Menu
高度バイオイメージング解析スキル。CellProfiler によるモフォロジカル プロファイリング・Cell Painting 解析、Cellpose による深層学習 セルセグメンテーション、napari によるインタラクティブ 3D 可視化。
Install with Codex or Claude Copy this prompt, paste it into Codex, Claude, or another assistant, and let it review the skill page and install it for you.
Based on SOC occupation classification
| name | scientific-advanced-imaging |
| description | 高度バイオイメージング解析スキル。CellProfiler によるモフォロジカル プロファイリング・Cell Painting 解析、Cellpose による深層学習 セルセグメンテーション、napari によるインタラクティブ 3D 可視化。 |
| tu_tools | [{"key":"biotools","name":"bio.tools","description":"高度イメージングツール検索"}] |
CellProfiler / Cellpose / napari を活用した高度バイオイメージング 解析パイプラインを提供する。セルセグメンテーション、形態学的 特徴抽出、Cell Painting アッセイ解析、3D 画像可視化。
from cellpose import models, io
import numpy as np
from pathlib import Path
def cellpose_segmentation(image_path, model_type="cyto2", diameter=None,
channels=None, gpu=True):
"""
Cellpose で細胞セグメンテーション。
Parameters:
image_path: str — 画像ファイルパス
model_type: str — モデル ("cyto", "cyto2", "nuclei")
diameter: float — 細胞直径 (None で自動)
channels: list — チャネル [cytoplasm, nuclei]
gpu: bool — GPU 使用
K-Dense: cellpose
"""
model = models.Cellpose(model_type=model_type, gpu=gpu)
if channels is None:
channels = [0, 0] # grayscale
img = io.imread(str(image_path))
masks, flows, styles, diams = model.eval(
img, diameter=diameter, channels=channels
)
n_cells = len(np.unique(masks)) - 1 # background除外
print(f"Cellpose: {n_cells} cells detected (model={model_type})")
print(f" Auto diameter: {diams:.1f}")
return masks, flows, styles
def batch_segmentation(image_dir, output_dir, model_type="cyto2",
image_pattern="*.tif", diameter=None):
"""
ディレクトリ内画像のバッチセグメンテーション。
Parameters:
image_dir: str — 入力画像ディレクトリ
output_dir: str — 出力ディレクトリ
model_type: str — Cellpose モデル
"""
model = models.Cellpose(model_type=model_type, gpu=True)
image_dir = Path(image_dir)
output_dir = Path(output_dir)
output_dir.mkdir(parents=True, exist_ok=True)
image_files = sorted(image_dir.glob(image_pattern))
results = []
for img_path in image_files:
img = io.imread(str(img_path))
masks, flows, styles, diams = model.eval(
img, diameter=diameter, channels=[0, 0]
)
n_cells = len(np.unique(masks)) - 1
# マスク保存
out_path = output_dir / f"{img_path.stem}_masks.npy"
np.save(str(out_path), masks)
results.append({
"image": img_path.name,
"n_cells": n_cells,
"diameter": float(diams),
})
print(f"Batch: {len(results)} images, "
f"{sum(r['n_cells'] for r in results)} total cells")
return results
import skimage.measure as measure
import pandas as pd
def morphological_profiling(image, masks, channel_names=None):
"""
CellProfiler スタイルの形態学的特徴量抽出。
Parameters:
image: np.ndarray — 画像 (H, W) or (H, W, C)
masks: np.ndarray — セグメンテーションマスク
channel_names: list — チャネル名
K-Dense: cellprofiler
"""
if image.ndim == 2:
image = image[..., np.newaxis]
if channel_names is None:
channel_names = [f"ch{i}" for i in range(image.shape[-1])]
props = measure.regionprops(masks, intensity_image=image[..., 0])
features = []
for prop in props:
feat = {
"cell_id": prop.label,
"area": prop.area,
"perimeter": prop.perimeter,
"eccentricity": prop.eccentricity,
"solidity": prop.solidity,
"major_axis": prop.major_axis_length,
