Traitement des données de time-lapse

Ce notebook démontre comment traiter les données de time-lapse image par image.

from skimage.io import imread, imsave
import pyclesperanto_prototype as cle
import numpy as np

Tout d’abord, nous devons définir l’origine des données que nous voulons traiter et où les résultats doivent être sauvegardés.

input_file = "../../data/CalibZAPWfixed_000154_max.tif"
output_file = "../../data/CalibZAPWfixed_000154_max_labels.tif"

Ensuite, nous ouvrons le jeu de données et voyons quelles dimensions d’image il possède.

timelapse = imread(input_file)
timelapse.shape

(100, 235, 389)

S’il n’est pas évident de savoir quelle dimension est la dimension temporelle, il est recommandé de découper le jeu de données dans différentes directions.

cle.imshow(timelapse[:,:,150])

cle.imshow(timelapse[50,:,:])

Évidemment, la dimension temporelle est la première dimension (index 0).

Ensuite, nous définissons le flux de traitement d’image que nous voulons appliquer à notre jeu de données. Il est recommandé de le faire dans une fonction pour que nous puissions la réutiliser plus tard sans tout copier-coller.

def process_image(image, 
                  # define default parameters for the procedure
                  background_subtraction_radius=10, 
                  spot_sigma=1, 
                  outline_sigma=1):
    """Segment nuclei in an image and return labels"""
    # pre-process image
    background_subtracted = cle.top_hat_box(image, 
                  radius_x=background_subtraction_radius, 
                  radius_y=background_subtraction_radius)
    
    # segment nuclei
    labels = cle.voronoi_otsu_labeling(background_subtracted,
                  spot_sigma=spot_sigma,
                  outline_sigma=outline_sigma)

    return labels

# Try out the function
single_timepoint = timelapse[50]
segmented = process_image(single_timepoint)

# Visualize result
cle.imshow(segmented, labels=True)

Après avoir fait fonctionner cette fonction sur un seul point temporel, nous devrions programmer une boucle for qui parcourt le time-lapse, applique la procédure à quelques images et visualise les résultats. Note : Nous parcourons le time-lapse par pas de 10 images, pour avoir un aperçu.

max_t = timelapse.shape[0]
for t in range(0, max_t, 10):
    label_image = process_image(timelapse[t])
    cle.imshow(label_image, labels=True)

Lorsque nous sommes convaincus que la procédure fonctionne, nous pouvons l’appliquer à l’ensemble du time-lapse, collecter les résultats dans une liste et les sauvegarder sous forme de pile sur le disque.

label_timelapse = []
for t in range(0, max_t):
    label_image = process_image(timelapse[t])
    label_timelapse.append(label_image)
    
# convert list of 2D images to 3D stack
np_stack = np.asarray(label_timelapse)

# save result to disk
imsave(output_file, np_stack)

C:\Users\rober\AppData\Local\Temp\ipykernel_27924\219181406.py:10: UserWarning: ../../data/CalibZAPWfixed_000154_max_labels.tif is a low contrast image
  imsave(output_file, np_stack)

Juste pour être sûr que tout a bien fonctionné, nous rouvrons le jeu de données et affichons sa dimensionnalité. Elle est censée être identique à celle du jeu de données timelapse original.

result = imread(output_file)

result.shape

(100, 235, 389)

timelapse.shape

(100, 235, 389)