Maillages voisins en trois dimensions

Les maillages voisins que nous avons étudiés dans ce chapitre fonctionnent généralement aussi en trois dimensions. C’est simplement plus difficile à visualiser.

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

Les données d’image que nous utilisons ici montrent une coupe d’un embryon de Tribolium castaneum en développement imagé par microscopie à feuille de lumière par Daniela Vorkel, laboratoire Myers, MPI-CBG / CSBD Dresden.

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

raw_image.shape

(100, 256, 256)

Pour faciliter l’utilisation, nous écrivons une courte fonction pour visualiser notre pile d’images en trois projections maximales de différentes perspectives.

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("Intensité maximale le long de X")
    axs[1].set_title("Intensité maximale le long de Y")
    axs[2].set_title("Intensité maximale le long de Z")

orthogonal_show(raw_image)

Nous pouvons maintenant segmenter les noyaux dans notre jeu de données.

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)

Après la segmentation, nous élargissons un peu les étiquettes pour qu’elles se touchent.

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

orthogonal_show(expanded_nuclei, labels=True)

Et ensuite, nous pouvons visualiser un maillage de distance (centroïde) entre les voisins qui se touchent.

mesh = cle.draw_distance_mesh_between_touching_labels(expanded_nuclei)

orthogonal_show(mesh)