cellpose-cell-segmentation

Cellpose — ディープラーニングによる細胞セグメンテーション

概要

Cellposeはフローベースのニューラルネットワークを使用し、パラメーターを手動で調整することなく、蛍光顕微鏡画像内の個々の細胞や核をセグメンテーションします。事前学習済みモデル（cyto3、nuclei、tissuenet）は、細胞の種類、倍率、染色条件が異なる場合にも汎用的に機能するため、しきい値の手動選択やウォーターシェッドのパラメーター最適化が不要になります。Cellposeは整数ラベルマスク（各細胞に固有の整数を割り当てたもの）を出力します。このマスクは、形態計測用のscikit-image regionpropsやトラッキング用のTrackPyと互換性があります。内蔵の直径推定機能により細胞サイズの指定は不要ですが、おおよその直径を指定すると精度が向上します。

使用する場面

• 強度のばらつきや細胞同士の接触によりルールベースのしきい値処理がうまくいかない蛍光顕微鏡画像で、細胞や核をセグメンテーションする場合
• 画像ごとのパラメーター調整をせずに、大規模な顕微鏡画像データセットをバッチ処理する場合
• 1つのモデルで、多様な細胞の種類（接着細胞、血球、細菌、オルガノイド）をセグメンテーションする場合
• scikit-imageを使った後続の領域特性計測（面積、強度、形状）用にラベルマスクを作成する場合
• do_3D=Trueを指定して、Zスタック顕微鏡データを3Dボリュームセグメンテーションする場合
• 細胞が十分に分離しており、ルールベースのしきい値処理で十分な場合は、scikit-image watershedを使用してください
• 星型凸細胞（ニューロン、核）向けに最適化されたディープラーニングセグメンテーション手法として、代替のStarDistを使用してください

前提条件

• Pythonパッケージ：cellpose、numpy、matplotlib
• 任意：処理を10～50倍高速化できるCUDA対応GPU（GUIを使用する場合はpip install cellpose[gui]）
• 入力：グレースケールまたはマルチチャンネルのTIFF/PNG画像（2Dまたは3D配列）

# Install Cellpose
pip install cellpose

# Install with GUI support
pip install cellpose[gui]

# Install with GPU (PyTorch CUDA)
pip install cellpose torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

# Verify
python -c "from cellpose import models; print('Cellpose ready')"

クイックスタート

from cellpose import models
import numpy as np
from skimage import io

# Load image (grayscale or 2D array)
img = io.imread("cells.tif")  # shape: (H, W) or (H, W, C)

# Initialize model and segment
model = models.Cellpose(model_type="cyto3", gpu=False)
masks, flows, styles, diams = model.eval(img, diameter=0, channels=[0, 0])

print(f"Cells segmented: {masks.max()}")  # number of cells
print(f"Estimated diameter: {diams:.1f} px")
print(f"Mask shape: {masks.shape}")

ワークフロー

ステップ1：画像の読み込みと確認

顕微鏡画像を読み込み、セグメンテーションの前にチャンネルの構成を確認します。

import numpy as np
from skimage import io
import matplotlib.pyplot as plt

# Load single-channel fluorescence image
img_gray = io.imread("nucleus_dapi.tif")           # shape: (H, W)
img_rgb = io.imread("cells_multichannel.tif")      # shape: (H, W, C)

print(f"Grayscale shape: {img_gray.shape}, dtype: {img_gray.dtype}")
print(f"Multichannel shape: {img_rgb.shape}")

# Preview
fig, axes = plt.subplots(1, 2, figsize=(12, 5))
axes[0].imshow(img_gray, cmap="gray")
axes[0].set_title("DAPI (nuclei)")
axes[1].imshow(img_rgb[..., 0], cmap="green")
axes[1].set_title("GFP channel")
plt.tight_layout()
plt.savefig("image_preview.png", dpi=100)
print("Saved: image_preview.png")

ステップ2：事前学習済みモデルで細胞をセグメンテーション

適切な事前学習済みモデルを使ってCellposeを実行します。

from cellpose import models
import numpy as np
from skimage import io

# Available models: 'cyto3' (cells), 'nuclei', 'tissuenet', 'cyto2', 'CP'
model = models.Cellpose(model_type="cyto3", gpu=False)

img = io.imread("cells.tif")

# channels=[cytoplasm_channel, nucleus_channel]
# Use [0, 0] for grayscale; [1, 3] for green cytoplasm + blue nucleus (1-indexed)
masks, flows, styles, diams = model.eval(
    img,
    diameter=0,          # 0 = auto-estimate; or provide px estimate
    channels=[0, 0],     # grayscale
    flow_threshold=0.4,  # lower = fewer false positives; range 0.1-1.0
    cellprob_threshold=0.0,  # lower = more cells detected; range -6 to 6
)

print(f"Cells found: {masks.max()}")
print(f"Estimated cell diameter: {diams:.1f} pixels")
np.save("masks.npy", masks)

ステップ3：DAPIチャンネルから核をセグメンテーション

DAPI染色された核にはnucleiモデルを使用します。

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")

