@nahisaho/satori 0.13.0 → 0.15.0

package/src/.github/skills/scientific-advanced-imaging/SKILL.md

@@ -0,0 +1,382 @@
+---
+name: scientific-advanced-imaging
+description: |
+  高度バイオイメージング解析スキル。CellProfiler によるモフォロジカル
+  プロファイリング・Cell Painting 解析、Cellpose による深層学習
+  セルセグメンテーション、napari によるインタラクティブ 3D 可視化。
+---
+
+# 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
+
+```
+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 | — |