Etiquetado de componentes conectados en superficies

Este cuaderno demuestra cómo diferenciar objetos según su conectividad.

import napari_process_points_and_surfaces as nppas
import pyclesperanto_prototype as cle
import napari_simpleitk_image_processing as nsitk
from skimage.data import cells3d
import stackview

Usamos una imagen 3D de núcleos…

image = cells3d()[:,1]
stackview.insight(image)

shape (60, 256, 256) dtype uint16 size 7.5 MB min 0 max 65535

… y segmentamos los núcleos resultando en una imagen binaria 3D.

labels = cle.voronoi_otsu_labeling(image, spot_sigma=9)
binary = cle.erode_labels(labels) > 0

stackview.insight(binary)

shape (60, 256, 256) dtype uint8 size 3.8 MB min 0 max 1

Convertimos esta imagen binaria en un conjunto de datos de superficie.

surface = nppas.all_labels_to_surface(binary)
surface

nppas.SurfaceTuple origin (z/y/x) [0. 0. 0.] center of mass(z/y/x) 34.703,124.973,131.513 scale(z/y/x) 1.000,1.000,1.000 bounds (z/y/x) 16.500...59.000 0.000...255.000 0.000...255.000 average size 97.003 number of vertices 151354 number of faces 301006

Al aplicar el etiquetado de componentes conectados a la superficie, podemos identificar vértices/caras que están conectados y diferenciar aquellos que no lo están. El resultado es también un conjunto de datos de superficie donde los valores de los vértices corresponden a la etiqueta n-ésima a la que pertenecen estos objetos. Por lo tanto, se puede concluir del número máximo de esta superficie que hay 38 núcleos en esta imagen.

surface_connected_components = nppas.connected_component_labeling(surface)
surface_connected_components.cmap = 'hsv'
surface_connected_components

nppas.SurfaceTuple origin (z/y/x) [0. 0. 0.] center of mass(z/y/x) 34.703,124.973,131.513 scale(z/y/x) 1.000,1.000,1.000 bounds (z/y/x) 16.500...59.000 0.000...255.000 0.000...255.000 average size 97.003 number of vertices 151354 number of faces 301006 min 0 max 38