findscripter Cellpose 细胞分割
何时使用
当你要在荧光或明场显微图像中分割出单个细胞 / 细胞核，而规则法（阈值 + 分水岭）因强度不均、细胞贴边、形态多样而失效时，用本条。Cellpose 用流场（flow-based）神经网络，靠预训练模型（cyto3/nuclei/tissuenet）跨细胞类型、放大倍数、染色条件泛化，免手工调阈值，直接产出整数标签掩膜（0=背景，1..N=每个细胞唯一 ID），可直接喂 scikit-image regionprops 量形态/强度。典型场景：
- 荧光图中分割贴边、强度不均的细胞或核（阈值法分不开）
- 大批显微数据集批处理，逐图免调参
- 单一模型分割多种细胞（贴壁细胞、血细胞、细菌、类器官）
- 产出标签掩膜供下游测面积/强度/形状
- z-stack 三维体素分割（
do_3D=True）
不该用本条的边界：
- 细胞分得很开、规则阈值已经够 → 用 scikit-image watershed，无需深度学习
- 目标是星凸形核（神经元、密集核） → StarDist 往往更准
- 临床/放射 CT、MRI 体素分割 → 用 nnU-Net 一类医学分割，非本条
- 它做的是实例分割掩膜，不做分类/计数解释，也不替代下游统计
步骤
- 装环境：
pip install cellpose（要 GUI 加[gui]，有 CUDA 则装 GPU 版 torch 提速 10–50×）。 - 读图 + 看通道布局：确认是单通道
(H,W)还是多通道(H,W,C)。 - 选模型：细胞质/整细胞用
cyto3（最通用），DAPI 核用nuclei，组织切片用tissuenet。 - 设
channels=[细胞质通道, 核通道]：灰度图用[0,0]；多通道按 1-indexed（1=R,2=G,3=B），如绿质蓝核[2,3]。 model.eval(diameter=0,...)跑分割：diameter=0自动估直径；给近似像素值更准。- 调阈值：误检多 → 调高
flow_threshold（0.6–0.9）；漏检多 → 调低cellprob_threshold（如 -2）。 - 存掩膜 + 质检：
np.save存.npy，或存uint16TIFF 供 FIJI/ImageJ；叠原图画边界目检。 - 量化：
regionprops_table出每细胞面积/质心/偏心率/强度 → DataFrame → CSV。
指令
安装与自检：
pip install cellpose # 基础
pip install cellpose[gui] # 含 GUI
# GPU（CUDA 11.8 示例）
pip install cellpose torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
python -c "from cellpose import models; print('Cellpose ready')"
关键参数（models.Cellpose(...) 与 model.eval(...)）：
| 参数 | 默认 | 范围/取值 | 作用 |
|---|---|---|---|
model_type |
"cyto3" |
cyto3/cyto2/nuclei/tissuenet/CP/自定义路径 |
预训练模型；cyto3 最通用，nuclei 专做 DAPI 核 |
diameter |
30 |
0–500 px | 近似细胞直径；0=自动估 |
channels |
[0,0] |
[质, 核]（0=灰,1=R,2=G,3=B） |
细胞质与核染色的通道索引 |
flow_threshold |
0.4 |
0.1–1.0 | 流场一致性阈值；调高更严（减误检） |
cellprob_threshold |
0.0 |
−6–6 | 细胞概率切点；调低检出更多细胞 |
gpu |
False |
True/False |
启用 GPU 推理（需 CUDA torch） |
do_3D |
False |
True/False |
z-stack 三维分割 |
min_size |
15 |
整数 px² | 小于此面积的对象丢弃 |
返回 masks, flows, styles, diams：masks 为 int 标签图，diams 为估计平均直径（px）。
CLI 批处理（目录内所有 TIFF）：
cellpose --image_path images/ --pretrained_model cyto3 \
--diameter 0 --chan 0 --save_tif --no_npy
# 加 --use_gpu 启用 GPU；结果存为 images/*_cp_masks.tif（FIJI 兼容）
示例
整细胞分割 + 形态量化（cyto3）：
from cellpose import models
from skimage import io
from skimage.measure import regionprops_table
import numpy as np, pandas as pd
img = io.imread("cells.tif") # (H,W) 或 (H,W,C)
