概述
细胞形态是细胞生物学实验中最直观的观察指标之一。贴壁细胞的铺展面积、淋巴细胞的圆度变化、神经元突起的长度，甚至细胞凋亡时的皱缩程度，都可以通过形态学参数进行客观定量。ImageJ/FIJI 内置的 Analyze Particles 功能是目前最常用的细胞形态自动分析工具，不需要额外安装插件，入门门槛低且结果可重复。
本文将围绕 Analyze Particles 的完整操作流程展开，从图像采集规范、预处理、阈值分割、参数选择到结果统计，逐步拆解每一步的关键控制点。
适用场景与前置条件
适合 Particle Analysis 的实验类型
| 实验场景 | 定量目标 | 推荐形态学参数 |
|---|---|---|
| 药物处理后细胞贴铺状态 | 细胞铺展面积变化 | Area、Circularity |
| 诱导多能干细胞形态变化 | 克隆形态均一性 | Area、Solidity、Roundness |
| 巨噬细胞吞噬实验 | 吞噬后形态变化 | Area、Aspect Ratio |
| 免疫荧光 DAPI 染色 | 细胞核大小/圆度 | Area、Circularity |
| 划痕愈合实验 | 迁移细胞形态 | Area、Perimeter、Orientation |
| 细菌菌落/单细胞形态 | 细胞大小分布 | Area、Aspect Ratio |
不适合直接分析的情况
- 细胞严重重叠或多层贴壁：粒子分割会不准确，建议换低密度区域成像或使用 3D 分割
- 图像噪声极大、背景信号不均匀：先做降噪和背景校正
- 需要追踪时间序列中同一细胞的形态变化：Particle Analysis 不具备追踪能力，应使用 TrackMate 等插件
图像采集规范
好的分析结果从成像阶段就开始了。以下参数直接影响后续分割质量：
显微镜设置建议
- 物镜选择：优先使用 20× 或 40× 物镜。10× 视野太大会导致单个细胞像素数不足，60×/100× 则容易导致细胞边缘跑出视野
- 分辨率：建议每微米至少 3-5 个像素（3D 去卷积/共聚焦标准）。以 20× 物镜配合 0.45 NA 和 6.5 μm 像素相机为例，实际分辨率约 0.47 μm/px，细胞边缘至少 2-3 像素宽
- 对比度：明场成像建议使用相差（Phase Contrast）或微分干涉（DIC）模式，比普通明场更容易分割细胞边界
- 荧光标记：如果用荧光，推荐用 DAPI 染核 + Phalloidin 染 F-actin（标记细胞骨架/边界），两个通道都可以单独做 Particle Analysis 后关联
成像前快速检查清单
- 细胞密度：40%-70% 汇合度为最佳，避免 90%+ 满板
- 焦距：Z-stack 拍摄至少 3-5 个层面，取最佳聚焦层用于分析
- 背景均匀性：背景 ROI 的灰度值标准差应小于均值的 10%
- 至少拍摄 3 个独立视野：统计时取平均值
图像预处理
步骤一：打开图像并确认尺度
File → Open
Image → Properties...关键是确认 Pixel width/height 的单位是否正确（μm/pixel）。如果原始图像带 scale bar，可以用 Analyze → Tools → Scale Bar 手动标定。未标定的图像只能输出相对像素值，不能比较面积绝对值。
步骤二：转灰度图
如果是 RGB 图像：
Image → Type → 8-bit如果是多通道荧光：选择信号最清晰的通道（通常是 DAPI 或 Phalloidin 通道）单独处理：
Image → Color → Split Channels步骤三：背景校正（关键步骤）
背景不均一是导致阈值分割失败的最常见原因。推荐两种方法：
方法 A：Subtract Background（适合慢变化的光照不均）
Process → Subtract Background...
Rolling ball radius: 设为细胞平均直径的 2-3 倍（例如细胞直径 100px，radius 取 200-300）
勾选 "Light background" 或 "Sliding paraboloid"方法 B：Rolling Ball + Gaussian Blur（适合高频噪声）
先做 Subtract Background，然后：
Process → Filters → Gaussian Blur...
