Cellpose-SAM 实战：一张图到 3D 体积的细胞分割，附调参思路

Cellpose-SAM 实战一张图到 3D 体积的细胞分割附调参思路【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 是一个通用细胞分割工具给它一张荧光或明场图像它直接返回每个细胞、每个细胞核的 mask。模型对噪声、模糊、对比度反转和细胞大小都不敏感所以没见过的数据往往也能直接跑。这篇按你实际拿到数据后的动作顺序走一遍装环境 → 跑第一张图 → 结果不对调 3 个参数 → 扩到 3D 和批量 → 用自己的标注训练模型。5 分钟装好环境把 GUI 跑起来 最省事的路径是 condaconda create --name cellpose python3.12 conda activate cellpose python -m pip install cellpose[gui]第一条建独立环境3.9–3.12 都能跑官方推荐 3.12第二条装带 GUI 的完整版如果只用 API/CLI 就改成pip install cellpose。之后启动python -m cellpose首次运行会自动下载预训练模型权重注意保持网络通畅。有 NVIDIA 显卡的话先装 GPU 版 torch然后在 GUI 里看GPU复选框是否勾上、终端是否打印 CUDA 版本——两个都满足才算生效没生效就卸掉 CPU 版 torch 重装对应 CUDA 的 wheel。跑通第一张细胞分割 把.tif、.png、.jpg拖进 GUI然后做三件事选模型默认的cpsam_v2是通用模型大多数数据直接用它设细胞直径点calibrate按钮自动估算物体大小或者手动输入直径按回车左下角会出现红盘示意点 run segmentationmask 直接画在图上。这里有两个容易忽略的点精度和速度最好的情况是细胞不超过 100 像素宽超大图先缩放如果你的数据有单独的细胞核通道用 cyto 类模型时记得勾第二个通道。分割结果大致长这样图片说明Cellpose-SAM 细胞分割流程——从左到右依次是原始图像、预测的 flow 场和最终 mask跑完一张后可以用左右方向键翻到文件夹里的下一张图继续分右键悬停画 ROI 可以手动修正按住 CTRL 左键点掉画错的 ROI。分割结果不对先动这 3 个参数 ⚙️大多数不对无非是漏块、多块、细胞黏连按这个顺序调cellprob_threshold默认 0像素被当成细胞的门槛。漏细胞就调低比如 -1暗区冒太多假 mask 就调高flow_threshold默认 0.4mask 成形后的 flow 误差上限。漏 mask 就调大形状怪的多就调小设 0 等于关掉这步 QCdiameter模型在 7.5–120 像素的细胞上训练过尺寸不变性不错多数时候不用动。但细胞真的很大时填个大值如 90会让图像缩小 3 倍处理既快又稳。再细的场景比如细长 ROI 需要加大niter迭代数都写在官方文档docs/settings.rst。3D 体积细胞分割怎么切 3D 是另一个入口启动python -m cellpose --Zstack预期格式是 Z × channels × Y × X。三个高频问题各有一个对应参数细胞沿 Z 方向断开加--flow3D_smooth如--flow3D_smooth 2 1 1表示只沿 Z 平滑这是 3.1 之后 3D 效果改善的主要来源各层单独看都对、跨层对不上开--stitch_threshold它把跨平面 IoU0.9 的 mask 缝起来体素各向异性Z 步距比 XY 像素大把--anisotropy设成真实比例。如果体积大到内存装不下用cellpose.contrib.distributed_segmentation把数据切成重叠块并行分割再拼回去输入需是 zarr 数组资源切分写法见 docs/distributed.rst。一次处理整个文件夹一个文件夹的图片不必一张张拖直接走 CLIpython -m cellpose --dir /path/to/images --pretrained_model cpsam_v2 --diameter 30 --save_tif这条命令把文件夹里每张图都用cpsam_v2跑一遍mask 存成 tif要 png 就换--save_png。输出相关还有两个常用开关--save_rois存 ImageJ 兼容的 ROI 存档--savedir--in_folders控制结果存哪、是否保留原目录结构。图片说明Cellpose-SAM 分割结果保存为 ROI 后导入 ImageJ 的衔接流程想用自己的数据训练一个专属模型 ️human-in-the-loop 的流程是GUI 里跑模型遇到分错的图手动把 mask 画对修正结果会存成_seg.npy标注文件之后直接拿来训练python -m cellpose --train --dir /path/to/annotations --mask_filter _seg.npy --test_dir /path/to/test --n_epochs 100--mask_filter指定标注文件名后缀GUI 手动标注是_seg.npy常规 mask 文件是_masks--test_dir给一份验证集训练时能实时看到指标变化。完整步骤和示例数据在仓库里notebooks/train_Cellpose-SAM.ipynb。经验值是几十张认真修正过的图就能把你自己数据上的分割明显拉上去。预训练模型不够用时修一点、训一点、用一点就是最短路径。当前 cellpose 4.22026-06新增了基于 DINOv3 的cpdino/cpdino-vitb模型cpsam_v2也更新为在低对比区域更少地产生假 mask。【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