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/cellpose
Cellpose-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 python=3.12 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.npy（mask + 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 GUI：
python -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
