Avance: Análisis de bioimágenes con Python

En los siguientes capítulos nos adentraremos en el análisis de imágenes, aprendizaje automático y bioestadística utilizando Python. Este primer cuaderno sirve como un avance de lo que haremos.

Los cuadernos de Python típicamente comienzan con las importaciones de las bibliotecas de Python que el cuaderno utilizará. El lector puede verificar primero si todas esas bibliotecas están instaladas antes de revisar todo el cuaderno.

import numpy as np
from skimage.io import imread, imshow
import pyclesperanto_prototype as cle
from skimage import measure
import pandas as pd
import seaborn
import apoc
import stackview

Trabajando con datos de imágenes

Comenzamos cargando los datos de imagen de interés. En este ejemplo, cargamos una imagen que muestra un ojo de pez cebra, cortesía de Mauricio Rocha Martins, laboratorio Norden, MPI CBG Dresden.

# open an image file
multichannel_image = imread("../../data/zfish_eye.tif")

# extract a channel
single_channel_image = multichannel_image[:,:,0]

cropped_image = single_channel_image[200:600, 500:900]

stackview.insight(cropped_image)

shape (400, 400) dtype uint16 size 312.5 kB min 9187 max 57619

Filtrado de imágenes

Un paso común al trabajar con imágenes de microscopía de fluorescencia es restar la intensidad de fondo, por ejemplo, resultante de la luz fuera de foco. Esto puede mejorar los resultados de la segmentación de imágenes más adelante en el flujo de trabajo.

# subtract background using a top-hat filter
background_subtracted_image = cle.top_hat_box(cropped_image, radius_x=20, radius_y=20)

stackview.insight(background_subtracted_image)

shape (400, 400) dtype float32 size 625.0 kB min 0.0 max 40758.0

Segmentación de imágenes

Para segmentar los núcleos en la imagen dada, existe un gran número de algoritmos. Aquí usamos un enfoque clásico llamado Etiquetado Voronoi-Otsu, que ciertamente no es perfecto.

label_image = np.asarray(cle.voronoi_otsu_labeling(background_subtracted_image, spot_sigma=4))

# show result
stackview.insight(label_image)

shape (400, 400) dtype uint32 size 625.0 kB min 0 max 113

Mediciones y extracción de características

Después de que la imagen es segmentada, podemos medir propiedades de los objetos individuales. Esas propiedades son típicamente parámetros estadísticos descriptivos, llamados características. Cuando derivamos mediciones como el área o la intensidad media, extraemos esas dos características.

statistics = measure.regionprops_table(label_image, 
                                       intensity_image=cropped_image,
                                       properties=('area', 'mean_intensity', 'major_axis_length', 'minor_axis_length'))

Trabajando con tablas

El objeto statistics creado anteriormente contiene una estructura de datos de Python, un diccionario de vectores de medición, que no es lo más intuitivo de ver. Por lo tanto, lo convertimos en una tabla. Los científicos de datos a menudo llaman a estas tablas DataFrames, que están disponibles en la biblioteca pandas.

dataframe = pd.DataFrame(statistics)

Podemos usar columnas de tabla existentes para calcular otras mediciones, como la relación de aspecto.

dataframe['aspect_ratio'] = dataframe['major_axis_length'] / dataframe['minor_axis_length']
dataframe

	area	mean_intensity	major_axis_length	minor_axis_length	aspect_ratio
0	294.0	36604.625850	25.656180	18.800641	1.364644
1	91.0	37379.769231	20.821990	6.053507	3.439658
2	246.0	44895.308943	21.830827	14.916032	1.463581
3	574.0	44394.637631	37.788705	19.624761	1.925563
4	518.0	45408.903475	26.917447	24.872908	1.082199
...	...	...	...	...	...
108	568.0	48606.121479	37.357606	19.808121	1.885974
109	175.0	25552.074286	17.419031	13.675910	1.273702
110	460.0	39031.419565	26.138592	23.522578	1.111213
111	407.0	39343.292383	28.544027	19.563792	1.459023
112	31.0	29131.322581	6.892028	5.711085	1.206781

113 rows × 5 columns

Gráficos

Las mediciones se pueden visualizar utilizando gráficos.

seaborn.scatterplot(dataframe, x='area', y='aspect_ratio', hue='mean_intensity')

<Axes: xlabel='area', ylabel='aspect_ratio'>

Estadísticas descriptivas

Tomando esta tabla como punto de partida, podemos usar estadísticas para obtener una visión general de los datos medidos.

mean_area = np.mean(dataframe['area'])
stddev_area = np.std(dataframe['area'])

print("El área media del núcleo es", mean_area, "+-", stddev_area, "píxeles")

Mean nucleus area is 524.4247787610619 +- 231.74703195433014 pixels

Clasificación

Para comprender mejor la estructura interna de los tejidos, pero también para corregir artefactos en los flujos de trabajo de procesamiento de imágenes, podemos clasificar las células, por ejemplo, según su tamaño y forma.

object_classifier = apoc.ObjectClassifier('../../data/blobs_classifier.cl')
classification_image = object_classifier.predict(label_image, cropped_image)

stackview.imshow(classification_image)