"minor_axis": prop.minor_axis_length,
}
# 真円度
if prop.perimeter > 0:
feat["circularity"] = (4 * np.pi * prop.area) / (prop.perimeter ** 2)
else:
feat["circularity"] = 0.0
# チャネルごと蛍光強度
for ch_idx, ch_name in enumerate(channel_names):
ch_props = measure.regionprops(
masks, intensity_image=image[..., ch_idx]
)
for cp in ch_props:
if cp.label == prop.label:
feat[f"{ch_name}_mean"] = cp.mean_intensity
feat[f"{ch_name}_max"] = cp.max_intensity
feat[f"{ch_name}_min"] = cp.min_intensity
break
features.append(feat)
df = pd.DataFrame(features)
print(f"Morphological profiling: {len(df)} cells, {len(df.columns)} features")
return df
def cell_painting_analysis(image_5ch, masks, normalize=True):
"""
Cell Painting 5 チャネル解析。
Channels:
ch0: DNA (Hoechst), ch1: ER (ConA), ch2: RNA (SYTO14),
ch3: AGP (Phalloidin), ch4: Mito (MitoTracker)
Parameters:
image_5ch: np.ndarray — (H, W, 5) 画像
masks: np.ndarray — セグメンテーションマスク
normalize: bool — Z-score 正規化
"""
channel_names = ["DNA", "ER", "RNA", "AGP", "Mito"]
# 形態 + 蛍光特徴量抽出
features_df = morphological_profiling(image_5ch, masks, channel_names)
# テクスチャ特徴量 (Haralick-like)
from skimage.feature import graycomatrix, graycoprops
texture_features = []
for prop in measure.regionprops(masks):
cell_mask = masks == prop.label
bbox = prop.bbox
cell_region = image_5ch[bbox[0]:bbox[2], bbox[1]:bbox[3], 0]
cell_mask_crop = cell_mask[bbox[0]:bbox[2], bbox[1]:bbox[3]]
cell_region = (cell_region * cell_mask_crop).astype(np.uint8)
if cell_region.max() > 0:
glcm = graycomatrix(cell_region, [1], [0], levels=256, symmetric=True)
texture_features.append({
"cell_id": prop.label,
"contrast": graycoprops(glcm, "contrast")[0, 0],
"homogeneity": graycoprops(glcm, "homogeneity")[0, 0],
"energy": graycoprops(glcm, "energy")[0, 0],
"correlation": graycoprops(glcm, "correlation")[0, 0],
})
texture_df = pd.DataFrame(texture_features)
combined = features_df.merge(texture_df, on="cell_id", how="left")
if normalize:
numeric_cols = combined.select_dtypes(include=[np.number]).columns
numeric_cols = [c for c in numeric_cols if c != "cell_id"]
combined[numeric_cols] = (
(combined[numeric_cols] - combined[numeric_cols].mean())
/ combined[numeric_cols].std()
)
print(f"Cell Painting: {len(combined)} cells, {len(combined.columns)} features")
return combined
def napari_visualization(image, masks=None, points=None, labels=None):
"""
napari でインタラクティブ 3D 可視化。
Parameters:
image: np.ndarray — 画像 (Z, Y, X) or (Z, Y, X, C)
masks: np.ndarray — セグメンテーションマスク
points: np.ndarray — 座標点 (N, 3)
labels: list — ポイントラベル
K-Dense: napari
"""
import napari
viewer = napari.Viewer()
# 画像レイヤー
if image.ndim == 4:
for ch in range(image.shape[-1]):
viewer.add_image(
image[..., ch],
name=f"Channel-{ch}",
blending="additive",
)
else:
viewer.add_image(image, name="Image")
# マスクレイヤー
if masks is not None:
viewer.add_labels(masks, name="Segmentation")
# ポイントレイヤー
if points is not None:
properties = {"label": labels} if labels else None
viewer.add_points(
points,
properties=properties,
name="Points",
size=5,
)
print(f"napari viewer: {image.shape}, "
f"masks={'Yes' if masks is not None else 'No'}")
return viewer
def finetune_cellpose(train_dir, model_type="cyto2", n_epochs=100,