# Nucleus-only segmentation: channels=[0, 0] (single channel)
masks, flows, styles, diams = model.eval(
    dapi,
    diameter=30,         # approximate nucleus diameter in pixels
    channels=[0, 0],
    flow_threshold=0.4,
    cellprob_threshold=0.0,
)

print(f"Nuclei segmented: {masks.max()}")
# Save label mask as TIFF for ImageJ/FIJI compatibility
from skimage import io as skio
skio.imsave("nuclei_masks.tif", masks.astype(np.uint16))
print("Saved: nuclei_masks.tif")

ステップ4：セグメンテーション結果の可視化

品質管理のため、元の画像にマスクを重ねて表示します。

from cellpose import plot as cpplot
import matplotlib.pyplot as plt
import numpy as np
from skimage import io

img = io.imread("cells.tif")
masks = np.load("masks.npy")
flows_data = None  # load if you saved them: flows = np.load("flows.npy", allow_pickle=True)

# Cellpose built-in visualization
fig, axes = plt.subplots(1, 3, figsize=(15, 5))

# Original image
axes[0].imshow(img, cmap="gray")
axes[0].set_title(f"Original image")

# Label mask (each cell = unique color)
axes[1].imshow(masks, cmap="tab20")
axes[1].set_title(f"Segmentation masks ({masks.max()} cells)")

# Overlay: outline on original
from skimage.segmentation import find_boundaries
boundaries = find_boundaries(masks, mode="inner")
overlay = np.stack([img / img.max()] * 3, axis=-1)
overlay[boundaries] = [1, 0, 0]  # red outlines
axes[2].imshow(overlay)
axes[2].set_title("Outlines overlay")

plt.tight_layout()
plt.savefig("segmentation_result.png", dpi=150)
print("Saved: segmentation_result.png")

ステップ5：マスクから細胞の特性を計測

scikit-imageのregionpropsを使って、形態および強度の計測値を抽出します。

import numpy as np
import pandas as pd
from skimage.measure import regionprops_table
from skimage import io

masks = np.load("masks.npy")
img = io.imread("cells.tif")

# Measure morphology and intensity per cell
props = regionprops_table(
    masks, intensity_image=img,
    properties=["label", "area", "centroid", "eccentricity",
                 "mean_intensity", "max_intensity", "perimeter",
                 "equivalent_diameter_area"]
)
df = pd.DataFrame(props)
df.columns = ["cell_id", "area_px", "centroid_y", "centroid_x",
              "eccentricity", "mean_intensity", "max_intensity",
              "perimeter", "diameter_px"]

print(f"Cells measured: {len(df)}")
print(f"Median area: {df['area_px'].median():.0f} px²")
print(f"Median diameter: {df['diameter_px'].median():.1f} px")
print(df.head())

df.to_csv("cell_measurements.csv", index=False)

ステップ6：複数画像のバッチセグメンテーション

画像ディレクトリを処理し、結果を集約します。

from cellpose import models
from skimage import io
from skimage.measure import regionprops_table
import pandas as pd
import numpy as np
from pathlib import Path

model = models.Cellpose(model_type="cyto3", gpu=False)
image_dir = Path("images/")
output_dir = Path("results/")
output_dir.mkdir(exist_ok=True)

all_stats = []
for img_path in sorted(image_dir.glob("*.tif")):
    img = io.imread(img_path)
    masks, _, _, diams = model.eval(img, diameter=0, channels=[0, 0])
    
    # Save mask
    np.save(output_dir / f"{img_path.stem}_masks.npy", masks)
    
    # Measure
    if masks.max() > 0:
        props = regionprops_table(masks, intensity_image=img,
                                  properties=["label", "area", "mean_intensity"])
        df = pd.DataFrame(props)
        df["image"] = img_path.name
        df["est_diameter"] = diams
        all_stats.append(df)
    
    print(f"{img_path.name}: {masks.max()} cells, diameter={diams:.0f}px")

summary = pd.concat(all_stats, ignore_index=True)
summary.to_csv(output_dir / "all_cells.csv", index=False)
print(f"\nTotal cells: {len(summary)} across {summary['image'].nunique()} images")

主なパラメーター

パラメーター	デフォルト	範囲／選択肢	効果
model_type	"cyto3"	"cyto3"、"cyto2"、"nuclei"、"tissuenet"、"CP"、カスタムパス	事前学習済みモデル。cyto3は最も汎用的で、nucleiはDAPIのみの場合に使用します
diameter	30	0～500 px	ピクセル単位のおおよその細胞直径。0の場合は画像から自動推定します
channels	[0, 0]	[cyto, nucleus]（0=グレー、1=R、2=G、3=B）	細胞質および核染色のチャンネルインデックス
flow_threshold	0.4	0.1～1.0	フローフィールドに基づく細胞確率のしきい値。値を下げるほど厳しくなります
cellprob_threshold	0.0	−6～6	細胞確率のカットオフ。値を上げると、より多くの細胞を検出します
gpu	False	True、False	GPU推論を有効にします（CUDA対応のPyTorchが必要です）
do_3D	False	True、False	Zスタックの3Dボリュームセグメンテーションを有効にします
min_size	15	整数 px²	ピクセル²単位のオブジェクトの最小サイズ。これより小さいオブジェクトは破棄されます
batch_size	8	整数	GPUの1バッチで処理する画像タイルの数
normalize	True	True、False	セグメンテーションの前に画像の強度を正規化します

