Nachbargitter in drei Dimensionen

Die Nachbargitter, mit denen wir in diesem Kapitel gearbeitet haben, funktionieren im Allgemeinen auch in drei Dimensionen. Es ist nur schwieriger, diese zu visualisieren.

from skimage.io import imread
import pyclesperanto_prototype as cle
import matplotlib.pyplot as plt

Die hier verwendeten Bilddaten zeigen einen Ausschnitt eines sich entwickelnden Tribolium castaneum Embryos, der mittels Lichtscheibenmikroskopie von Daniela Vorkel, Myers Labor, MPI-CBG / CSBD Dresden, aufgenommen wurde.

raw_image = imread("../../data/Lund_000500_resampled-cropped.tif")

raw_image.shape

(100, 256, 256)

Der Einfachheit halber schreiben wir eine kurze Funktion zur Visualisierung unseres Bildstapels in drei Maximalprojektionen aus verschiedenen Perspektiven.

def orthogonal_show(image, labels=False):

    fig, axs = plt.subplots(1, 3, figsize=(15, 7))

    cle.imshow(cle.maximum_x_projection(image), plot=axs[0], labels=labels)
    cle.imshow(cle.maximum_y_projection(image), plot=axs[1], labels=labels)
    cle.imshow(cle.maximum_z_projection(image), plot=axs[2], labels=labels)
    
    axs[0].set_title("Maximale Intensität entlang X")
    axs[1].set_title("Maximale Intensität entlang Y")
    axs[2].set_title("Maximale Intensität entlang Z")

orthogonal_show(raw_image)

Wir können nun Zellkerne in unserem Datensatz segmentieren.

background_subtracted = cle.top_hat_box(raw_image, radius_x=5, radius_y=5, radius_z=5)

nuclei = cle.voronoi_otsu_labeling(background_subtracted)

orthogonal_show(nuclei, labels=True)

Nach der Segmentierung erweitern wir die Beschriftungen ein wenig, damit sie sich berühren.

expanded_nuclei = cle.dilate_labels(nuclei, radius=4)

orthogonal_show(expanded_nuclei, labels=True)

Und dann können wir ein (Schwerpunkt-)Distanznetz zwischen sich berührenden Nachbarn visualisieren.

mesh = cle.draw_distance_mesh_between_touching_labels(expanded_nuclei)

orthogonal_show(mesh)