scientific-image-analysis

name	scientific-image-analysis
description	科学画像解析スキル。顕微鏡画像のセグメンテーション（Otsu/Watershed/Felzenszwalb）、 粒径分布解析、形態計測（面積・周囲長・真円度・アスペクト比）、テクスチャ解析 （GLCM/LBP）、強度プロファイル、マルチチャネル蛍光画像合成の解析テンプレート。
tu_tools	[{"key":"biotools","name":"bio.tools","description":"画像解析ツールレジストリ検索"}]

Scientific Image Analysis

光学顕微鏡（SEM / TEM / 蛍光）や医用画像データの定量解析パイプライン。 画像前処理→セグメンテーション→形態計測→統計解析の標準ワークフローを提供する。

When to Use

• 顕微鏡画像の粒子・構造のセグメンテーションが必要なとき
• 粒径分布・形態パラメータ（面積、真円度など）を定量化するとき
• テクスチャ特徴量（GLCM / LBP）を抽出するとき
• 蛍光画像のマルチチャネル合成・強度定量化が必要なとき

---

Quick Start

1. 画像読み込み・前処理

import numpy as np
import matplotlib.pyplot as plt
from skimage import io, filters, morphology, measure, exposure, color
from skimage.segmentation import watershed, felzenszwalb
from scipy import ndimage

def load_and_preprocess(filepath, target_size=None):
    """
    画像の読み込みと前処理。

    Steps:
        1. グレースケール変換
        2. コントラスト強調 (CLAHE)
        3. ノイズ除去 (Gaussian)
    """
    img = io.imread(filepath)

    if img.ndim == 3:
        gray = color.rgb2gray(img)
    else:
        gray = img.astype(float)

    # CLAHE (Contrast Limited Adaptive Histogram Equalization)
    enhanced = exposure.equalize_adapthist(gray, clip_limit=0.03)

    # ガウシアンノイズ除去
    denoised = filters.gaussian(enhanced, sigma=1)

    if target_size is not None:
        from skimage.transform import resize
        denoised = resize(denoised, target_size, anti_aliasing=True)

    return img, gray, denoised

2. セグメンテーション

2.1 Otsu + 形態演算

def otsu_segmentation(image, min_size=50, closing_disk=3):
    """
    Otsu 閾値 + 形態学的クリーニングによるバイナリセグメンテーション。
    """
    threshold = filters.threshold_otsu(image)
    binary = image > threshold

    # 形態学的クリーニング
    binary = morphology.binary_closing(binary, morphology.disk(closing_disk))
    binary = morphology.remove_small_objects(binary, min_size=min_size)
    binary = ndimage.binary_fill_holes(binary)

    # ラベリング
    labels = measure.label(binary)

    return binary, labels, threshold

2.2 Watershed セグメンテーション

from skimage.feature import peak_local_max

def watershed_segmentation(image, min_distance=10, footprint_size=3):
    """
    Watershed による接触粒子の分離セグメンテーション。
    """
    threshold = filters.threshold_otsu(image)
    binary = image > threshold
    binary = ndimage.binary_fill_holes(binary)

    # 距離変換
    distance = ndimage.distance_transform_edt(binary)

    # ローカルマキシマ
    coords = peak_local_max(distance, min_distance=min_distance,
                             labels=binary)
    mask = np.zeros(distance.shape, dtype=bool)
    mask[tuple(coords.T)] = True
    markers = measure.label(mask)

    # Watershed
    labels = watershed(-distance, markers, mask=binary)

    return labels, distance

3. 形態計測

def morphometric_analysis(labels, pixel_size_um=1.0):
    """
    ラベル画像から各オブジェクトの形態パラメータを計測する。

    計測項目:
        - area: 面積 (μm²)
        - perimeter: 周囲長 (μm)
        - equivalent_diameter: 等価円直径 (μm)
        - circularity: 真円度 4π·A/P²
        - aspect_ratio: アスペクト比 (major/minor axis)
        - solidity: 充填率 (area/convex_area)
        - eccentricity: 離心率
    """
    import pandas as pd

    props = measure.regionprops(labels)
    records = []

    for p in props:
        area = p.area * (pixel_size_um ** 2)
        perimeter = p.perimeter * pixel_size_um
        eq_diameter = p.equivalent_diameter * pixel_size_um
        circularity = (4 * np.pi * p.area) / (p.perimeter**2 + 1e-10)
        aspect_ratio = p.major_axis_length / (p.minor_axis_length + 1e-10)

        records.append({
            "label": p.label,
            "area_um2": area,
            "perimeter_um": perimeter,
            "equivalent_diameter_um": eq_diameter,
            "circularity": circularity,
            "aspect_ratio": aspect_ratio,
            "solidity": p.solidity,
            "eccentricity": p.eccentricity,
            "centroid_y": p.centroid[0],
            "centroid_x": p.centroid[1],
        })

    return pd.DataFrame(records)

