O algoritmo proposto no manuscrito "An Advanced Framework for Time-lapse Microscopy Image Analysis" pode detectar, rastrear e classificar células cancerígenas, bem como detectar fagocitose em imagens de microscopia de lapso de tempo.
Os arquivos na pasta cell_classification são os códigos necessários para classificar as células cancerígenas em vivas e mortas.
Este arquivo implementa a detecção de células nas imagens. Ele contém várias etapas, como converter imagens coloridas em imagens em escala de cinza e imagens em escala de cinza em imagens binárias, encontrar contornos em imagens binárias, determinar se um contorno é realmente uma célula e calcular a forma das células.
Este código classifica as células nas imagens. Ele contém diversas etapas como rastrear células através de imagens contínuas, determinando quais células estão vivas e quais estão mortas.
Este código utiliza imagens de microscopia de lapso de tempo como dados de entrada e fornece ao usuário a classificação das células como saída. Ele chama cell_detect.py e cell_classify.py para o cálculo.
Os usuários precisam executar o código no ambiente Ubuntu. Após preparar os dados de entrada, execute o seguinte comando:
$./main.py
Os arquivos da pasta phagocytosis_detection são os códigos para detectar a fagocitose nas imagens.
Este arquivo implementa a detecção de células nas imagens. Ele contém várias etapas, como converter imagens coloridas em imagens em escala de cinza e imagens em escala de cinza em imagens binárias, encontrar contornos em imagens binárias, determinar se um contorno é realmente uma célula e calcular a forma das células.
Este código detecta fagocitose em imagens contínuas. Contém a aplicação de DBSCAN, regressão linear e determinação se um cluster contém fagocitose.
Este código usa imagens de microscopia de lapso de tempo como dados de entrada e fornece ao usuário um vídeo no qual as células são agrupadas e os clusters são marcados se contiverem fagocitose como saída. Ele chama cell_detect.py e phagocytosis_detect.py para o cálculo.
Os usuários precisam executar o código no ambiente Ubuntu. Após preparar os dados de entrada, execute o seguinte comando:
$./main.py