Sigma (Radius): 1.0-2.0（只做轻微平滑，不要模糊细胞边缘）步骤四：手动检查背景
在细胞外区域画 2-3 个小 ROI（矩形 20×20 px）：
Analyze → Measure记录 Mean 和 StdDev。背景 StdDev 应该很小（通常 < 灰度值的 5%）。如果 StdDev 很大，说明背景还有噪声，需要重新校正。
阈值分割
阈值分割是 Particle Analysis 中最关键的一步，直接决定哪些像素被识别为细胞。
方法一：自动阈值（快速筛查）
Image → Adjust → Threshold...点击 Auto 按钮，ImageJ 会尝试用内置算法自动确定阈值。常用算法推荐：
| 算法 | 适用场景 | 局限 |
|---|---|---|
| Otsu | 双峰直方图（背景和前景对比度高） | 单峰分布时效果差 |
| Triangle | 单峰分布、弱信号 | 对噪声敏感 |
| MaxEntropy | 弱对比图像 | 计算慢 |
| Yen | 细胞边界模糊 | 背景不均匀时失败 |
如果自动阈值后细胞边界仍然模糊或有大片粘连，切换到手动阈值。
方法二：手动阈值（精确分析推荐）
- 在 Threshold 面板中拖动下/上滑块，实时预览红色覆盖区域
- 按下
Set按钮锁定当前阈值 - 关键判断标准：
- 细胞内部不应有孔洞（如果有，可能阈值太高）
- 背景区域不应出现红色噪点（如果有，可能阈值太低）
- 细胞之间重叠的分割线应与实际边界一致
阈值优化技巧
- 使用 Show Histogram 按钮：查看灰度分布。双峰分布选择两个峰之间的谷，单峰分布用 Triangle 算法
- 同一批样本用相同阈值：如果要比较处理组 vs 对照组，必须保证所有图像使用相同的阈值范围
- 记录阈值值：将 Lower 和 Upper 值记录到实验记录本中，方便日后重复分析
创建二值图像
阈值设置好后：
Image → Adjust → Threshold → Apply或者直接 Process → Binary → Make Binary，生成纯黑（0）和纯白（255）的二值图。
Analyze Particles 参数设置
打开对话框
Analyze → Analyze Particles...核心参数详解
| 参数 | 建议值 | 说明 |
|---|---|---|
| Size (µm²) | 0 - Infinity（先跑一次看结果再设下限） | 颗粒面积范围，用于排除碎片和噪点 |
| Circularity | 0.00 - 1.00 | 圆度，1.0 为完美圆形，根据细胞类型设定 |
| Show | Outlines | 显示检测结果的轮廓图，方便检查 |
| Display Results | ✓ | 实时显示每个颗粒的测量值 |
| Clear Results | ✓ | 清空之前的结果表格 |
| Summarize | ✓ | 输出平均值 ± StdDev 汇总 |
| Add to Manager | 可选 | 将每个颗粒 ROI 加入 ROI Manager，后续可单独测量 |
| Exclude on edges | ✓ | 排除图像边缘不完整的颗粒 |
| Include holes | 可选 | 如果细胞内部有真实孔洞（如核间隙），勾选 |
Size 范围设置策略
首次运行时建议 Size 设为 0 - Infinity，跑完后在 Results 表格中查看 Area 分布：
- 排除小于细胞最小面积 50% 的颗粒（通常是碎片）
- 排除大于细胞最大面积 200% 的颗粒（通常是粘连细胞）
- 用这两个值重新设置 Size 下限和上限
Circularity 设置策略
| 细胞类型 | 推荐 Circularity 下限 |
|---|---|
| 淋巴细胞（圆形） | 0.7-0.8 |
| 贴壁成纤维细胞（梭形） | 0.3-0.5 |
| 神经元（有突起） | 0.2-0.4 |
| 巨噬细胞（多形） | 0.4-0.6 |
| 凋亡细胞（皱缩） | 0.5-0.7 |
关键形态学参数解读
Analyze Particles 默认输出以下参数，每个都有明确的生物学意义：
Area（面积）
生物学意义：细胞贴铺程度的直接反映。面积增大 → 细胞铺展良好、贴壁牢固；面积减小 → 细胞皱缩、可能正在凋亡或受到毒性影响。
- 单位：标定后为 μm²
- 统计：取中位数（Mean 对极端值敏感）
- 注意：细胞密度太高时面积测量不准，因为分割边界不准确
Circularity（圆度）
公式：4π × Area / Perimeter²，完美圆形 = 1.0，直线 = 0 生物学意义：反映细胞形态偏离圆形的程度。淋巴细胞正常状态接近 0.9+，贴壁成纤维细胞通常 0.4-0.7。
- 圆度降低 → 细胞可能伸出突起、正在迁移或贴铺展开
- 圆度升高 → 细胞可能正在变圆（如凋亡早期、悬浮化前）
Aspect Ratio（长宽比）