4. 粒径分布

def particle_size_distribution(morpho_df, diameter_col="equivalent_diameter_um",
                                 bins=30, figsize=(10, 6)):
    """
    粒径分布のヒストグラムと統計量を算出する。

    出力:
        - ヒストグラム + カーネル密度
        - D10, D50 (中央値), D90
        - 平均, 標準偏差, 変動係数 CV
    """
    diameters = morpho_df[diameter_col].values

    d10 = np.percentile(diameters, 10)
    d50 = np.percentile(diameters, 50)
    d90 = np.percentile(diameters, 90)
    span = (d90 - d10) / d50

    stats = {
        "count": len(diameters),
        "mean_um": np.mean(diameters),
        "std_um": np.std(diameters),
        "cv_pct": np.std(diameters) / np.mean(diameters) * 100,
        "d10_um": d10,
        "d50_um": d50,
        "d90_um": d90,
        "span": span,
    }

    fig, ax = plt.subplots(figsize=figsize)
    ax.hist(diameters, bins=bins, density=True, alpha=0.7, color="steelblue",
            edgecolor="black", linewidth=0.5)

    # KDE
    from scipy.stats import gaussian_kde
    kde = gaussian_kde(diameters)
    x_range = np.linspace(diameters.min(), diameters.max(), 200)
    ax.plot(x_range, kde(x_range), "r-", linewidth=2, label="KDE")

    # D10/D50/D90 線
    for d, label in [(d10, "D10"), (d50, "D50"), (d90, )]:
        ax.axvline(d, color=, linestyle=, alpha=)
        ax.text(d, ax.get_ylim()[]*, , fontsize=)

    ax.set_xlabel()
    ax.set_ylabel()
    ax.set_title(, fontweight=)
    ax.legend()
    plt.tight_layout()
    plt.savefig(, dpi=,
                bbox_inches=)
    plt.close()

     stats

5. テクスチャ解析 (GLCM)

from skimage.feature import graycomatrix, graycoprops

def glcm_texture_features(image, distances=[1, 3, 5], angles=[0, np.pi/4,
                            np.pi/2, 3*np.pi/4], levels=256):
    """
    GLCM (Gray-Level Co-occurrence Matrix) テクスチャ特徴量を抽出する。

    Features: contrast, dissimilarity, homogeneity, energy, correlation, ASM
    """
    img_uint8 = (image * 255).astype(np.uint8) if image.max() <= 1 else image.astype(np.uint8)

    glcm = graycomatrix(img_uint8, distances=distances, angles=angles,
                         levels=levels, symmetric=True, normed=True)

    features = {}
    for prop in ["contrast", "dissimilarity", "homogeneity", "energy",
                 "correlation", "ASM"]:
        values = graycoprops(glcm, prop)
        features[f"{prop}_mean"] = values.mean()
        features[f"{prop}_std"] = values.std()

    return features

6. 蛍光マルチチャネル合成

def merge_fluorescence_channels(channels, colors=None, figsize=(10, 10)):
    """
    蛍光顕微鏡のマルチチャネル画像を合成する。

    Parameters:
        channels: dict {"DAPI": array, "GFP": array, "RFP": array}
        colors: dict {"DAPI": [0,0,1], "GFP": [0,1,0], "RFP": [1,0,0]}
    """
    if colors is None:
        colors = {"DAPI": [0, 0, 1], "GFP": [0, 1, 0], "RFP": [1, 0, 0],
                  "Cy5": [1, 0, 1]}

    ch_names = list(channels.keys())
    shape = list(channels.values())[0].shape
    merged = np.zeros((*shape, 3))

    n = len(ch_names) + 1
    fig, axes = plt.subplots(1, n, figsize=(5*n, 5))

    for i, (name, img) in enumerate(channels.items()):
        # 正規化
        norm_img = (img - img.min()) / (img.max() - img.min() + 1e-10)

        # 個別チャネル表示
        ch_color = np.array(colors.get(name, [1, 1, 1]))
        colored = norm_img[:, :, np.newaxis] * ch_color
        axes[i].imshow(np.clip(colored, , ))
        axes[i].set_title(name, fontweight=)
        axes[i].axis()

        
        merged += colored

    
    axes[-].imshow(np.clip(merged, , ))
    axes[-].set_title(, fontweight=)
    axes[-].axis()

    plt.tight_layout()
    plt.savefig(, dpi=, bbox_inches=)
    plt.close()

     np.clip(merged, , )

ToolUniverse 連携

TU Key	ツール名	連携内容
biotools	bio.tools	画像解析ツールレジストリ検索

References

Output Files

ファイル	形式
results/morphometric_data.csv	CSV
results/particle_size_stats.csv	CSV
results/glcm_texture_features.csv	CSV
figures/segmentation_result.png	PNG
figures/particle_size_distribution.png	PNG
figures/fluorescence_merged.png	PNG

依存パッケージ

scikit-image>=0.21
scipy>=1.10