Flux de travail dans napari

Pour utiliser napari et dask ensemble afin de définir et concevoir des flux de travail, nous avons créé une petite bibliothèque pour rendre ces choses plus pratiques : napari-workflows. L’objectif était de permettre à l’utilisateur de configurer des flux de travail en cliquant dans napari. Ces flux de travail sont ensuite accessibles en tant qu’objet, similaire à un dictionnaire, auquel on peut demander les résultats d’étapes de flux de travail données. Par exemple, dans le flux de travail montré ci-dessous, une image d’entrée est floutée à l’aide d’un noyau gaussien, puis seuillée en utilisant la méthode d’Otsu et scikit-image.

from napari_workflows import Workflow

from skimage.io import imread
from skimage.filters import threshold_otsu, gaussian
from skimage.measure import label
from pyclesperanto_prototype import imshow

Tout d’abord, nous définissons un flux de travail et y ajoutons des opérations. Par exemple, une opération qui prend une image nommée "input" et produit une image "denoised" à partir de celle-ci en utilisant la fonction gaussian() et sigma=2 comme paramètre.

workflow = Workflow()

# define denoising
workflow.set("denoised", gaussian, "input", sigma=2)

Nous pouvons également ajouter des fonctions personnalisées, ce qui est par exemple nécessaire pour produire une image binaire à partir d’une image d’intensité directement avec un seul appel de fonction.

# define segmentation
def threshold(image):
    return image > threshold_otsu(image)
workflow.set("binarized", threshold, "denoised")

Nous appliquons également un étiquetage des composantes connexes à l’image binaire.

workflow.set("labeled", label, "binarized")

# Let's print out the whole workflow
print(str(workflow))

Workflow:
denoised <- (<function gaussian at 0x19b297940>, 'input', 2, None, 'nearest', 0, None, False, 4.0)
binarized <- (<function threshold at 0x19dbd8430>, 'denoised')
labeled <- (<function label at 0x19ba7c820>, 'binarized', None, False)

Exécution des flux de travail

Jusqu’ici, aucune image n’était impliquée. Nous chargeons maintenant une image et la stockons dans le flux de travail en tant que "input".

workflow.set("input", imread("https://samples.fiji.sc/blobs.png"))

print(str(workflow))

Workflow:
denoised <- (<function gaussian at 0x19b297940>, 'input', 2, None, 'nearest', 0, None, False, 4.0)
binarized <- (<function threshold at 0x19dbd8430>, 'denoised')
labeled <- (<function label at 0x19ba7c820>, 'binarized', None, False)
input <- [[ 40  32  24 ... 216 200 200]
 [ 56  40  24 ... 232 216 216]
 [ 64  48  24 ... 240 232 232]
 ...
 [ 72  80  80 ...  48  48  48]
 [ 80  80  80 ...  48  48  48]
 [ 96  88  80 ...  48  48  48]]

Pour exécuter réellement le calcul, nous appelons la fonction workflow.get() qui produit une seule sortie spécifiée. En coulisses, elle exécutera également toutes les opérations intermédiaires nécessaires pour arriver à la sortie finale.

result = workflow.get("labeled")

imshow(result, labels=True)