. Questa tecnica consente di monitorare il comportamento dinamico di specifici componenti cellulari, permettendo di studiare meccanismi biologici complessi in condizioni fisiologiche. La ricerca propone una metodologia innovativa basata su algoritmi automatici per l'\textit{edge detection} e un tracciamento avanzato attraverso l'implementazione del \textit{Kalman Filter}. Questo approccio non solo aumenta l'accuratezza del tracciamento, ma migliora anche la velocità e la riproducibilità dell'analisi. L'algoritmo sviluppato è integrato in un ambiente \textit{dockerizzato}, garantendo portabilità e facilità di distribuzione, mentre un'interfaccia utente basata su \textit{Shiny} rende l'applicazione accessibile anche a utenti con competenze computazionali di base. Il progetto analizza video di immunofluorescenza acquisiti tramite un microscopio Leica e punta a integrare l'algoritmo di tracciamento in un progetto più ampio, denominato \textit{ORCA (Omni Reproducible Cell Analysis)}, un software open-source progettato per facilitare l'analisi semi-automatica dei dati biologici. L'obiettivo degli esperimenti biologici è tracciare con precisione le vescicole all'interno delle cellule per individuare pattern rilevanti che possano aiutare a comprendere meglio i meccanismi cellulari e i processi biologici. Sebbene siano stati fatti significativi progressi, le soluzioni attuali non sempre riescono a gestire situazioni complesse a causa della grande quantità di dati disponibili. Pertanto, è stato preferito utilizzare tecniche basate sull'elaborazione delle immagini, come segmentazione e filtraggio, piuttosto che algoritmi complessi di \textit{machine learning}, che, a causa dell'elevato numero di dati, risulterebbero inadatti allo scopo.