Chargement de dossiers multi-canaux / multi-positions de fichiers tif

Certains microscopes écrivent les données d’image sur le disque sous forme de fichiers tif, tranche par tranche. Vous trouverez alors de nombreux fichiers nommés par exemple image_z03_ch01.tif dans ces dossiers. Pour charger ces dossiers, vous devez généralement connaître des détails tels que le nombre de tranches z et le nombre de canaux imagés, ou si les données d’image ont plusieurs points temporels ou non.

Voir aussi cette discussion.

from skimage import io
import matplotlib.pyplot as plt
import tifffile as tif
import numpy as np

import shutil
import os

path = "../../data/tif_folder/"

À des fins de démonstration, nous créons simplement un tel dossier avec des données d’image factices.

if not os.path.exists(path):
    os.mkdir(path)

for z in range(1,7):
    for c in range(1,5):
        #image = io.imread("c:/structure/data/blobs.tif")
        #io.imsave(f"c:/structure/data/images/r01c01f34p0{z}-ch0{c}t01.tiff", image)
        
        shutil.copy("../../data/blobs.tif",
                    path + f"image_z{str(z).zfill(2)}-ch{str(c).zfill(2)}.tiff")

Pour avoir un aperçu, nous pouvons afficher les noms de fichiers dans le dossier.

for file in os.listdir(path):
    print(file)

image_z01-ch01.tiff
image_z01-ch02.tiff
image_z01-ch03.tiff
image_z01-ch04.tiff
image_z02-ch01.tiff
image_z02-ch02.tiff
image_z02-ch03.tiff
image_z02-ch04.tiff
image_z03-ch01.tiff
image_z03-ch02.tiff
image_z03-ch03.tiff
image_z03-ch04.tiff
image_z04-ch01.tiff
image_z04-ch02.tiff
image_z04-ch03.tiff
image_z04-ch04.tiff
image_z05-ch01.tiff
image_z05-ch02.tiff
image_z05-ch03.tiff
image_z05-ch04.tiff
image_z06-ch01.tiff
image_z06-ch02.tiff
image_z06-ch03.tiff
image_z06-ch04.tiff

scikit-image propose une fonction imread_collection pour charger des fichiers correspondant à un motif, par exemple contenant *.

im_collection = io.imread_collection(path + "*")
im_collection

<skimage.io.collection.ImageCollection at 0x2244cd228e0>

Vous pouvez transformer cette collection d’images en une pile d’images basée sur un tableau numpy. Malheureusement, le nombre de tranches z et de canaux est inconnu à ce stade.

image_stack = im_collection.concatenate()
image_stack.shape

(24, 254, 256)

Si vous connaissez le nombre de tranches z et de canaux, vous pouvez reshape l’image en une image 3D+ch ou 4D.

num_channels = 4
num_z_slices = 6
image4d = np.reshape(image_stack, (num_channels, num_z_slices, image_stack.shape[-2], image_stack.shape[-1]))
image4d.shape

(4, 6, 254, 256)

Alternativement, vous pouvez également construire vos propres boucles for pour charger les données à partir du disque. Cela vous donne un peu plus de liberté, par exemple pour trier les tranches et les canaux dans les dimensions utilisées.

num_channels = 4
num_z_slices = 6

image4d_loaded = np.asarray([
    [io.imread(path + f"image_z{str(z).zfill(2)}-ch{str(c).zfill(2)}.tiff") for c in range(1, 5)]
    for z in range(1, 7)
])
image4d_loaded.shape

(6, 4, 254, 256)