Python显微镜图像分析：Sholl分析方法详解-优快云博客

本文链接：https://blog.youkuaiyun.com/gitblog_00633/article/details/148548728

Python显微镜图像分析：Sholl分析方法详解

python_for_microscopists 项目地址: https://gitcode.com/gh_mirrors/py/python_for_microscopists

什么是Sholl分析？

Sholl分析是神经科学中用于量化神经元分支模式复杂性的经典方法。这种方法通过测量神经元树突或轴突从胞体(细胞体)向外延伸的分支情况，帮助研究人员理解神经元的形态特征。

Sholl分析的基本原理

同心圆叠加：在神经元图像上叠加一系列以胞体为中心的同心圆
交点计数：统计神经元分支与每个圆的交点数量
数据分析：将交点数量与半径关系绘制成曲线，反映分支复杂度的空间变化

技术实现步骤

1. 图像预处理

首先需要将原始神经元图像转换为适合分析的格式：

# 加载图像并转换为灰度
img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)

# 使用Otsu阈值法创建二值图像
_, binary_img = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

# 对二值图像进行骨架化处理
skeleton = skeletonize(binary_img // 255)

2. 胞体定位

分析需要准确定位胞体中心，提供两种方式：

# 自动检测(基于亮度)
def identify_soma_auto(image):
    min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(image)
    mask = np.zeros(image.shape, dtype=np.uint8)
    cv2.circle(mask, max_loc, 20, 255, -1)
    moments = cv2.moments(mask)
    cx = int(moments['m10'] / moments['m00'])
    cy = int(moments['m01'] / moments['m00'])
    return (cx, cy)

# 手动选择(交互式)
def manual_soma_selection(image):
    soma_coords = []
    def mouse_callback(event, x, y, flags, param):
        if event == cv2.EVENT_LBUTTONDOWN:
            soma_coords.append((x, y))
            cv2.destroyAllWindows()
    # ... 交互实现代码

3. Sholl分析核心算法

# 设置分析参数
radius_step = 20  # 同心圆间距(像素)
max_radius = int(max(img.shape) * 0.6)  # 最大半径

# 生成半径序列
radii = np.arange(radius_step, max_radius, radius_step)
intersection_counts = []

# 对每个半径进行分析
for radius in radii:
    # 创建圆形掩膜
    rr, cc = disk(soma_center, radius, shape=img.shape)
    circle_mask = np.zeros_like(skeleton, dtype=bool)
    circle_mask[rr, cc] = 1
    
    # 计算骨架与圆的交点
    intersection = np.logical_and(skeleton, circle_mask)
    count = np.count_nonzero(intersection)
    intersection_counts.append(count)

4. 数据可视化

分析结果可通过多种图形展示：

原始图像与二值化对比
骨架化结果
叠加Sholl分析圆圈的图像
交点数量随半径变化的曲线

# 线性拟合分析示例
def linear_fit(r, *params):
    return sum(param * r**i for i, param in enumerate(params))

degree = 3  # 多项式阶数
popt, pcov = optimize.curve_fit(linear_fit, radii, intersection_counts, p0=[1]*(degree+1))

# 计算R平方值
residuals = intersection_counts - linear_fit(radii, *popt)
ss_res = np.sum(residuals**2)
ss_tot = np.sum((intersection_counts - np.mean(intersection_counts))**2)
r_squared = 1 - (ss_res / ss_tot)