Propiedades regionales de la etiqueta

En este notebook caracterizamos las etiquetas de acuerdo con la media y la desviación estándar de sus propiedades, como el tamaño. Si objetos de tamaño similar son vecinos, la desviación estándar de su tamaño es baja. Si las etiquetas de diferentes tamaños son vecinas, la desviación estándar de su tamaño es más alta. Esto podría usarse para identificar regiones en tejidos donde se encuentran células de diferentes tamaños.

from skimage.io import imread
import pyclesperanto_prototype as cle
import stackview

Los datos que usamos aquí se derivaron de maize_clsm.tif y se tomaron de aquí, una imagen compartida por David Legland bajo la licencia CC-BY 4.0

image = imread("../../data/maize_clsm.tif")

stackview.insight(image)

shape (640, 639) dtype uint8 size 399.4 kB min 0 max 255

Una imagen de etiquetas correspondiente se ve así:

labels = imread("../../data/maize_clsm_labels.tif")
labels = cle.exclude_small_labels(labels, maximum_size=200)
labels = cle.extend_labeling_via_voronoi(labels)
labels

cle._ image shape (640, 639) dtype uint32 size 1.6 MB min 1.0 max 254.0

Midiendo el tamaño

Primero necesitamos cuantificar el tamaño de los objetos. Podemos visualizar inmediatamente estas mediciones como una imagen paramétrica.

size_map_image = cle.pixel_count_map(labels)

size_map_image

cle._ image shape (640, 639) dtype float32 size 1.6 MB min 201.0 max 14283.0

Propiedades regionales

Ahora podemos resumir esas mediciones localmente, por ejemplo, midiendo el tamaño medio de cada célula y sus correspondientes vecinos que la tocan.

cle.mean_of_touching_neighbors_map(size_map_image, labels)

cle._ image shape (640, 639) dtype float32 size 1.6 MB min 369.33334 max 7611.5

También podemos calcular la desviación estándar del tamaño, lo que resalta los bordes entre las regiones con células de diferentes tamaños.

cle.standard_deviation_of_touching_neighbors_map(size_map_image, labels)

cle._ image shape (640, 639) dtype float32 size 1.6 MB min 43.538486 max 3917.1946