Trailer: Biobildanalyse mit Python

In den folgenden Kapiteln werden wir uns in die Bildanalyse, maschinelles Lernen und Biostatistik mit Python vertiefen. Dieses erste Notebook dient als Vorschau auf das, was wir machen werden.

Python-Notebooks beginnen typischerweise mit den Importen der Python-Bibliotheken, die das Notebook verwenden wird. Der Leser kann zunächst überprüfen, ob all diese Bibliotheken installiert sind, bevor er das gesamte Notebook durchgeht.

import numpy as np
from skimage.io import imread, imshow
import pyclesperanto_prototype as cle
from skimage import measure
import pandas as pd
import seaborn
import apoc
import stackview

Arbeiten mit Bilddaten

Wir beginnen mit dem Laden der interessierenden Bilddaten. In diesem Beispiel laden wir ein Bild, das ein Zebrafischauge zeigt, mit freundlicher Genehmigung von Mauricio Rocha Martins, Norden-Labor, MPI CBG Dresden.

# open an image file
multichannel_image = imread("../../data/zfish_eye.tif")

# extract a channel
single_channel_image = multichannel_image[:,:,0]

cropped_image = single_channel_image[200:600, 500:900]

stackview.insight(cropped_image)

shape (400, 400) dtype uint16 size 312.5 kB min 9187 max 57619

Bildfilterung

Ein üblicher Schritt bei der Arbeit mit Fluoreszenz-Mikroskopiebildern ist das Subtrahieren der Hintergrundintensität, z.B. resultierend aus unfokussiertem Licht. Dies kann die Bildsegmentierungsergebnisse weiter unten im Workflow verbessern.

# subtract background using a top-hat filter
background_subtracted_image = cle.top_hat_box(cropped_image, radius_x=20, radius_y=20)

stackview.insight(background_subtracted_image)

shape (400, 400) dtype float32 size 625.0 kB min 0.0 max 40758.0

Bildsegmentierung

Für die Segmentierung der Zellkerne im gegebenen Bild existiert eine enorme Anzahl von Algorithmen. Hier verwenden wir einen klassischen Ansatz namens Voronoi-Otsu-Labeling, der sicherlich nicht perfekt ist.

label_image = np.asarray(cle.voronoi_otsu_labeling(background_subtracted_image, spot_sigma=4))

# show result
stackview.insight(label_image)

shape (400, 400) dtype uint32 size 625.0 kB min 0 max 113

Messungen und Merkmalsextraktion

Nachdem das Bild segmentiert ist, können wir Eigenschaften der einzelnen Objekte messen. Diese Eigenschaften sind typischerweise beschreibende statistische Parameter, die als Merkmale bezeichnet werden. Wenn wir Messungen wie die Fläche oder die mittlere Intensität ableiten, extrahieren wir diese beiden Merkmale.

statistics = measure.regionprops_table(label_image, 
                                       intensity_image=cropped_image,
                                       properties=('area', 'mean_intensity', 'major_axis_length', 'minor_axis_length'))

Arbeiten mit Tabellen

Das oben erstellte statistics-Objekt enthält eine Python-Datenstruktur, ein Wörterbuch von Messvektoren, was nicht am intuitivsten zu betrachten ist. Daher konvertieren wir es in eine Tabelle. Datenwissenschaftler nennen diese Tabellen oft DataFrames, die in der pandas-Bibliothek verfügbar sind.

dataframe = pd.DataFrame(statistics)

Wir können bestehende Tabellenspalten verwenden, um andere Messungen zu berechnen, wie zum Beispiel das aspect_ratio.

dataframe['aspect_ratio'] = dataframe['major_axis_length'] / dataframe['minor_axis_length']
dataframe

	area	mean_intensity	major_axis_length	minor_axis_length	aspect_ratio
0	294.0	36604.625850	25.656180	18.800641	1.364644
1	91.0	37379.769231	20.821990	6.053507	3.439658
2	246.0	44895.308943	21.830827	14.916032	1.463581
3	574.0	44394.637631	37.788705	19.624761	1.925563
4	518.0	45408.903475	26.917447	24.872908	1.082199
...	...	...	...	...	...
108	568.0	48606.121479	37.357606	19.808121	1.885974
109	175.0	25552.074286	17.419031	13.675910	1.273702
110	460.0	39031.419565	26.138592	23.522578	1.111213
111	407.0	39343.292383	28.544027	19.563792	1.459023
112	31.0	29131.322581	6.892028	5.711085	1.206781

113 rows × 5 columns

Plotten

Messungen können mithilfe von Diagrammen visualisiert werden.

seaborn.scatterplot(dataframe, x='area', y='aspect_ratio', hue='mean_intensity')

<Axes: xlabel='area', ylabel='aspect_ratio'>

Deskriptive Statistik

Ausgehend von dieser Tabelle können wir Statistiken verwenden, um einen Überblick über die gemessenen Daten zu erhalten.

mean_area = np.mean(dataframe['area'])
stddev_area = np.std(dataframe['area'])

print("Die durchschnittliche Zellkernfläche beträgt", mean_area, "+-", stddev_area, "Pixel")

Mean nucleus area is 524.4247787610619 +- 231.74703195433014 pixels

Klassifizierung

Für ein besseres Verständnis der internen Struktur von Geweben, aber auch zur Korrektur von Artefakten in Bildverarbeitungs-Workflows, können wir Zellen klassifizieren, zum Beispiel nach ihrer Größe und Form.

object_classifier = apoc.ObjectClassifier('../../data/blobs_classifier.cl')
classification_image = object_classifier.predict(label_image, cropped_image)

stackview.imshow(classification_image)