细胞划痕实验Wound healing assay做多了以后你会发现最耗时间的不是细胞培养而是处理那一大堆划痕照片。我前几年帮某课题组处理一批数据手动用图像软件圈选划痕区域一张图就要花好几分钟几十张图下来眼睛都快花了。后来我彻底转到Matlab上做细胞划痕实验图片处理配合图像处理工具箱把划痕区域自动分割出来再计算划痕面积和愈合率效率提升了不是一点半点。这篇博文就把我的完整思路和实操细节写出来从预处理到分割再到面积计算和批量处理适合正在做划痕实验、又被图片分析折磨的同学们参考。1. 划痕实验图像处理到底在解决什么问题1.1 为什么用Matlab来做划痕面积计算划痕实验的原理其实很朴素在长满细胞的培养皿里用枪头刮出一道空白区域然后观察细胞往空白区域迁移的速度以此判断细胞迁移能力。迁移得快说明细胞“跑得快”这在肿瘤转移、伤口愈合研究里是常用的功能学实验。而最终要量化出来的核心指标就是划痕区域的面积随时间的变化。这个“面积”怎么算决定了你实验结论的可信度。早期很多同学的做法是用ImageJ手动描边或者用Photoshop数像素。手动方式在小样本量时还能接受但一旦涉及多时间点、多重复孔效率就非常低而且不同人描出来的边界差异很大。Matlab的好处在于它有完整的图像处理工具箱从灰度化、滤波、阈值分割到形态学处理一条龙都能做而且可以写脚本批量跑。处理结果还能叠加原图做可视化方便你一眼看出分割得准不准。1.2 一张划痕图像里需要提取哪些信息划痕图像本质上就是细胞单层培养的照片里面主要有两类区域被细胞覆盖的区域和划痕造成的空白区域。我们要提取的就是空白区域的面积。通常情况下处理一张划痕图需要关注以下几个信息划痕的面积单位通常用像素或平方微米表示划痕的平均宽度因为它能反映细胞迁移的线性趋势不同时间点下划痕面积的缩小比例通常用愈合率表示。如果只有单一时间点你要算的就是当前划痕面积如果做了多个时间点比如0小时、12小时、24小时那么关键就是算愈合率。愈合率的常见公式是愈合率 (0小时划痕面积 - 某时间点划痕面积) / 0小时划痕面积 × 100%。所以处理流程的第一步不是急着做图像算法而是先想清楚你最后要的是哪个指标这直接决定了你在分割时是追求“绝对面积准确”还是“同一标准下的相对一致”。2. 图像预处理把原始照片变成适合分割的样子很多人拿到图像后直接就开始做阈值分割结果发现划痕区域根本分不干净。原因很简单显微镜拍摄的图片往往存在光照不均、背景噪声、焦平面不一致等问题直接分割会把细胞碎片、培养皿划痕边缘的杂质也一并算进去。预处理是整套流程的地基地基没打好后面全是白费工夫。2.1 灰度化与对比度增强细胞图像通常是灰度图但也有不少显微镜输出的是RGB彩色图。如果是彩色图第一步是用rgb2gray转成灰度。这里有个小经验直接用rgb2gray是将三个通道按标准权重混合但有时候细胞图像里的划痕区域在绿色通道或蓝色通道下对比度更好。你可以分别提取三个通道看看再选对比度最高的那个通道作为后续处理的基础比只用rgb2gray效果更好。对比度增强这块我最常用的是adapthisteq函数也就是自适应直方图均衡化。跟普通histeq相比adapthisteq是分块处理的对光照不均的图片效果更好能把划痕边界和细胞边缘都拉得比较清晰。不过要注意参数设置NumTiles默认是8乘以8如果图像尺寸很大可以适当调大一点ClipLimit默认0.01如果图像噪声比较重过高会把噪声也放大。img imread(wound_0h.tif); if size(img, 3) 3 gray rgb2gray(img); end enhanced adapthisteq(gray, NumTiles, [8 8], ClipLimit, 0.01);2.2 背景不均和光照校正划痕实验的图片经常出现一个问题整张图不是均匀亮的而是中间亮、四周暗或者某一条边上有阴影。这种光照不匀会导致后续阈值分割时同一个灰度级别在不同位置代表完全不同的含义。处理这类问题最有效的工具是形态学背景校正。具体做法是使用imopen对图像做一个开运算用一个大半径的结构元素把图像中的细小结构细胞和划痕抹掉剩下的就是光照背景估计然后再用原始图减去这个背景。