Cellpose-SAM 细胞分割实战指南：从单张图到批量处理与自训模型

Cellpose-SAM 细胞分割实战指南：从单张图到批量处理与自训模型

【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 是一个开源深度学习细胞分割工具：输入荧光或明场显微图像，它自动计算流向场并输出细胞掩码，同时支持 2D、3D 体积数据以及在自有数据上的微调训练。

三步装好环境，五分钟跑起来 🖥️

Linux、Windows 与 macOS 都支持；8GB 内存即可运行，处理 3D 体积建议 16-32GB，Python 版本推荐 3.12（3.9 与 3.11 也可用）。

创建独立环境并安装带 GUI 的完整版本：

conda create -n cellpose python=3.12 conda activate cellpose python -m pip install 'cellpose[gui]'

不需要图形界面时，最后一行换成python -m pip install cellpose。装完后无需手动下载预训练权重：首次运行会自动拉取并缓存到~/.cellpose/models/。

验证 GPU 加速：先装好 NVIDIA 驱动与 CUDA 库，Linux 上通过 pip 安装的 PyTorch 默认即为 GPU 版。打开 GUI 后若GPU复选框被勾选、终端打印出 CUDA 版本号，即说明生效；否则需卸载 CPU 版 torch 后按 PyTorch 官方命令重装，用conda list里 pytorch 版本带cuXX.X字样来确认。

pip 装不上时可用仓库自带的environment.yml直接创建环境：conda env create -f environment.yml。

单张图像的五步分割法 🎯

启动图形界面：

python -m cellpose

几秒后窗口打开，终端会打印模型下载日志。随后按五步完成分割：

1. 把.tif/.png/.jpg/.gif图像拖入窗口；
2. 从模型库选预训练模型（内置cyto、nuclei、cpsam等），多通道图把细胞质与细胞核通道分到 CHAN1/CHAN2——Cellpose-SAM 对通道顺序不敏感，颠倒也能识别；
3. 点calibrate自动估算细胞大小，或直接填写cell diameter（模型训练直径均值约 30px，细胞偏大就填大值）；
4. 点run segmentation，勾选 MASKS ON 时图像上叠加显示掩码；
5. 按左右方向键切到文件夹里下一张图继续。

修正结果靠鼠标：右键画 ROI，Ctrl+左键删除错误掩码。结果写在图像旁的_seg.npy文件里——注意跑完模型不会自动落盘，按 Ctrl+S 保存。

Cellpose-SAM 算法总览：网络预测水平/垂直流向场，动态系统让像素"顺着流"汇聚到细胞中心，最终合并为掩码（f 面板）

两个阈值与一个迭代参数

整文件夹批量处理：CLI 一条命令 ⌨️

GUI 一张张拖图不适合几十张以上的场景，CLI 可一次性处理整个目录：

python -m cellpose --dir ~/images/ --chan 2 --pretrained_model cpsam --diameter 30 --do_3D

运行结束，目录里每个 tiff 旁多一个*_seg.npy。关键参数含义：

• --chan：待分割通道（0 灰度、1 红、2 绿、3 蓝）；
• --pretrained_model：模型名或完整路径，自训模型同样适用；
• --do_3D：把多 Z 的 tiff 当 3D 体积处理；
• --stitch_threshold：按相邻切片掩码 IoU 做缝合而非真 3D，适合 YZ/XZ 切片质量差的数据。

内置四个模型按骨干区分：cpsam与cpsam_v2基于 SAM，图块 256×256 不可改，其中 v2 版对低对比区域误检更少；cpdino、cpdino-vitb基于 DINOv3，图块默认 384×384，遇超大对象可通过bsize调大。

示例细胞分割输出：输入图像与各模型生成的掩码结果并排对比，可见掩码完整度差异

在 notebook 中把多张同尺寸图像打包成一个数组并调大batch_size，GPU 可跨图共享一个批次的图块，批量吞吐有明显提升。

分割效果不理想时：三个典型症状与对策 📋

细胞个头偏大。模型训练直径覆盖 7.5–120px（均值 30）。偏大的细胞填大diameter，图像会按比例下采样（如填 90 则缩到 1/3 分辨率），精度与速度都受益。

3D 结果破碎或出现环形伪影。开flow3D_smooth，它先对流向场做高斯平滑再跑动态系统；伪影集中在 Z 方向时可传[2, 0, 0]逐轴指定。各向异性体积（Z 向采样比 XY 粗）同时设anisotropy，例如 2.0 表示 Z 向采样密度是 XY 的一半。3D 模式不参考flow_threshold，去假阳性改用min_size。

各向切片质量差异大。默认 3D 实为 2.5D 策略：在 YX/YZ/XZ 切片算流向后取平均再三维动力学。GUI 左下角的 orthoview 可检查切片方向；若 YZ/XZ 不可用，关掉do_3D改走stitch_threshold缝合路线。

结果要进 ImageJ 做下游分析时，用 Ctrl+R 保存为标准 ImageJ ROI 格式即可直接导入，仓库还附带imagej_roi_converter.py转换脚本。

动态演示 Python 细胞分割结果到 ImageJ 分析工具链的无缝衔接过程

人机协同训练：把"能用"调到"刚刚好" 🔧

自有细胞系与成像方案下，微调比直接用内置模型更稳。GUI 内置了迭代式训练流程：

1. 拖入一组风格相近的图像（同细胞类型、同成像协议）；
2. 从模型库选出最接近的内置模型跑一遍；
3. 手绘加、Ctrl 删减，把掩码修对（自动存入_seg.npy）；
4. Models 菜单选Train new model...（Ctrl+T），选定起点模型并命名；
5. 训完自动在文件夹下一张图上运行，回到第 3 步继续修正，循环迭代。

训练权重存到图像目录的models/子文件夹，GUI 自定义模型下拉框、CLI、notebook 都能按名字调用。

两个注意点：起点必须是内置cpsam模型；若从自训模型再训，网络会偏向早期图像，建议把待训图像全部放同一文件夹。3D 数据先运行make_train.py切出 YX/YZ/XZ 切片再按 2D 流程训练。

纯命令行训练同样可行，标签文件需与图像成对命名<name>_masks.tif（0=背景，1/2/3…=细胞编号）：

python -m cellpose --train --dir ~/images/train/ --test_dir ~/images/test/ --n_epochs 100 --learning_rate 0.00001

结束会打印训练/测试损失曲线，权重落到~/images/train/models/。验证达标后可用cellpose/export.py打包，上传 BioImage.IO 供他人复用。

体积装不进内存：分布式分割 📦

3D 数据超出内存时，cellpose.contrib.distributed_cellpose模块把数据切成重叠块，分块并行分割再拼回完整结果。输入需为 zarr 格式，模块自带单 tiff 或瓦片文件夹转 zarr 的辅助函数；支持前景掩码（跳过纯背景块）、预处理函数列表（高斯平滑、多通道堆叠）以及 LSF 集群调度。

正式跑之前先用process_block(test_mode=True)试算单个块，确认参数无误，再交给distributed_eval处理全量体积。

下一步：在 notebooks/ 目录运行test_Cellpose-SAM.ipynb示例数据验证环境，再按 docs/ 目录逐章深入；遇到问题到项目 issue 区提问。

【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