科 / 研 / 图 / 像 / 处 / 理
Cellpose 是强大的细胞分割工具，不仅仅可以处理 2D 的细胞分割，也可以无需训练推广到 3D 细胞分割。
传统上，3D 分割需要可用的 3D 训练数据，这比二维训练数据要复杂得多。
这是因为创建三维训练数据需要独立地对每个二维切片进行分割，这非常耗时。例如，如果一个细胞在 Z 上跨越了 30 层，那就需要对这 30 层都进行手动二维分割。
Cellpose 采用对图像 XY，YZ，XZ 方向分别计算梯度，然后把得到的3个方向的梯度进行平均，最终无需训练一个 3D 模型，就可以实现 3D 的细胞分割。
这篇文章会介绍怎样利用 Cellpose 的 GUI 以及脚本进行 3D 细胞分割。
一、安装 Cellpose 以及 GPU dependency
参考之前的文章：
二、利用 Cellpose GUI 进行 3D 细胞分割
1、打开 Cellpose GUI
安装好 cellpose 后，激活安装了 cellpose 的 conda 环境，，打开 cellpose 的 GUI：
python -m cellpose2、导入 3D image stack
打开 Cellpose GUI 后，加载图像，图像应该是一个 tif 格式的 3D stack：
勾选 orthoviews 可以从三个角度观察图像
3、设置参数
cellpose 有几个关键的参数需要设置：
1、细胞大概的直径（单位为 pixel）；
2、分割哪一个通道（这里的例子是单通道的图像，选择 gray）；
3、选择哪个图像进行分割（这里选中 nuclei）。
细胞直径可以通过 Calibrate 功能进行预测，预测细胞直径有 17.4 个pixel，符合预期：
点击 model zoo 中的 model 之后，会自动下载该 model，并生成分割结果。可以多测试一些模型，选效果最好的模型：
4、导出结果
点击 File，选择 Save masks as PNG/tif，即可在图片所在文件夹得到 3D Mask 图像：
分割结果：
三、调用 cellpose API
因为要导入 Image stack，在 cellpose 对应的 conda 环境中 tifffile 这个包：
pip install tifffile -i https://pypi.tuna.tsinghua.edu.cn/simple/代码示例：
from cellpose import modelsimport tifffileimg = tifffile.imread('test_stack.tif')# define basic parameterscellDiameter = 17.4 # cell diameterchan = [0,0] # CHANNELS to segementminVol = 15 # filter small noisezScaleFactor = 1 # z step / xy pixel size# set model, use GPU to calculatemodel = models.Cellpose(gpu=True, model_type='nuclei')# segment imagemasks, flows, styles, diams = model.eval(img, diameter = cellDiameter,channels = chan,do_3D = True,anisotropy = zScaleFactor,min_size = minVol)
通过把 masks 和原图 plot 在一起，可以检查分割效果，plot 代码：
# DISPLAY RESULTSfrom stardist import random_label_cmapimport matplotlib.pyplot as pltimport matplotlib as mplimport numpy as np%matplotlib inlinenp.random.seed(6)lbl_cmap = random_label_cmap()plt.figure(figsize=(13,10))plt.subplot(121)plt.imshow(img[img.shape[0] // 2 - 5,:,:],cmap='gray')plt.title('Raw image (XY slice)')plt.axis('off')plt.subplot(122)plt.imshow(img[img.shape[0] // 2 - 5,:,:],cmap='gray')plt.imshow(masks[img.shape[0] // 2 - 5,:,:], cmap=lbl_cmap, alpha=0.5)plt.title('Segmented image (XY slice)')plt.axis('off')
分割效果：
四、代码分析
1、导入 Image stack
import tifffileimg = tifffile.imread('test_stack.tif')
导入 Image stack 的方法有很多，tifffile 是导入 tiff 格式图像比较方便的一种方法。
导入后的图像直接是一个 numpy array。array 的维度，相对于原始的图像是 [Z,Y,X]。
2、进行3D细胞分割
# segment imageflows, styles, diams = model.eval(img, diameter = cellDiameter,channels = chan,do_3D = True,anisotropy = zScaleFactor,= minVol)
跟进行 2D 细胞分割不同，进行 3D 细胞分割时，do_3D 需要定义为 True，不定义的情况下默认是 False。
anisotropy，即各向异性也需要进行定义。每一个 Voxel，三个维度 XYZ 的比例不一定是 1:1:1。
例如，如果成像时 Z step 是 2μm，而 XY 的 pixel size 是1μm，anisotropy需要定义为 2。
如果 3D分割效果比较差，可以采用先每层进行2D分割，再把不同层stitch 起来的方法：
# segment imagemasks, flows, styles, diams = model.eval(img, diameter = cellDiameter,channels = chan,stitch_threshold = 0.2,anisotropy = zScaleFactor,min_size = minVol)
do_3D 默认是 False，定义 stitch_threshold，单层的结果：
3D 的效果：
2D stitch 的方法，在 2D 单层分割的效果是优于 3D 分割的。
但因为 2D stitch 只是通过 overlap 来判断层与层之间是否属于同一个物体，所以可能无法很好地把粘连的物体分开。
往期回顾