这里的关键点是结构元素半径必须远大于是细胞和划痕的尺寸否则背景估计会把划痕区域也带进去。比如我的经验是对一张2048乘1536像素的图片结构元素半径至少选30到50像素。se strel(disk, 50); background imopen(enhanced, se); corrected enhanced - background; corrected imadjust(corrected);做完这步以后图像的光照底色会变得非常均匀后续分割的稳定性会大幅提升。如果拍摄时没有明显光照不均这步可以省但如果你换过显微镜或者拍摄模式不确定我建议每次都做一次成本很低效果稳定。2.3 滤波去噪图像总会有噪点主要是CCD传感器热噪声和培养皿表面的细小颗粒。去噪我一般用中值滤波medfilt2它对椒盐噪声效果很好同时能保留边缘。高斯滤波虽然平滑效果好但处理不好会把细胞边缘弄模糊反而让划痕边界难以提取。中值滤波的窗口大小如果用3乘3或5乘5对划痕边界的影响都比较小。我通常先用5乘5试一下如果图像特别细腻再降到3乘3。denoised medfilt2(corrected, [5 5]);有一点必须提醒滤波不是越强越好。很多次我看到有人用很大的滤波窗口把图像磨得很平划痕是干净了但细胞边界也被磨没了最后分割出来的划痕面积比真实值小很多。滤波的目标是把噪点压下去同时保持划痕边界锐利所以宁可用小窗口也不要盲目追求“干净”。3. 划痕区域分割从阈值到形态学的完整操作链预处理结束后图像已经变成一张对比度良好、背景均匀、噪声较低的灰度图。这时候才轮到核心环节——把划痕区域从图像里“抠”出来。3.1 阈值分割为什么不能一劳永逸划痕区域的灰度值跟细胞区域有差异划痕区域因为没细胞通常更暗细胞区域因为有细胞体覆盖灰度更亮。所以理论上用阈值就能分开。但实际操作中一个固定阈值往往不靠谱因为不同位置的划痕灰度范围不同不同时间点的对比度也不同。最常用的自动阈值方法是Otsu方法Matlab里用graythresh就能实现。这个方法在双峰明显的图像上效果很好但划痕图像常常不是干净的双峰因为细胞密度不均划痕边缘还有零星的细胞突起。所以我的做法是先用graythresh算出一个初始阈值然后根据多次实验的目视检查结果做一个offsets调整。比如如果发现分割结果偏大把边缘暗细胞也算进去了就把阈值调高一点用offset给阈值加一个正值。level graythresh(denoised); threshold level 0.03; % 根据实际效果调整偏移量 bw denoised threshold * 255;如果你用的是新版Matlab也可以直接用adaptthresh做自适应阈值它对光照不均的图片更友好但计算量稍大。我的经验是预处理已经把背景校正好了的前提下全局阈值加偏移量会更稳定也更好调节因为就一个参数手动微调起来很方便。3.2 形态学处理填补空洞、消除杂点阈值分割出来的二值图通常不太干净主要问题有划痕内部有零星的细胞碎片形成“空洞”划痕外有细胞碎片或染色颗粒形成“孤立的白色小点”。这些都需要形态学操作来处理。先用imclose闭运算填补划痕内部的空洞再用imopen开运算去除边缘毛刺最后用bwareaopen删除小于某个面积阈值的连通域。这里要特别提一下bwareaopen它是清除小面积杂质的利器。面积阈值怎么定呢我会先统计一下所有连通域的面积分布找到明显断层的那个值。比如划痕区域面积可能有几十万像素而细胞碎片的面积通常只有几十到几百像素那么阈值设在1000像素左右就很安全。bw_closed imclose(bw, strel(disk, 5)); bw_opened imopen(bw_closed, strel(disk, 3)); bw_clean bwareaopen(bw_opened, 1000);结构元素的半径选择也要注意。半径太小空洞补不上半径太大会把划痕边缘磨圆面积算出来偏小。我的建议是结构元素半径不要超过划痕宽度的十分之一。比如划痕宽度在图像里大约100像素那么disk半径选5到10就差不多。3.3 自动识别划痕区域而不是直接拿所有白色区域这是很多新手容易踩的坑阈值分割之后直接把所有白色像素算成划痕面积。