【问题标题】：Imaging Processing - Clustering Cells into groups in Fly Embryos Images成像处理 - 在苍蝇胚胎图像中将细胞聚类成组
【发布时间】：2016-11-11 08:00:41
【问题描述】：

我希望有人可以帮助我解决图像处理问题。我的苍蝇胚胎被染色以寻找周围神经系统 (PNS) 中的细胞核 - 附件 1。这些细胞核在苍蝇的每个胚胎节段中形成簇。我的目标是使用这些细胞核簇来标记每个胚胎片段（即每个片段一个斑点或一个点） - 附件 2。

PNS Stain

PNS Stain showing blobs

我通过对标记的核进行高斯模糊（使每个核簇形成一个斑点）然后使用自适应阈值来识别这些“斑点”，取得了一些成功。然而，这不是一个非常稳健的方法——一些集群没有形成或多个集群粘在一起。我正在使用 scikit-image 进行分析，这是我一直在使用的代码的相关部分：

EmbryoBlur = gaussian(Embryo, sigma=(10,5))

ClusteredCells= threshold_adaptive(EmbryoBlur , block_size=151, method="mean")

是否有人有任何其他策略可以建议，以便它在每个原子核簇中稳健地形成一个点或斑点？

即使有人想从概念上解释一个策略，我也可以尝试在 scikit-image 中实现。

谢谢！

【问题讨论】：

标签： image-processing scikit-image

【解决方案1】：

对于高斯混合模型http://www.ics.uci.edu/~smyth/courses/cs274/notes/EMnotes.pdf

，这看起来可以通过期望最大化 (EM) 解决

另一种相关方法是 K-Means 聚类（在上面的链接中简要介绍），这两种方法都通过降低聚类内的方差来对数据进行聚类。对于 K-means，这通常使用距离度量来完成，而 EM 使用概率进行聚类。

这两种方法的唯一缺点是，在对数据进行分割之前，您必须知道有多少个集群。不幸的是，我对 Scikit 一无所知，但希望这会给您一些想法来研究

【讨论】：

【解决方案2】：

我不知道这是否正是您正在寻找的，但我拼凑了一个执行高斯模糊的脚本，然后使用随机游走分割（类似于分水岭）来填充和分割背景中的细胞核和细胞矩阵。

您可以使用这些值来增加或减少模糊度 (sigma) 以及分割的底部和顶部阈值。

我在 PNS Stain 图像上对其进行了测试，但我不得不裁剪白色边框。

import numpy as np
import matplotlib.pyplot as plt

from skimage.io import imread
from skimage.segmentation import random_walker
from skimage.color import rgb2grey
from scipy.ndimage.filters import gaussian_filter


#change this to your personal image directory
image = imread(r'C:\Users\YOURNAMEHERE\Desktop\mge1v.png') 
grey_image = rgb2grey(image)

blurred = gaussian_filter(grey_image, sigma=6) #play with sigma for blur amount


#Get markers for random walk
def get_markers(grey_array, bottom_thresh, top_thresh):

    markers = np.zeros_like(grey_array)
    markers[grey_array < bottom_thresh] = 1
    markers[grey_array > top_thresh] = 2

    return markers


#perform Random Walker, fills in positive regions
#play with .1 and .15 to set the thresholds for the labels
segmentation = random_walker(blurred, get_markers(blurred, .1, .125), beta=130, mode='bf')


#Plot images
fig, axes = plt.subplots(2, 2, figsize=(12, 11))

ax0, ax1,  ax2, ax3 = axes.ravel()

ax0.imshow(image, cmap=plt.cm.gray, interpolation='nearest')
ax0.set_title("Original")

ax1.imshow(grey_image, cmap=plt.cm.gray, interpolation='nearest')
ax1.set_title("Grey")

ax2.imshow(blurred, cmap=plt.cm.gray)
ax2.set_title("Gaussian Blur")

ax3.imshow(segmentation, cmap=plt.cm.gray)
ax3.set_title("Random Walk Segmented")

for ax in axes.ravel():
    ax.axis('off')

fig.subplots_adjust(left=None, bottom=None, right=None, top=None, wspace=None, hspace=None)


plt.show()

输出：

【讨论】：