公式：Major Axis / Minor Axis 生物学意义：细胞形状的方向特异性。圆形细胞 ≈ 1.0，梭形细胞可达 3.0+。
- 推荐先用 Circularity 做初筛，Aspect Ratio 作为补充验证
- 注意：Aspect Ratio 由外接椭圆计算，对不规则形状不够准确
Solidity（实心度）
公式：Area / Convex Hull Area 生物学意义：细胞边界的光滑程度。有突起或凹陷的细胞 Solidity < 0.9。
- 神经细胞、巨噬细胞等有不规则边界的细胞，Solidity 通常较低
- 可以用来识别细胞是否伸出片状伪足或丝状伪足
结果统计与可视化
从 Results 表到统计图
Analyze Particles 的结果会导出到 Results 表。推荐以下处理流程：
Results → File → Save As...导出为 CSV- 用 GraphPad Prism 或 R 做统计：
- 面积/圆度等连续变量 → t-test（两组）或 One-way ANOVA（多组）
- 细胞比例（如圆度 > 0.7 的细胞百分比）→ Chi-square 或 Fisher 精确检验
关键统计注意事项
- 细胞数量：每个条件至少分析 3 个独立视野，每个视野不少于 50 个细胞（总共 150+）
- 生物学重复：至少 3 次独立实验，不要把不同孔的细胞混为一次实验
- 正态性检验：面积等参数通常呈右偏分布，必要时做 log 转换
批量处理多图
如果有几十张图要跑：
Plugins → Macros → Record...录制一次完整的处理流程（打开 → 灰度 → 背景校正 → 阈值 → Analyze Particles → 保存结果），然后：
Process → Batch → Macro...选择输入文件夹和输出文件夹，一键跑完所有图像。
常见问题与解决方案
Q1: 阈值后细胞边界模糊、分割线和实际边界对不上
原因：图像对比度太低或背景不均匀 解决：
- 回头检查背景校正步骤，Subtract Background 的 rolling ball radius 调大
- 如果是荧光图，考虑换标记物（Phalloidin 染 actin 骨架比 DAPI 染核边界更清晰）
- 手动阈值时不要追求完美，选择”整体最优”的阈值
Q2: Analysis 结果里出现大量极小颗粒（面积 < 50 px）
原因：背景噪声或图像压缩伪影 解决：
- Size 下限设为 50 μm²（根据细胞最小面积设定）
- 检查
Exclude on edges是否已勾选 - 试试
Process → Binary → Remove Outliers先清除二值图中的孤立噪点
Q3: 细胞粘连在一起，无法分割
原因：阈值太低把粘连区域也标记为前景 解决：
- 提高阈值，把粘连区域分开
- 用
Process → Binary → Watershed自动分割粘连颗粒（在二值图上运行） - 如果 Watershed 效果不好，用 ROI Manager 手动标记每个细胞
Q4: 不同批次图像的结果无法比较
原因：用了不同阈值或不同成像参数 解决：
- 同一批实验的所有图像使用相同的阈值范围
- 成像参数（曝光时间、增益、分辨率）保持一致
- 最好用同一个荧光标记和相同浓度的抗体/DAPI
Q5: 荧光图中细胞核和细胞质重叠，无法分别测量
解决：
- 分通道处理：DAPI 通道 → 单独做核形态分析；Phalloidin 通道 → 单独做细胞质形态分析
- 如果需要同时关联，先用 Analyze Particles 在 DAPI 通道检测核，记下每个核的坐标；然后在 Phalloidin 通道用相同坐标扩展 ROI 测量细胞质参数
完整 SOP checklist
按照以下 10 步流程，你可以在 10-15 分钟内完成一张图像的形态学分析：
- 1. 打开图像，确认像素尺度已标定
- 2. 转灰度图，拆出目标通道
- 3. 背景校正（Subtract Background + Gaussian Blur）
- 4. 检查背景 ROI 的灰度值标准差
- 5. 设置阈值（先用 Auto，不满意则手动）
- 6. 创建二值图
- 7. 运行 Analyze Particles（Size/Circularity/参数）
- 8. 检查 Outlines 图是否与实际细胞边界匹配
- 9. 导出 Results 表，保存 CSV
- 10. 记录阈值值、Size 范围等关键参数到实验笔记
延伸阅读
本文聚焦 ImageJ 内置功能的形态学定量。如果需要更高级的分析，可以进一步了解：
- CellProfiler：专为细胞图像高通量分析设计，支持更复杂的形态学分类和 machine learning 分类器
- TrackMate（FIJI 插件）：细胞追踪 + 形态变化的时间序列分析
- StarDist：深度学习细胞分割插件，对粘连细胞和弱信号效果更好
- CellPose：基于 CytoSAM 的通用细胞分割模型，支持明场和荧光多种模式