但图像里除了划痕还可能有培养皿边缘的反光、气泡边缘、手写标记等杂物这些都被阈值选中了。更关键的是细胞单层里如果有一些细胞密度特别低的区域也可能被分割成大片白色区域面积甚至比划痕还大。该怎么办我的处理思路通常是找出最大的连通域认定它就是划痕区域。在标准划痕实验里划痕通常是细长条状横跨图像中部面积占比可观所以最大连通域策略在大多数情况下成立。但如果划痕被细胞迁移分成了好几段最大连通域就不够用了。更稳妥的方法是先根据划痕的形态特征做筛选。比如划痕是长条状可以用regionprops计算每个连通域的离心率Eccentricity和长轴长度离心率接近1、长轴很长的那个区域才是真正的划痕。如果图像里只有一条划痕只保留这个区域其他全部滤除。如果有多条平行划痕也可以按形态特征筛选后再合并。props regionprops(bw_clean, Area, Eccentricity, MajorAxisLength, PixelIdxList); % 筛选出离心率大于0.9且长轴足够长的区域作为划痕 idx find([props.Eccentricity] 0.9 [props.MajorAxisLength] 200); selected_mask false(size(bw_clean)); for i idx selected_mask(props(i).PixelIdxList) true; end这段逻辑的处理效果是哪怕图像里有大块杂物只要它不是“细长条”形状就不会被当成划痕。我还见过有人直接用bwlabel加人工选择的方式点击划痕区域编号这在批处理时不太实用我建议还是把规则写死在脚本里。4. 面积计算与批量处理从像素到科研结论分割结束后的二值图就是一个逻辑数组白色像素代表划痕区域。这时候计算面积很简单直接用sum统计白色像素数量就行。但科研数据不能只给“像素数量”因为不同图片的分辨率可能不一样必须换算成物理尺寸才有可比性。4.1 像素面积到物理面积的换算换算的关键是知道图片的真实尺寸信息。通常显微镜软件会记录像素对应的物理尺寸比如某张图每个像素对应0.65微米。如果没有记录可以用标尺粗略计算比如图像中标尺显示100微米实际占154个像素那么每像素就是100/154微米。换算公式很简单物理面积 像素面积 × (每像素对应的微米数)^2比如你的像素面积是286500像素每像素0.65微米那么物理面积就是286500乘以0.65的平方约等于121,046平方微米。如果在0小时和24小时分别算出来一个约121,046另一个约45,230那么愈合率就是(121046-45230)/121046*100约等于62.6%。这个数值就可以直接写进论文或者做统计分析了。pixel_area sum(selected_mask(:)); scale 0.65; % 每像素对应的微米数根据显微镜参数设定 area_um2 pixel_area * scale^2;4.2 批量处理多组图片时的注意事项单张图处理好了接下来就该写批量脚本。批量处理的常见需求是一个文件夹里有多张来自不同时间点、不同孔位的划痕图像文件名带有0h、12h、24h这样标识。我通常把所有图像放在固定目录用dir函数列出所有tif文件然后循环处理每一张把结果存到一个表格里。批量处理有个特别容易被忽略的坑每张图的拍摄条件可能有细微差异如果你用完全固定的阈值偏移量有的图分割得很好有的图就会偏大或偏小。所以我的策略是先用三到五张代表性图片手动调好参数然后在批量脚本里加入一个对每个结果的可视化检查步骤把分割轮廓画在原图上保存成检查图。等到检查图全部看过一遍确认没有明显偏差后数据才敢用。files dir(wound_images/*.tif); results table(); for i 1:length(files) img imread(fullfile(files(i).folder, files(i).name)); % ... 