科 / 研 / 图 / 像 / 处 / 理
Cellpose，是一种通用的、基于深度学习的细胞分割方法。
Cellpose 是目前 可运用范围最广且效果最好 的细胞分割模型，值得大家认真学习。之前写了一系列关于 Cellpose 使用的文章，可供大家参考：
（1）本地安装 CPU 版本的 Cellpose，并利用 Cellpose 的 GUI 进行细胞分割：
（2）Python 脚本调用 Cellpose，进行自动细胞计数：
（3）Python 脚本中调用 Cellpose，并利用 GPU 进行加速：
点击跳转《细胞分割神器 Cellpose（GPU加速）》
Cellpose 提供了许多预训练的神经网络，针对不同类型的图像设置了不同的模型，在不同模型上都可以得到良好结果 ：
An ensemble of models with different segmentation styles
但这样的模型不允许用户根据其特定需求调整分割风格，并且对于与训练图像非常不同的测试图像的表现可能不佳。
Cellpose 2.0，作为 Cellpose 1.0 的升级版本，包括多种不同的预训练模型，并提供了一个通过 Human in the loop，快速训练自定义模型的流程：
官方教程：https://www.youtube.com/watch?v=5qANHWoubZU
这篇文章会介绍怎样利用 Cellpose 2.0，用自己的数据训练一个定制的细胞分割模型。
参考之前的文章：
点击跳转《细胞分割神器 Cellpose（GPU加速）》
二、选择预训练模型
1、数据准备
首先将同类型的图片放在同一文件夹下：
打开 Cellpose GUI，加载文件夹中的一张图片：
2、测试不同预训练模型
Cellpose 自带的预训练模型有 14 个：
可以点击不同的 Model 进行测试，选择结果最好的模型作为初始的预训练模型：
这里选择 cyto2 这个 model，因为它的 false positive 是最少的。
三、人工标注ROI
预训练模型的分割结果往往不是完美的，我们需要在此基础上删除分割错误的 ROI，重新标注正确的 ROI，或者标注出没有被分割的 ROI。
删除分割错误的ROI：Ctrl + Left Click
人工标注新的ROI：Right Click一次，沿着细胞轮廓拖动鼠标，画出完整边界后再Right Click（如果头尾相接，会自动生成ROI，不用二次Right Click）
每次标注 ROI，都会自动在图像所在文件夹生成 .npy 文件
四、模型训练
在 ROI 标注完成后，在 Models 中点击Train new model with image+masks in folder:
设置训练参数，这里主要是选择 initial model 并对 model 进行命名：
点击 OK 后，即可调用 GPU 进行 training：
训练 100 个 epoch 后，会自动打开图像文件夹的另一张图像，并利用刚才训练的模型进行分割：
然后再重复第三步-人工标注 ROI，然后再训练，反复迭代最终得到一个效果较好的模型。
Cellpose 2.0 论文中提到，这种 Online Human-in-the-loop 的方式，跟从头训练一个分割模型相比，可以标注更少的 ROI（几十到几百个），更快得到一个效果好的模型。
Average precision curves as a function of the number of manually annotated ROI
Cellpose 会自动保存自定义的模型，后面可以在 custom models 中直接调用。
通过利用 Cellpose 2.0 的预训练模型，可以很轻松地利用自己的数据，来训练一个定制的分割模型。
后面会介绍怎样利用 Cellpose 进行 3D 细胞的分割。
往期回顾
