这里介绍如何使用cellpose批量分割大量图像，并以此为例展示如何阅读和使用他人的代码。

cellpose提供的用户界面中操作，貌似现在还只能一次处理一张图像。如果需要处理的图像总数量不超过100张，这个也勉强能接受。但如果是成千上万张图像，可能要重复打开文件，点击按钮，保存结果这几个操作很多遍，这个时候就有批量处理的必要了。

使用cellpose快速分割细胞

介绍使用 cellpose 快速分割图像中的细胞。cellpose安装和使用前面介绍了SAM用于图像中的物体分割。...

cellpose批量处理图像的方法在其源代码仓库中有很完善的示例，而且是 jupyter notebook 格式（后缀为 .ipynb ）。相信通过前面的「python基础教程」，我们对这个代码笔记已经很熟悉了。

代码阅读学习

可以直接把cellpose当前的所有源码打包下载到本地（如果下载不便，此文附录提供了百度网盘资源备份）。下载之后解压，然后使用 vscode 打开其中的 notebooks 子目录，界面如下图所示，我们直接打开 run_cyto3.ipynb 这份代码笔记查看。

这份代码笔记内容非常完整，但因为篇幅比较长而且跟常见的文本文献很不一样，所以很容易让人失去阅读的兴趣。事实上对于代码的阅读查看与学习，还是有一定的技巧：

  1. 搞清楚自己要寻找的核心函数命令
  2. 搞清楚这个函数的输入输出要求
  3. 搞清楚这个函数的依赖项

查看图像分割核心命令

在这个例子中，我们想知道的就是怎么调用 cyto3 模型对输入的图像进行分割并输出结果。就按照上述的顺序，快速来寻找需要的关键信息。

打开 vscode 中代码笔记的大纲，可以快速定位到核心的 run segmentation 部分内容。如上图所示，这里首先是实例化了一个对象 model。并且指定了启用 gpu 加速，指定了使用的模型权重为 cyto3，然后调用这个 model 进行处理，就是使用的 model.eval() 方法，输出的有四个东西，那么主要就是下面两行命令：

model = models.Cellpose(gpu=True, model_type="cyto3")

masks_pred, flows, styles, diams = model.eval(imgs, 
                          diameter=0, 
                          channels=[1,2],
                                              niter=2000)

可以看到这个示例中给了四个输入参数：

  • imgs：这个就是图像，这个最关键，稍后看看其数据类型要求。
  • diameter：这个就类似我们在用户界面上看到的那个 diameter参数，可能需要指定。
  • channels：这个在代码注释中有非常多的说明，由于我们要输入的细胞明场图像，不需要处理细胞核，所以设置为 [0, 0]。
  • niter：代码注释中说，如果是细菌样品，则需要把这个迭代次数设置高一点。
# define CHANNELS to run segementation on
# grayscale=0, R=1, G=2, B=3
# channels = [cytoplasm, nucleus]
# if NUCLEUS channel does not exist, set the second channel to 0
# channels = [0,0]
# IF ALL YOUR IMAGES ARE THE SAME TYPE, you can give a list with 2 elements
# channels = [0,0] # IF YOU HAVE GRAYSCALE
# channels = [2,3] # IF YOU HAVE G=cytoplasm and B=nucleus
# channels = [2,1] # IF YOU HAVE G=cytoplasm and R=nucleus
# OR if you have different types of channels in each image
# channels = [[2,3], [0,0], [0,0]]

# FOR A CUSTOM MODEL OR OTHER BUILT-IN MODEL:
# model = models.CellposeModel(gpu=True, model_type="livecell_cp3")

查看输入数据要求

点击代码大纲中的 images，快速定位到 images 这部分内容，可以看到 imgs 这个变量是如何赋值的。

我们可以尝试运行这段代码，先激活安装了 cellpose 的虚拟环境，vscode 右上角可以选择。然后进入到这个部分的代码块，按 Ctrl+Enter 执行当前代码块，这个时候会下载数据并对 imgs 赋值。

完成赋值之后，我们可以查看这个 imgs 变量的情况：

  1. 使用 type() 函数查看 imgs 的变量类型，发现是 list
  2. 然后取这个 list 中第一个 item 进一步查看，发现是 numpy 的矩阵对象
  3. 接着查看这个矩阵的数值类型，是 float32，但是我估计输入图像是 8-bit（uint8） 也没关系
  4. 再查看这个矩阵的shape，是 (2, 383, 512) 对应 (channels, rows, cols) 这几个维度，说明这个图像包含两个通道，高度为383，宽度为512像素。
  5. 使用简单的 matplotlib 作图查看这个数据。

执行图像分割并调参尝试

前面已经试着下载并查看了数据，要想查看输出的结果，就要执行图像分割。所以我们先回到 run segmentation 部分执行一下，会出现如下报错：

python出错时，命令行中出会出现一个错误堆栈。最后的Error小结是 models 这个变量没有定义，然后从下往上看，可以看到是第7行代码出错。这个 models 要么是前面的代码中有 define，要么是从别的 module 中 import，不管是哪种情况，我们可以在当前代码笔记中搜索 models。

很快就在最开始的 block 中找到了 models 的定义语句，它是从 cellpose 模块 中 import 进来的。而这个也是我们后续使用中必须要进行的步骤，以确保核心命令执行所需的依赖项完整。这里我们就执行下这个部分的代码。

可以看到这里的运行日志输出，首先是对 cell 的 diamter 进行了估计，耗时 14 秒左右。这提示 diameter 参数设置为0的时候会自动估计（相对耗时）。然后 find mask 得速度就很快了，24张图像就用了 13 秒搞定。

接下来我们可以尝试只对其中一张图像的一个通道进行分割，并指定 diameter，修改 channels以指向为明场类型。

查看图像分割结果

上部分我们调整了输入和参数来执行图像分割，output 为 masks_pred 等四个变量。不难猜测，我们需要的 mask 图像就放在 masks_pred 这个变量中。可以查看一下：

所以 imgs[0][0] 指向的这张单通道的图像（xy类型）predict 之后对应的mask就是 masks_pred[0]，概括下就是 input 和 output 的两个 list 的item 的index 是一致的。

代码消化整合

基于上述代码阅读获得的必要信息，我们可以新建一个notebook，进行尝试。

该部分仅登录用户可见

对图像分割结果作图如下所示：

可以看到，最后一张图像啥也没分割出来，这可能是自动设置的 diameter 不合适。所以说，针对同一类型的细胞，所有图像的 pixelsize 要调整一致，然后大致测量下，提供一个估计的 diameter 再来进行 cellpose 的图像分割。

附录

通过百度网盘分享的文件：cellpose_cyto3_notebooks.zip
链接：https://pan.baidu.com/s/1Sls8hzZQsUfduFAGnJ5eqg
提取码：

该部分仅登录用户可见

最后修改：2024 年 09 月 23 日
© 允许规范转载
请大力赞赏以支持本站持续运行！