Cellpose-SAM 细胞分割工具上手指南：从第一次分割到训练专属模型
【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
Cellpose-SAM 是一款深度学习细胞分割工具，能把荧光、明场和 3D 体积图像直接变成细胞掩膜结果。它自带拖拽式 GUI、多个预训练模型和人机交互训练流程，不读源码也能拿到结果。
📦 环境准备：三步完成细胞分割软件安装
装环境只要三条命令，五分钟可以结束。系统要求很低：Linux、Windows、macOS 均可，8GB 内存够用，处理大型 3D 体积建议 16GB 以上。
- 创建环境：
conda create --name cellpose python=3.10 - 激活环境：
conda activate cellpose - 安装：
python -m pip install 'cellpose[gui]'（不需要图形界面就装基础版python -m pip install cellpose）
有 NVIDIA 显卡的话，先装 GPU 版 PyTorch 再装 cellpose，程序会自动检测到 GPU 并用于推理，处理速度明显更快。
十分钟跑通第一次分割
先跑通，再谈调参。最快的路线是图形界面：
运行python -m cellpose启动 GUI，把 TIFF 或 PNG 图像直接拖进窗口，在模型下拉框里选一个预训练模型（默认 cpsam_v2，也可以换 cpdino、cpdino-vitb、cpsam 对比效果），点击运行就得到分割掩膜。结果窗口里能逐层查看分割轮廓、概率热图和流向场，还能当场手动合并或拆分错误的掩膜。
图：Cellpose-SAM 细胞分割输出，依次为原图、流向场、细胞概率图和分割掩膜。
预训练模型选择不用纠结：默认模型能出像样的结果就先留着，跑过几幅自己的图像后再决定要不要换。
⚙️ 细胞分割参数调优：三个参数决定质量
可调的参数很多，但大多数图像盯住这三个就够：
- diameter（细胞直径）：现象是"细胞很大、跑得很慢"——按像素填入实际直径即可，数值越大下采样越狠、速度越快。模型在平均直径 30 像素的数据上训练过，尺寸鲁棒性不错，这个参数可填可不填。
- flow 阈值（流向场阈值）：流向场是网络预测的"边界该往哪里走"。现象是"一个细胞被切成好几块"——把它调低，碎块更容易合并成完整的细胞。
- cellprob 阈值（细胞概率）：现象是"背景或碎片也被认成细胞"——把它调高，低置信度的区域会被直接裁掉。
🔬 3D 体积数据处理要点
做 3D 细胞分割时换用专用入口：python -m cellpose --Zstack，多平面 TIFF 拖进去就会被自动识别并跑 3D 分割。
关键是各向异性参数 anisotropy：Z 向采样通常比 XY 稀疏，如果 Z 层间距约为 XY 像素间距的两倍，就把它设为 2.0，算法会先对 Z 上采样再分割。结果里出现环形伪影或细胞碎裂很多时，再把 flow3D_smooth 调大，平滑流向场后能明显减少这类伪影。
多通道图像比想象中省心：模型训练时就被要求对通道顺序不变，质膜（细胞质）和细胞核两个通道随便哪个在前，都会使用前三通道（多出的通道直接截断）。如果你有第三个荧光通道，要么去掉，要么合并进细胞质通道。
🏋️ 训练专属模型
准备、训练、验证，三步走完：
- 准备标注数据：每张图像配一张同尺寸的掩膜标签（像素值区分不同细胞）。GUI 内置标注功能，人工修正分割结果后可以一键存为训练样本。
- 开始训练：指定数据目录、训练轮数、学习率和批量大小，通常从一个预训练模型继续训练，比从零开始收敛快得多。训练逻辑见 cellpose/train.py。
- 验证：留一小部分图像做测试集，训练结束会自动报告损失曲线和测试指标，用测试集结果决定这个模型值不值得用。
🔍 分割不准怎么办
按固定顺序排查，不跳步：
- 先查图像质量：噪声过大、离焦、对比度不足的图像，参数怎么调都救不回来。
- 再换预训练模型：cpdino、cpsam_v2 对同一批图像的敏感度不同，换模型的成本比调参低。
- 最后动参数：按 diameter → flow 阈值 → cellprob 阈值的顺序，一次只改一个，方便归因。
⚡ 批量处理与效率提升
- 整目录批量：命令行直接传入一个文件夹路径，里面所有图像逐个分割，掩膜保存在原图旁边。
- 多核并行：分布式分割脚本 支持把大数据集拆给多颗 CPU 核心并行跑。
- GPU + 大批量：同一尺寸的图像以数组形式一次性输入并调大 batch_size，GPU 可以一个批次处理多块切片，吞吐更高。
图：用 Cellpose-SAM 完成细胞分割后，掩膜可直接导入 ImageJ 做下游分析。
从默认模型跑起来，再按图像问题逐步收紧参数，大部分情况用不了默认设置走不到 80 分。版本提示：3.1+ 起支持 3D 分割与批量处理，4.x（Cellpose-SAM）默认提供 cpsam_v2 这类基于 SAM 的预训练模型，参数细节可查 docs/settings.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
