Image segmentation for nerve morphometrics quantification

Цей репозиторій містить інструменти та приклади для сегментації зображень з метою детекції нервових відростків та мієлінових оболонок на імунофлуоресцентних зображеннях. У ньому надано приклади даних, скрипти та темплейти для аналізу морфометричних показників нервів.

Структура репозиторію, або де та що можна знайти?

• info/

  • segmentation_axons_explained.md: Опис процесу сегментації зображень (на прикладі аксонів).

• data/ (через обмеження, данна папка відсутня безпосередньо тут. Дані для роботи можна завантажити за посиланням).

  • raw_data/: Дані, для роботи.
  • example_image.tif: Зображення, що було використане в якості прикладу.

• notebooks/

  • segmentation_axon.ipynb: Jupyter Notebook з демонстрацією процесу підготовки зображень та їх сегментації (на прикладі аксонів).
  • analysis_axon.Rmd: Код з демонстрацією аналізу даних, отриманих на основі зображень (потребує корекції, буде завантажено в майбутньому)
  • segmentation_myelin.ipynb: Jupyter Notebook з темплейтом для майбутньої сегментації мієлінових оболонок (поки відсутній тут, буде завантажено згодом).

• results/

  • results_axon/: Папка з результатами сегментації аксонів:
    • segmented_outputs_axon/: Папка з результатами сегментації аксонів (у формі зображень для кожного етапу сегментації).
    • segmented_data_axon/: Папка з результатами сегментації аксонів (у формі окремих .csv файлів для кожного початкового зображення).
    • axon_data.csv: Загальна таблиця зі скороченими даними для всіх зображень (1 рядок - 1 зображення)
    • axon_full_data.csv: Загальна таблиця зі повними даними для всіх зображень (1 рядок - 1 аксон)
  • results_myelin/: Папка з результатами сегментації аксонів (поки відсутня тут, буде завантажена згодом)

• screenshots/

Як почати роботу

Що необхідно для сегментації

1. Завантажте менеджер оточень для встановлення бібліотек miniconda.

2. Після встановлення miniconda, відкрийте Anaconda Prompt та створіть середовище для роботи:

   conda create -n nervesegment python>3.12 jupyter numpy matplotlib pandas scipy scikit-image sympy

   По суті, це виглядає якось так:

   

   Рис. 1. Створення середовища в conda prompt.

   Про коректне створення середовища буде свідчити наступне:

   

   Рис. 2. Завершення створення середовища в conda.

   Тепер cередовище можна активувати:

   conda activate nervesegment

   ... aбо деактивувати:

   conda deactivate nervesegment

3. Також, для зручності роботи, завантажте інтегроване середовище розробки Visual Studio Code. Перед роботою завантажте розширення для роботи на мові програмування Python:

   

   Рис. 3. Завантаження розширення для роботи з мовою програмування Python в Visual Studio Code. Червоне - вкладка Extensions, для пошуку розширення. Зелене - необхідне розширення.

4. Оберіть Kernel в Visual Studio Code:

   

   Рис. 4. Вибір Kernel в Visual Studio Code. Червоне - вкладка Kernel, для пошуку необхідного середовища. Зелене - необхідне середовище.

Як завантажити дані з репозиторію?

1. Активуйте середовище в conda prompt:

   conda activate nervesegment

2. Скопіюйте посилання на репозиторій:

Рис. 5. Копіювання посилання. Червоне - вкладка на посилання. Зелене - копіювання посилання. Жовте - у випадку чого, вміст репозиторію можливо зберегти в вигляді архіву з сайту.

3. Клонуйте вміст в conda:

git clone https://github.com/valusty/image_analysis.git

4. Тепер всі дані звідси в вас завантажені локально на ваш пристрій, але для роботи ще необхідні зображення. Перейдіть на гугл диск та завантажте архів з папкою data.

5. Для зручності розархівуйте вміст безпосередньо в новозавантажену папку image_analysis.

Джерела

Репозиторій BDS3_2024_img_analysis, який був створений для курсу з аналізу зображень на Biological Data Science Summer School (2024, Uzhhorod) користувачем wisstock (ліцензія CC BY 4.0), став основою для цього проєкту. Елементи з README та BDS^3_2024_img_advanced.ipynb були адаптовані з оригінального ресурсу під потреби нового проєкту. Рекомендую ознайомитись з даним проєктом, особливо звернути увагу на ноутбуки BDS^3_2024_img_intro.ipynb та BDS^3_2024_img_advanced.ipynb, а також заглянути в список рекомендованої літератури.

Рекомендовані посилання

Introduction to Image Processing with Python

Python Підручник

SciPy в Python

SciPy User Guide

NumPy User Guide

Matplotlib Підручник

Using Matplotlib

Scikit-image User Guide

Working With Scikit-image

10 Minutes to Pandas

Pandas Cookbook

Може бути цікаво

Ten Simple Rules for Better Figures

Learning Python, Fourth Edition by Mark Lutz

Ліцензія

Цей проект ліцензований відповідно до Creative Commons Attribution 4.0 International. Повний текст ліцензії можна знайти у файлі LICENSE.