多路细胞成像分割结果转化为单细胞强度值表的实现方法

基础逻辑 #

你已经获得的实例分割标签数组中，每个非0的唯一值对应一个细胞的掩膜，基于该掩膜提取对应染色通道的像素值做统计，就是强度定量的核心逻辑，业内没有统一的强制规范，但有通用的实现流程。

标准实现步骤（Python生态，适配绝大多数分割工具输出） #

• 预处理校验：确保所有染色通道的原始图像与分割标签数组的空间尺寸、像素坐标完全对齐，如果分割时对图像做了缩放，需要先把标签数组还原到原始图像分辨率
• 背景扣除：提前对所有染色通道做背景校正，可使用滚球算法、多项式背景拟合等方式消除全局背景偏移，避免定量结果整体偏高
• 强度统计：基于分割标签提取每个细胞的区域，计算对应染色强度指标，常用可选指标如下：
  • 平均强度：区域内所有像素的均值，最通用的定量指标
  • 中位强度：对高/低异常值不敏感，适合存在零星噪点的成像数据
  • 总强度：区域内所有像素值总和，需要结合细胞面积参数共同参考
  • 百分位强度：如90%、95%分位像素值，适合分析仅在细胞局部高表达的靶标
• 结果汇总：将每个细胞的ID、各染色通道的强度指标、细胞面积/长宽比等形态学参数汇总为结构化表格输出，方便后续分析

可直接复用的示例代码 #

import numpy as np
import pandas as pd
from skimage.measure import regionprops

# 入参说明：
# label_arr: 分割输出的二维标签数组，0为背景，正整数为细胞唯一ID
# stain_channels: 列表，每个元素是对应染色通道的二维原始图像数组，顺序与染色名称对应
# stain_names: 列表，对应每个染色通道的名称，用于生成结果列名

# 提取所有细胞的属性
cell_props = regionprops(label_arr)
quant_result = []

for cell in cell_props:
    # 初始化单条细胞数据，可按需添加更多形态学参数
    cell_data = {
        "cell_id": cell.label,
        "cell_area_px": cell.area
    }
    # 遍历所有染色通道计算强度
    for stain_idx, stain_img in enumerate(stain_channels):
        stain_name = stain_names[stain_idx]
        # 提取当前细胞覆盖区域的像素值
        cell_pixels = stain_img[cell.coords[:, 0], cell.coords[:, 1]]
        # 可按需调整要计算的统计指标
        cell_data[f"{stain_name}_mean"] = np.mean(cell_pixels)
        cell_data[f"{stain_name}_median"] = np.median(cell_pixels)
        cell_data[f"{stain_name}_total"] = np.sum(cell_pixels)
    quant_result.append(cell_data)

# 输出为csv文件
result_df = pd.DataFrame(quant_result)
result_df.to_csv("./cell_stain_quantification.csv", index=False)

注意事项 #

• 如果需要做多批次样本的横向对比，需提前对所有成像数据做强度归一化，统一不同批次的染色动态范围
• 若分割结果存在标签错误（如粘连细胞未拆分、背景噪点被识别为细胞），可以先通过面积阈值过滤异常标签，再做定量计算
• 若要测定细胞膜、核等亚结构的染色强度，需要提前做好对应亚结构的实例分割，再按上述逻辑提取对应区域计算即可

内容的提问来源于stack exchange，提问作者burger