Scientific Advanced Imaging
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。
When to Use
- •Cell Painting アッセイ画像を解析するとき
- •深層学習によるセルセグメンテーションが必要なとき (Cellpose)
- •形態学的特徴量 (面積、真円度、テクスチャ等) を定量するとき
- •蛍光顕微鏡スタック画像を 3D 可視化するとき
- •カスタム Cellpose モデルを微調整するとき
- •高コンテンツスクリーニング (HCS) データを処理するとき
Quick Start
1. Cellpose セルセグメンテーション
python
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
2. バッチセグメンテーション
python
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
3. CellProfiler 形態学的プロファイリング
python
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
4. Cell Painting 解析
python
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
5. napari 3D 可視化
python
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
6. Cellpose カスタムモデル微調整
python
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
7. 統合イメージングパイプライン
python
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
パイプライン統合
code
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)
パイプライン出力
| 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 | — |