Cellpose-SAM 细胞分割 4 步上手：从原始图像到 mask 文件

Cellpose-SAM 细胞分割 4 步上手从原始图像到 mask 文件【免费下载链接】cellposea generalist algorithm for cellular segmentation with human-in-the-loop capabilities项目地址: https://gitcode.com/gh_mirrors/ce/cellposeCellpose-SAM 是一款开源的深度学习细胞分割工具输入一张荧光或明场显微图像输出细胞轮廓和 mask 编号。它适合想快速出结果的初学者也适合要批量处理数据、跑 3D 体积的研究者。读完这篇你能用 GUI 跑通第一张图也能用一条命令行命令处理整个目录。从左到右原始荧光图像、预测出的细胞轮廓、彩色细胞 mask、以及用于计算边界的流场⚡ 三分钟装好环境打开 GUI 切出第一张图要求不挑机器Linux / Windows / macOS 都支持Python 3.8 及以上推荐 3.12内存至少 8GB处理大图或 3D 体积建议 16-32GB。用 conda 装只需 4 行conda create --name cellpose python3.12 conda activate cellpose python -m pip install cellpose[gui] python -m cellpose第一次启动时默认模型cpsam_v2的权重会自动下载到~/.cellpose/models/。GUI 里按这个顺序操作拖入一张 tif / png / jpg 图像模型下拉框保持cpsam_v2即可点 calibrate 让它自动估算细胞大小或手动输入细胞直径像素后回车点 run segmentation图像上直接画出 mask想看每个按钮背后的实现GUI 代码在 cellpose/gui/更细的参数说明在 docs/ 里。 一条命令批量分割整个目录图像攒多了就不必开 GUI。在命令行里一条命令批处理python -m cellpose --dir /path/to/images --save_png每张图旁会生成一个*_seg.npymask 流场--save_png再额外导出可直接打开的*_cp_masks.png。3D 数据有两种跑法单个体积加参数python -m cellpose --image_path img3D.tif --do_3D --save_tif或者启动 3D GUIpython -m cellpose --Zstack支持各向异性数据可加--flow3D_smooth做平滑演示流程命令行批量分割细胞图像结果直接导入 ImageJ 做后续分析 结果不对时只需要动这两个阈值参数很多但日常调优看两个数字就够flow_threshold默认 0.4流场校验的松紧。轮廓出现畸形、碎块就调低漏检就调高cellprob_threshold默认 0.0细胞概率门槛。暗区出现多余 mask 就调高弱信号细胞被漏掉就调低还有一个容易踩的坑是细胞直径模型在直径 7.5-120 像素均值 30的图像上训练常规尺寸不用填。细胞特别大时填--diameter 90图像会降采样 3 倍速度明显变快官方建议把细胞缩到 100 像素以内再跑。顺带说清原理网络先给每个像素一个方向像导航软件里的车流一样沿同一方向收敛到同一点的像素组成一个细胞——这就是流场算法的核心。 下一步入口以及不适合的场景预训练模型救不了你的数据时路线是人机交互微调在 GUI 里画几十个 ROI 就能开始训练命令行对应python -m cellpose --dir ... --train --test_dir ...默认跑 100 个 epoch、学习率 1e-5。流程细节看 docs/train.rst。适合你如果要分割的是细胞或细胞核2D 荧光、明场或多通道多 Z 的 3D 体积图像有噪声、模糊、对比度反转、通道顺序混乱——这些情况模型都按训练设计来处理需要批量跑、写进脚本或把结果交给 ImageJ 等其他工具不适合非细胞/细胞核的分割目标它专精的是细胞轮廓图像里细胞超过 100 像素且懒得缩放的情况——先 resize或显式给出 diameter版本更新和模型对比cpsam_v2、cpdino等 4 个内置模型详见 docs/models.rst。【免费下载链接】cellposea generalist algorithm for cellular segmentation with human-in-the-loop capabilities项目地址: https://gitcode.com/gh_mirrors/ce/cellpose创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考