用途
本技能面向显微镜图像分析与定量成像数据，用于处理显微测量数据（如面积、圆度、强度、细胞计数等），覆盖菌落形态测量、细胞计数、荧光定量、回归建模与统计比较。适用于 BixBench 成像类问题，覆盖 bix-18、bix-19、bix-41、bix-54 四个项目共 21 个问题。
主要能力
- 统计分析：分组统计、t 检验、Mann-Whitney、ANOVA、Dunnett 检验、Tukey HSD、双因素 ANOVA、Cohen's d 效应量、功效分析、Shapiro-Wilk 正态性检验。
- 回归建模：多项式（二次、三次）回归、自然样条、线性模型，以及 R-squared、调整 R-squared、F 统计量、AIC/BIC 等模型比较指标。
- 细胞计数：针对 DAPI、NeuN 等荧光标记，使用阈值加 watershed；明场使用自适应阈值；高密度可使用 CellPose 或 StarDist（外部）。
- 菌落分割：群集运动实验使用 Otsu 阈值加形态学；生物膜使用 Li 阈值加填洞；生长实验使用延时追踪。
- 荧光定量：基于 regionprops 的强度测量、Pearson/Manders 共定位分析、多通道逐通道定量。
- 原始图像处理：加载、预处理、分割、测量、导出。
使用方式
核心依赖包安装：
pip install pandas numpy scipy statsmodels patsy scikit-image opencv-python-headless tifffile
工作流从决策树开始：先判断数据是预量化 CSV/TSV 还是原始图像；再判断所需分析类型（统计比较、回归建模、细胞计数、菌落分割、荧光定量）；然后选择 scikit-image 或 OpenCV。
预量化数据分析流程：发现数据文件并检查列名（如 Area、Circularity、Round、Genotype、Ratio、NeuN、DAPI、GFP）→ 计算分组统计 → 执行统计检验 → 进行回归建模。
原始图像处理流程：加载 → 预处理 → 分割 → 测量 → 导出。示例脚本包括：
python scripts/segment_cells.py cells.tif --channel 0 --min-area 50
python scripts/batch_process.py input_folder/ output.csv --analysis cell_count
库选择上，scikit-image 适合科学测量与 regionprops 对象属性；OpenCV 适合大批量、实时或高速处理；基础阈值、滤波、形态学操作两者均可。
适用场景
- 数据为 CSV/TSV 的显微镜测量数据（面积、圆度、强度、细胞计数）。
- 菌落形态测量（细菌群集、生物膜、生长实验）。
- 成像测量的统计比较（t 检验、ANOVA、Dunnett、Mann-Whitney）。
- 细胞计数统计（NeuN、DAPI、标记计数）。
- 效应量计算（Cohen's d）与功效分析。
- 剂量反应或比例数据的回归模型（多项式、样条）。
- 模型比较（R-squared、F 统计量、AIC/BIC）。
- 成像数据正态性检验、拟合模型峰值预测的置信区间。
- 提及 ImageJ、CellProfiler、QuPath 等成像软件输出的问题。
- 荧光强度定量或共定位分析。
- 图像分割结果（计数、面积、形状）。
限制
本技能不用于以下场景：系统发育分析（使用 tooluniverse-phylogenetics）、RNA-seq 差异表达（使用 tooluniverse-rnaseq-deseq2）、单细胞 scRNA-seq（使用 tooluniverse-single-cell）、无成像背景的纯统计回归（使用 tooluniverse-statistical-modeling）。
部分 BixBench 问题使用 R 进行分析，需匹配 Python 等价实现：R 的 Dunnett 检验对应 scipy.stats.dunnett()（scipy ≥ 1.10）；R 的自然样条 ns(x, df=4) 对应 patsy.cr() 并指定分位数节点；R 的 t.test() 对应 scipy.stats.ttest_ind()；R 的 aov() 对应 statsmodels 的 ols() 加 anova_lm()。答案格式需符合预期，例如四舍五入到千位、百分比、Cohen's d 保留三位小数、样本量为整数、比例用字符串如 "5:1"。
关于收费、价格、平台支持范围或具体使用效果，资料暂未提供。