中间步骤复用前面写的预处理和分割代码 ... area_um2 pixel_area * scale^2; results [results; table({files(i).name}, area_um2)]; end writetable(results, scratch_area_results.csv);另外我强烈建议在循环里加一行代码保存带有轮廓叠加的检查图。如果不加这一步你压根不知道算法在哪些图上失效了等数据分析做完才发现数据不对再来返工就很浪费时间。检查图命名可以和原图对应比如在原文件名前面加“check_”前缀方便对照。4.3 结果可视化和数据导出面积计算完之后不要直接抱着数字就开始做统计先画图看看趋势。最常用的可视化是把不同时间点的平均划痕面积画成折线图或者把愈合率画成柱状图。Matlab里用plot就能画但是要注意如果给多个孔位的数据画均值加误差线误差棒可以用errorbar。需要导出数据到Excel时我推荐直接写CSV文件然后导入Excel或者GraphPad Prism继续做统计。CSV格式简单兼容性好writetable函数一行就能搞定。注意把文件名字、像素面积、物理面积、时间点这些字段都列清楚不要在结果表里只放一个面积数字否则后期核对数据时会很想骂人。5. 我踩过的坑和几条实在建议这一部分算是我在做划痕图像处理时踩过的坑的总结。这些坑不会写在任何教程里但几乎每个用Matlab做划痕实验分析的人都会遇到。5.1 划痕边缘模糊导致的分割偏差划痕边缘其实不是一条清晰锐利的线。枪头划过细胞层的时候边缘的细胞会被撕裂留下一圈拖尾的半贴壁细胞它们灰度值介于正常细胞和空白区域之间。阈值分割时这一圈半透明区域的归属非常难判断。如果阈值偏低这些细胞会被划入划痕区域导致面积偏大阈值偏高它们又会跟细胞区域连在一起导致面积偏小。应对办法有两个方向。一个是在预处理时用sobel边缘检测计算整个图像的梯度幅度然后让划痕边界定位在梯度最大的地方而不是单纯依赖灰度阈值。另一个更简单粗暴的方案是在固定所有拍摄参数的前提下尝试三到四个不同的阈值偏移量比较面积计算结果对阈值的敏感度。如果偏移量变化0.02面积变化小于5%那这个参数基本是稳健的。如果变化很大说明你的图像本身对比度不行需要考虑改用更大的划痕宽度或者调整显微镜设置。5.2 细胞碎片和培养皿划痕杂质的干扰细胞碎片这事我印象太深了。某次处理一批数据算法跑出来的划痕面积波动非常奇怪有的孔位0小时面积比12小时还小怎么想都不合理。后来把检查图调出来才发现有个孔位的图像上多了很多亮白色的细胞碎片全部被当成了细胞区域跟划痕区域产生了错误分割。这个问题最有效的解决办法有两个一是严格控制拍摄时细胞状态换液或冲洗时动作轻一点减少碎片二是在分割完成后对每个连通域做面积和形态筛选前面我用离心率筛选就是这个思路。碎片通常是圆形的离心率很低划痕是长条形的离心率接近1用这个方法能筛掉绝大部分干扰。如果碎片跟划痕连在一起了形态筛选就不好使了这时候只能手动校正用roipoly在检查图模式下圈出多余区域删掉。5.3 批量处理时文件命名与拍摄参数的规范这个不算图像处理算法问题但我觉得值得拿出来说。批量处理脚本本身不复杂真正折磨人的是文件命名不统一。比如有的文件叫“0h-control-1.tif”有的叫“control_0h_rep1.tif”你的脚本需要额外写一堆字符串处理才能区分时间点和分组稍不留神就会把数据对应错。我的建议是实验一开始就固定一套命名规则比如“时间点_分组_重复编号.tif”并且把所有图像按孔位和时间点存好。拍摄时也尽量固定曝光时间和显微镜参数因为曝光度变化会直接改变灰度分布直接影响分割精度。如果你控制不了拍摄参数至少在批量处理之前把所有图像用imhist统计一下灰度范围看看有没有明显的整体偏移然后针对不同灰度范围做一次归一化标准化。说回个人体会划痕图像处理这件事算法流程本身并不复杂真正决定结果质量的是对每一步参数含义的理解和认真检查的习惯。Matlab给你的是灵活度很高的工具平台但最终对数据的负责还得靠你自己。先拿三到五张典型图片把整个流程跑通确认可视化检查结果没问题再放手跑全量数据。我自己的习惯是即使调好了批量脚本也一定留好所有中间步骤的图像这样即使过了几个月数据有争议也能快速回查问题出在哪一步。如果哪位同学在跑批时遇到特别诡异的面积波动不妨按着这几个思路排查一遍大概率能找到问题所在。