よく使うレシピ

レシピ1：マルチチャンネル画像（GFP + DAPI）のセグメンテーション

from cellpose import models
from skimage import io
import numpy as np

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

# Multichannel image: channel 1 = GFP (cytoplasm), channel 3 = DAPI (nucleus)
img_multi = io.imread("cells_gfp_dapi.tif")  # shape: (H, W, 3)

# channels=[cytoplasm_channel, nucleus_channel] (1-indexed for multichannel)
masks, flows, styles, diams = model.eval(
    img_multi,
    diameter=0,
    channels=[2, 3],  # GFP=channel2, DAPI=channel3 (1-indexed)
    flow_threshold=0.4,
)
print(f"Cells segmented: {masks.max()}, diameter: {diams:.0f}px")
np.save("masks_multichannel.npy", masks)

レシピ2：Cellpose CLIでディレクトリをバッチ処理

# CLI batch segmentation of all TIFFs in a directory
cellpose \
    --image_path images/ \
    --pretrained_model cyto3 \
    --diameter 0 \
    --chan 0 \
    --save_tif \
    --no_npy

# With GPU
cellpose \
    --image_path images/ \
    --pretrained_model nuclei \
    --diameter 30 \
    --chan 0 \
    --use_gpu \
    --save_tif

# Results saved as: images/*_cp_masks.tif
echo "Done. Masks saved in images/ directory."

レシピ3：カスタム細胞タイプでCellposeをファインチューニング

from cellpose import models, train
import numpy as np
from skimage import io

# Prepare training data: list of images and corresponding masks
train_images = [io.imread(f"train/img_{i}.tif") for i in range(10)]
train_masks = [np.load(f"train/mask_{i}.npy") for i in range(10)]

# Fine-tune starting from cyto3
model = models.CellposeModel(model_type="cyto3")

# Train: saves model to models/ directory
model_path = train.train_seg(
    model.net,
    train_data=train_images,
    train_labels=train_masks,
    channels=[0, 0],
    save_path="models/",
    n_epochs=100,
    learning_rate=0.2,
    weight_decay=1e-5,
)
print(f"Fine-tuned model saved: {model_path}")

期待される出力

出力	形式	説明
masks array	numpy int32	ラベルマスク：0=背景、1..N=一意な細胞 ID
flows list	numpy arrays	フローフィールドの各成分：[XY フロー、細胞確率、勾配]
styles array	numpy float	スタイルベクトルの埋め込み（モデルの類似性に使用）
diams float	scalar	推定された平均細胞径（ピクセル単位）
*_masks.npy	NumPy	保存されたマスク配列（np.save による）
*_cp_masks.tif	TIFF uint16	マスク TIFF（CLI の --save_tif による）。FIJI/ImageJ と互換性があります

トラブルシューティング

問題	原因	解決策
すべての細胞が 1 つのマスクに統合される	直径が大きすぎる、または細胞同士が近すぎる	diameter を小さくし、flow_threshold を 0.6～0.8 に上げます
検出される細胞が非常に少ない	直径が小さすぎる、または cellprob_threshold が高すぎる	cellprob_threshold を −2 に上げます。自動設定には diameter=0 を使用します
偽陽性が多い（背景がラベル付けされる）	flow_threshold が低い	flow_threshold を 0.6～0.9 に上げ、min_size を大きくします
GPU のメモリ不足	GPU バッチに対して画像が大きすぎる	タイルに分割して処理します。batch_size を小さくするか、画像を切り抜きます
新しい細胞タイプへの汎化性能が低い	類似した細胞でモデルがトレーニングされていない	すべての事前トレーニング済みモデルを試します。アノテーション済み画像を 10～20 枚使ってファインチューニングします
3D セグメンテーションが非常に遅い	CPU で z スタックが大きい	GPU を有効にします。z スタックの深さを小さくするか、anisotropy パラメーターを使用します
マスク値が uint8 の範囲を超える	画像内の細胞数が 255 を超えている	dtype=np.uint16 または np.int32 で保存します
インポートエラー：No module named 'cellpose'	パッケージがインストールされていない	pip install cellpose または conda install -c conda-forge cellpose

参考資料

• Cellpose GitHub：MouseLand/cellpose — ソースコード、ドキュメント、モデル一覧
• Stringer C ほか（2021）「Cellpose: a generalist algorithm for cellular segmentation」— Nature Methods 18:100-106。DOI:10.1038/s41592-020-01018-x
• Pachitariu M、Stringer C（2022）「Cellpose 2.0: how to train your own model」— Nature Methods 19:1500-1508。DOI:10.1038/s41592-022-01663-4
• Cellpose ドキュメント — 公式 API リファレンスとトレーニングガイド