Compter les voisins en contact

Dans ce notebook, nous visualisons quelles cellules dans un tissu sont voisines en dessinant un maillage. De plus, nous pouvons modifier l’intensité du maillage pour qu’elle corresponde à la distance entre les centroïdes des cellules.

import pyclesperanto_prototype as cle
import numpy as np
import pandas as pd

Données de test

Générons une structure de type tissulaire composée de cellules qui ont généralement environ 6 voisins.

cells = cle.artificial_tissue_2d(
    delta_x=48, 
    delta_y=32, 
    random_sigma_x=7, 
    random_sigma_y=7, 
    width=250, 
    height=250)

cle.imshow(cells, labels=True)

Maillage entre cellules voisines

Avant de compter les voisins, nous devrions visualiser les relations de voisinage. Nous pouvons le faire en dessinant un maillage entre les centroïdes des cellules voisines en contact.

mesh = cle.draw_mesh_between_touching_labels(cells)

cle.imshow(mesh)

Nous pouvons également combiner les deux visualisations en une seule image. Notez que ces images ne doivent pas être utilisées pour une analyse quantitative ultérieure. Elles servent uniquement à des fins de visualisation.

Connexions des centroïdes et bordures cellulaires

Une façon courante de visualiser les tissus dans ce contexte est de dessiner les bordures cellulaires et le maillage des centroïdes dans différentes couleurs.

visualization = mesh * 2 + cle.detect_label_edges(cells)

cle.imshow(visualization, color_map='jet')

Analyser et visualiser le nombre de voisins en contact

Nous pouvons également compter les voisins en contact et visualiser le résultat sous forme d’image paramétrique en couleurs.

neighbor_count_image = cle.touching_neighbor_count_map(cells)

cle.imshow(neighbor_count_image, color_map='jet', colorbar=True, min_display_intensity=0)

Notez que les nombres le long de la bordure de l’image peuvent ne pas être précis. Par conséquent, nous devrions exclure les cellules correspondantes de l’analyse ultérieure.

cells_ex_border = cle.exclude_labels_on_edges(cells)

cle.imshow(cells_ex_border, labels=True)

Après avoir corrigé l’image étiquetée, nous pouvons également corriger l’image paramétrique.

neighbor_count_image_ex_border = neighbor_count_image * (cells_ex_border != 0)

cle.imshow(neighbor_count_image_ex_border, color_map='jet', colorbar=True, min_display_intensity=0)

Maintenant, nous pouvons mesurer le nombre de voisins. Nous pouvons soit simplement lire ces nombres et les mettre dans une liste …

cle.read_intensities_from_map(cells_ex_border, neighbor_count_image_ex_border)

cl.Array([[0., 5., 6., 7., 6., 6., 7., 6., 6., 5., 5., 6., 6., 7., 6., 6.,
        6., 6., 6., 6., 6.]], dtype=float32)

… nous pouvons également lire ces valeurs avec toutes les autres statistiques et les mettre dans un DataFrame pandas.

statistics = cle.statistics_of_labelled_pixels(neighbor_count_image_ex_border, cells_ex_border)

table = pd.DataFrame(statistics)

# renommer une colonne
table = table.rename(columns={"mean_intensity": "number_of_neighbors"})

# ne filtrer qu'un sous-ensemble de toutes les colonnes ; seulement ce qui nous intéresse
table = table[["label", "number_of_neighbors", "centroid_x", "centroid_y"]]

table

	label	number_of_neighbors	centroid_x	centroid_y
0	1	5.0	74.592697	23.731028
1	2	6.0	173.741379	35.582230
2	3	7.0	49.460915	51.928082
3	4	6.0	91.783768	52.666199
4	5	6.0	142.728210	62.962471
5	6	7.0	189.973206	68.526794
6	7	6.0	73.699181	88.797356
7	8	6.0	115.321083	90.665649
8	9	5.0	163.097733	99.824242
9	10	5.0	58.206852	122.341309
10	11	6.0	98.847565	134.280228
11	12	6.0	147.731705	127.326218
12	13	7.0	200.522903	112.817368
13	14	6.0	67.880905	162.991592
14	15	6.0	122.943306	157.515717
15	16	6.0	171.010025	153.333328
16	17	6.0	43.426266	189.492981
17	18	6.0	96.272728	192.326477
18	19	6.0	140.815964	194.446030
19	20	6.0	193.817596	193.019318

Exercice

Analysez un champ de vision plus large avec plus de cellules et faites varier les paramètres random_sigma_x et random_sigma_y de la fonction artificial_tissue_2d. Utilisez une carte de comptage des voisins en contact pour compter le nombre de voisins en contact avant et après l’application d’un filtre médian à la carte.