learning_rate=0.1):
"""
Cellpose モデルの微調整。
Parameters:
train_dir: str — 訓練データ (画像 + _masks)
model_type: str — ベースモデル
n_epochs: int — エポック数
learning_rate: float — 学習率
"""
from cellpose import train
train_dir = Path(train_dir)
image_files = sorted(train_dir.glob("*.tif"))
mask_files = sorted(train_dir.glob("*_masks.tif"))
images = [io.imread(str(f)) for f in image_files]
labels = [io.imread(str(f)) for f in mask_files]
model = models.CellposeModel(model_type=model_type, gpu=True)
model_path = model.train(
images, labels,
channels=[0, 0],
n_epochs=n_epochs,
learning_rate=learning_rate,
save_path=str(train_dir / "models"),
)
print(f"Fine-tuned model saved: {model_path}")
print(f" Base: {model_type}, Epochs: {n_epochs}")
return model_path
def imaging_pipeline(image_dir, output_dir, model_type="cyto2",
channels_5=True):
"""
セグメンテーション + 特徴量抽出 統合パイプライン。
Parameters:
image_dir: str — 入力画像ディレクトリ
output_dir: str — 出力ディレクトリ
model_type: str — Cellpose モデル
channels_5: bool — 5ch Cell Painting
"""
output_dir = Path(output_dir)
output_dir.mkdir(parents=True, exist_ok=True)
# 1) バッチセグメンテーション
seg_results = batch_segmentation(
image_dir, output_dir / "masks", model_type=model_type
)
# 2) 特徴量抽出
all_features = []
for res in seg_results:
img_path = Path(image_dir) / res["image"]
mask_path = output_dir / "masks" / f"{img_path.stem}_masks.npy"
img = io.imread(str(img_path))
masks = np.load(str(mask_path))
if channels_5 and img.ndim == 3 and img.shape[-1] == 5:
feats = cell_painting_analysis(img, masks)
else:
feats = morphological_profiling(img, masks)
feats["image"] = res["image"]
all_features.append(feats)
combined = pd.concat(all_features, ignore_index=True)
combined.to_csv(output_dir / "features.csv", index=False)
print(f"Pipeline complete: {len(seg_results)} images, "
f"{len(combined)} cells profiled")
return combined
image-analysis → advanced-imaging → medical-imaging
(OpenCV/基本) (Cellpose/CellProfiler) (DICOM/MONAI)
│ │ ↓
fluorescence-microscopy ──┘ drug-target-profiling
(蛍光画像取得) │ (Cell Painting hit)
↓
cheminformatics
(Cell Painting → 化合物活性)
| ファイル | 説明 | 次スキル |
|---|---|---|
results/masks/ | セグメンテーションマスク群 | → medical-imaging |
results/features.csv | 形態学的特徴量マトリクス | → cheminformatics |
results/cell_painting.csv | Cell Painting プロファイル | → drug-target-profiling |
results/model/ | 微調整 Cellpose モデル | — |
| TU Key | ツール名 | 連携内容 |
|---|---|---|
biotools | bio.tools | 高度イメージングツール検索 |
実験の監査レポート・データ来歴（プロベナンス）生成スキル。 データ変換履歴・使用ツールのバージョン・データ整合性チェックを 含むトレーサビリティレポートを自動生成する。 「監査レポート作成」「データ来歴を記録」「トレーサビリティ」で発火。
派生実験設計スキル。既存の実験をベースに条件を変更した派生実験を 設計する。実験計画法（DOE）に基づくパラメータ探索を支援。 「派生実験を設計して」「条件を変えて実験」「パラメータ探索」で発火。
実験テンプレート生成スキル。研究目的・仮説・手法・実験条件・評価基準・ スケジュールを構造化した実験計画書を自動作成する。 「実験テンプレート作成して」「実験計画を立てて」「実験プロトコルを作成」で発火。
実験結果を論文形式（LaTeX / IMRaD）にエクスポートするスキル。 Introduction・Materials & Methods・Results・Discussion の構造で 出版準備用の原稿を自動生成する。 「論文にして」「LaTeX出力」「出版準備」で発火。
実験結果の査読・レビュースキル。再現性・統計的妥当性・方法論の 健全性を体系的に評価し、構造化されたレビューレポートを生成する。 「レビューして」「査読して」「実験結果を評価して」で発火。
科学技術・学術論文の執筆スキル。IMRaD 標準、Nature/Science 系、ACS 系、IEEE 系、 Elsevier 系のジャーナル形式に対応した論文構成・セクション設計・文章パターンを提供。 「論文を書いて」「Abstract を作成して」「Methods セクションを書いて」で発火。 assets/ に主要ジャーナル形式の Markdown テンプレートを同梱。