如何用Python处理TIF序列 区分3D凝胶迁移单核细胞与背景

这类无标记3D凝胶成像的单核细胞与凝胶背景空域特征高度相似，仅靠单帧空域滤波、阈值分割无法实现有效区分，必须结合时域背景差分+形态匹配检测的思路实现信号提取与追踪，具体步骤如下：

1. 依赖库安装与帧序列读入 #

先安装所需依赖，优先用对科研TIF格式兼容性更好的tifffile读入文件，避免帧数据位深、编码解析错误：

pip install tifffile opencv-python numpy scipy pandas matplotlib trackpy scikit-image

批量读入所有TIF帧并按时间顺序排序：

import glob
import cv2
import numpy as np
import tifffile as tiff
import trackpy as tp
import pandas as pd
import matplotlib.pyplot as plt

# 替换为你的TIF文件存储路径
frame_paths = sorted(glob.glob("./tif_frames/*.tif"))
raw_frames = np.array([tiff.imread(p) for p in frame_paths], dtype=np.float32)

2. 单帧空域预处理 #

先消除单帧内的光照不均匀、大块凝胶背景噪声：

• 取细胞直径5~10倍大小的高斯核提取单帧平缓背景，原图减去背景后归一化到8位灰度范围，消除全局光照不均

cell_diameter = 5  # 根据实际成像中细胞的像素直径调整
bg_kernel = cell_diameter * 8
spatial_corrected = []
for frame in raw_frames:
    bg = cv2.GaussianBlur(frame, (bg_kernel, bg_kernel), 0)
    corrected = frame - bg
    corrected = cv2.normalize(corrected, None, 0, 255, cv2.NORM_MINMAX, dtype=cv2.CV_8U)
    spatial_corrected.append(corrected)
spatial_corrected = np.array(spatial_corrected)

3. 时域增强（核心分离步骤） #

利用「运动细胞信号随时间变化、凝胶背景几乎静止」的特征做时域背景消除，这一步是解决单帧无法区分细胞和背景的关键：

• 对每个时间点的帧，取前后各2~3帧的时间窗，沿时间轴计算中值得到该时间点的静态背景，当前帧减去该静态背景，即可完全滤除静止的凝胶纹理，仅保留运动的细胞信号

time_window = 3  # 前后各取3帧计算时域背景
enhanced_frames = []
for t in range(len(spatial_corrected)):
    t_start = max(0, t - time_window)
    t_end = min(len(spatial_corrected), t + time_window + 1)
    time_stack = spatial_corrected[t_start:t_end]
    time_bg = np.median(time_stack, axis=0).astype(np.uint8)
    enhanced = cv2.subtract(spatial_corrected[t], time_bg)
    # 3*3小核高斯模糊消除高频椒盐噪声
    enhanced = cv2.GaussianBlur(enhanced, (3,3), 0)
    # 可选：加CLAHE局部对比度增强进一步拉高细胞信号
    clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
    enhanced = clahe.apply(enhanced)
    enhanced_frames.append(enhanced)
enhanced_frames = np.array(enhanced_frames)

4. 细胞检测与轨迹关联 #

直接使用专门针对微粒追踪优化的trackpy库做检测和轨迹关联，比手动写OpenCV轮廓检测、卡尔曼滤波适配性更强，对低信噪比小圆点目标检测准确率更高：

# 检测所有帧中的细胞候选点
detections = tp.batch(
    enhanced_frames,
    diameter=cell_diameter + 2,  # 检测核大小略大于细胞直径
    minmass=120,  # 信号强度阈值，误检多就调高，漏检多就调低
    invert=False
)
# 轨迹关联：单帧最大搜索距离为细胞直径的3倍，允许细胞最多消失3帧再重新匹配
trajectories = tp.link(detections, search_range=cell_diameter*3, memory=3)
# 过滤误检：删除持续出现帧数少于10帧的短轨迹（多为噪声点）
valid_trajectories = tp.filter_stubs(trajectories, threshold=10)

5. 结果导出与轨迹绘制 #

# 导出轨迹坐标为CSV文件，包含帧号、细胞ID、x/y坐标、信号质量等字段
valid_trajectories.to_csv("cell_migration_trajectories.csv", index=False)

# 绘制轨迹叠加图
plt.figure(figsize=(12,12))
plt.imshow(spatial_corrected[0], cmap="gray")
tp.plot_traj(valid_trajectories, colorby="particle", lw=1)
plt.axis("off")
plt.savefig("cell_track_plot.png", dpi=300, bbox_inches="tight")

调参说明：如果增强后仍有较多背景噪声，可适当增大时间窗大小；如果细胞运动速度快，适当增大轨迹关联的search_range参数即可。此前使用skimage、holoviews处理无效的核心原因是仅做了单帧空域处理，未利用时域信息区分运动目标和静态背景。

内容的提问来源于stack exchange，提问作者lupus silvae