ImageJ图像分析 - 计数与共定位实战
从「数得准」到「算得对」:图像定量分析两大高频任务的操作要点与避坑指南。
自动计数:Analyze Particles 参数精调
基础流程见 使用教程 第四步。这里解决「数不准」的四个关键参数:
- Size:一定要按实际目标换算成物理单位(µm²),用绝对像素值在换物镜后会全盘失效;
- Circularity:0.85–1.00 可过滤掉拉长的纤维杂质,核形态不规则时放宽到 0.5;
- Watershed:粘连细胞先执行 Process → Binary → Watershed 再分析,对核染色效果显著;
- Exclude on edges:贴边目标被切半,必勾。
计数前后务必开 Overlay(Show 下拉选 Outlines)逐个人工抽查——自动计数永远需要抽检报告比例。
分割粘连目标的进阶手段
- 距离变换 + Watershed:Process → Binary → Distance Map 后再 Watershed,比直接分割稳;
- 形状先验:明确目标近圆形时,用 Process → Binary → Options 调整迭代腐蚀开运算去桥接;
- 复杂背景上 ML 分割:Trainable Weka Segmentation 画几笔正负样本即可训练,见 学习中心 第 11 课。
荧光共定位:Coloc 2 的正确打开方式
通道拆分
Image → Color → Split Channels 得到两个单通道 32-bit 图。
背景扣除
对两通道分别用 Process → Subtract Background…(rolling ball 50 起试)。
限定 ROI
在细胞区域内做选区——整幅图算共定位会把大片背景算进去,是新手最常见的错误结论来源。
运行 Coloc 2
Analyze → Colocalization → Coloc 2,勾选 Manders 与 Costes 显著性检验,导出 PDF 报告。
结果解读:Pearson r 只反映线性相关强度;Manders M1/M2 分别表示「A 中有多少比例落在 B 阳性区」,生物学解释更直观,但阈值选择必须配合 Costes 随机化验证。
结果统计与导出
Results 表 → File → Save As 导出 CSV;多组实验保持参数一致,把组别信息加在 Display label 前缀里,R/Python 读表即可直接分箱统计。整目录批处理见 宏编程页。