Сегментация 3D-органоидов и извлечение признаков — на Python скачать в хорошем качестве

Сегментация 3D-органоидов и извлечение признаков — на Python

Узнайте, как сегментировать клетки и ядра на 3D-изображениях органоидов с помощью Cellpose, выполнять контроль качества и извлекать количественные признаки, готовые к анализу. Этот урок устраняет разрыв между необработанными данными микроскопии и структурированными таблицами признаков, которые мы будем использовать в последующих уроках по анализу. В этом уроке вы узнаете, как взять необработанные 3D-изображения флуоресцентной микроскопии и преобразовать их в данные, пригодные для анализа, с помощью автоматической сегментации и извлечения признаков с использованием Python. Мы рассмотрим полный конвейер от необработанных стеков TIFF до таблиц признаков CSV. Вы сегментируете ядра и клетки в 3D с помощью моделей глубокого обучения Cellpose, сопоставляете каждое ядро ​​с родительской клеткой, применяете фильтры контроля качества для удаления артефактов и извлекаете морфологические, интенсивные, топологические и геометрические признаки для каждой клетки. В конце у вас будет готовый к использованию код для анализа ваших собственных наборов данных органоидов. НАБОР ДАННЫХ: Изображения органоидов PDAC из работы Ong et al., Nature Methods 2025 Скачать: https://github.com/quantacell/3DcellS... Необходимые файлы: PDAC-C1.tif (ядерный канал), PDAC-C2.tif (клеточный канал) КОД: Ссылка на полный блокнот: https://github.com/bnsreenu/3D-Organo... КОММЕРЧЕСКАЯ АЛЬТЕРНАТИВА: Если вы работаете в биофармацевтической отрасли и вам необходимо масштабировать этот рабочий процесс до сотен органоидов на многолуночных планшетах без программирования, обратите внимание на ZEISS arivis. Он обеспечивает автоматическую сегментацию, пакетную обработку и 3D-визуализацию, разработанные для высокопроизводительного скрининга органоидов.