model = models.Cellpose(model_type="cyto3", gpu=False)
masks, flows, styles, diams = model.eval(
img, diameter=0, channels=[0, 0], # 灰度图
flow_threshold=0.4, cellprob_threshold=0.0,
)
print(f"检出细胞 {masks.max()} 个，估计直径 {diams:.1f}px")
np.save("masks.npy", masks)
# 每细胞形态 + 强度
props = regionprops_table(
masks, intensity_image=img,
properties=["label", "area", "centroid", "eccentricity",
"mean_intensity", "equivalent_diameter_area"],
)
df = pd.DataFrame(props)
df.to_csv("cell_measurements.csv", index=False)
print(f"测量 {len(df)} 细胞，面积中位 {df['area'].median():.0f}px²")
DAPI 核分割（nuclei 模型，存 uint16 TIFF 供 ImageJ）：
from cellpose import models
from skimage import io
import numpy as np
model = models.Cellpose(model_type="nuclei", gpu=False)
dapi = io.imread("dapi.tif")
masks, *_ = model.eval(dapi, diameter=30, channels=[0, 0], flow_threshold=0.4)
io.imsave("nuclei_masks.tif", masks.astype(np.uint16)) # uint16 防 >255 细胞溢出
print(f"分割核 {masks.max()} 个")
质检叠图（标签掩膜 + 红色边界叠原图）：
import matplotlib.pyplot as plt
from skimage.segmentation import find_boundaries
overlay = np.stack([img / img.max()] * 3, axis=-1)
overlay[find_boundaries(masks, mode="inner")] = [1, 0, 0]
fig, ax = plt.subplots(1, 2, figsize=(10, 5))
ax[0].imshow(masks, cmap="tab20"); ax[0].set_title(f"{masks.max()} cells")
ax[1].imshow(overlay); ax[1].set_title("outlines overlay")
plt.savefig("segmentation_result.png", dpi=150)
注意事项
- 直径设错最常翻车：全并成一团 → 直径设大了或细胞太密，调小
diameter、调高flow_threshold到 0.6–0.8；检出过少 → 直径设小了或cellprob_threshold太高，先用diameter=0自动估、把cellprob_threshold调到 −2。 - 通道索引是 1-indexed：多通道图
channels用 1=R/2=G/3=B，灰度才用[0,0]；填错会分割空通道。 - uint8 会溢出：单图 >255 细胞时存掩膜必须
np.uint16或np.int32，否则 ID 截断。 - GPU 显存不足：大图分块处理、降
batch_size、或裁剪；3D 在 CPU 上极慢，尽量开 GPU 并用anisotropy校正层间距。 - 跨细胞类型泛化差：换 cell type 注释质量掉时，挨个试各预训练模型；仍不行就用 10–20 张标注图
train.train_seg从cyto3微调。 - 首次联网下载权重：
from cellpose import models触发模型下载，离线环境需预缓存。 - 误检背景被标 → 调高
flow_threshold（0.6–0.9）并加大min_size。
互见
- combines_with：
guided-statistical-analysis—— 把每细胞 regionprops 量值（面积/强度）接入分组统计检验 - related：
single-cell-rnaseq-analysis—— 同属单细胞分析栈，前者从图像、后者从表达谱刻画细胞 - related：
celltypist-cell-annotation—— 形态分割得掩膜，表达谱注释得类型，互补 - related：
gene-set-enrichment-analysis、scientific-database-lookup
本条采编自 jaechang-hits/SciAgent-Skills（CC-BY-4.0），适配重写而非逐字翻译。