cellpose

세포 분할에 사용할 Cellpose 모델 구성

R2023b 이후

페이지 내 모두 확장

    설명

    Cellpose Library를 사용하여 cellpose 객체와 그 객체 함수로 현미경 영상의 세포를 분할합니다.

    cellpose 객체는 사용할 모델과 분할 옵션을 지정합니다. Cellpose Library에서 사전 훈련된 모델을 지정하거나 훈련된 사용자 지정 모델을 지정할 수 있습니다. 분할을 수행하려면 cellpose 객체를 2차원 또는 3차원 영상에 대한 segmentCells2D 또는 segmentCells3D 객체 함수에 각각 전달하십시오. trainCellpose 함수를 사용하여 사용자 지정 모델을 훈련시킵니다. downloadCellposeModels 함수를 사용하여 라이브러리에서 사전 훈련된 모델을 모두 다운로드합니다.

    참고

    이 기능을 사용하려면 Deep Learning Toolbox™, Computer Vision Toolbox™ 및 Medical Imaging Toolbox™ Interface for Cellpose Library가 필요합니다. 애드온 탐색기에서 Medical Imaging Toolbox Interface for Cellpose Library를 설치할 수 있습니다. 애드온 설치에 대한 자세한 내용은 애드온을 받고 관리하기 항목을 참조하십시오.

    생성

    구문

    cp = cellpose
    cp = cellpose(Name=Value)

    설명

    cp = cellpose는 디폴트 속성값을 사용하여 cellpose 객체를 만듭니다. 이 구문을 처음 호출하면 함수는 Cellpose Library에서 cyto2 신경망을 다운로드합니다. 이때 인터넷 연결이 필요합니다.

    예제

    cp = cellpose(Name=Value)는 Model 속성과 ModelFolder 속성을 설정하거나, 하나 이상의 이름-값 인수를 사용하여 추가 인수를 지정합니다. 예를 들어, ExecutionEnvironment="gpu"는 분할에 GPU를 사용하도록 지정합니다.

    이름-값 인수

    모두 확장

    선택적 인수 쌍을 Name1=Value1,...,NameN=ValueN으로 지정합니다. 여기서 Name은 인수 이름이고 Value는 대응값입니다. 이름-값 인수는 다른 인수 뒤에 와야 하지만, 인수 쌍의 순서는 상관없습니다.

    예: cellpose(Acceleration="openvino")는 분할 중에 OpenVINO™ 가속을 적용합니다.

    앙상블 모델 사용 여부로, 숫자형 또는 논리값 0(false) 또는 1(true)로 지정됩니다. cyto2, cyto, nuclei 등 일부 사전 훈련된 모델에 대해 Cellpose Library는 서로 다른 초기 파라미터 값을 사용하여 훈련된 다양한 버전을 제공합니다. 지정된 Model의 모든 버전을 다운로드하고 이들 버전의 앙상블 간 평균 결과로 영상을 분할하려면, 이 인수를 true로 설정하십시오. 앙상블 모델은 일부 데이터 세트에서 정확도가 더 높을 수 있지만 실행 시간이 더 길어질 수 있습니다.

    이 인수는 Cellpose Library의 net_avg 파라미터에 대응됩니다.

    데이터형: logical

    분할을 위한 하드웨어 리소스로, 다음 값 중 하나로 지정됩니다.

    • "auto" — Parallel Computing Toolbox™가 설치되어 있고 지원되는 GPU 장치를 사용할 수 있는 경우 GPU를 사용합니다. 그렇지 않은 경우 CPU를 사용합니다.

    • "cpu" — CPU를 사용합니다.

    • "gpu" — GPU를 사용합니다. 이 옵션을 선택했는데 Parallel Computing Toolbox 또는 지원되는 GPU를 사용할 수 없는 경우 오류가 반환됩니다.

    지원되는 GPU 장치에 대한 자세한 내용은 GPU 연산 요구 사항 (Parallel Computing Toolbox) 항목을 참조하십시오.

    데이터형: char | string

    CPU 가속 적용으로, "none" 또는 "openvino"로 지정됩니다. "openvino"로 설정하면 cellpose 객체가 CPU에 OpenVINO(Open Visual Inference and Neural network Optimization) 가속을 적용합니다. GPU를 사용하는 경우 이 인수는 아무런 영향을 미치지 않습니다. 실제 속도 증가는 CPU에 따라 다릅니다.

    OpenVINO 가속은 다음을 분할할 때 성능을 높일 수 있습니다.

    • 같은 크기의 여러 2차원 영상

    • 모든 차원에서 크기가 같은 단일 3차원 영상

    OpenVINO 가속을 활성화하면 크기가 서로 다른 여러 개의 영상을 분할하려 할 때 오류가 반환됩니다.

    데이터형: char | string

    속성

    모두 확장

    읽기 전용 속성입니다.

    모델 이름으로, string형 스칼라 또는 문자형 벡터로 지정됩니다. Model을 Cellpose Library의 사전 훈련된 모델 이름으로 지정하거나, 디폴트 ModelFolder에 있는 훈련된 사용자 지정 모델 이름 또는 훈련된 사용자 지정 모델의 절대 경로로 지정합니다. 사전 훈련된 모델을 다음 옵션 중 하나로 지정할 수 있습니다.

    • "cyto"

    • "cyto2"

    • "CP"

    • "CPx"

    • "nuclei"

    • "livecell"

    • "LC1"

    • "LC2"

    • "LC3"

    • "LC4"

    • "tissuenet"

    • "TN1"

    • "TN2"

    • "TN3"

    주어진 사전 훈련된 모델을 처음 지정하면 함수는 Cellpose Library에서 해당 모델을 다운로드합니다. 이때 인터넷 연결이 필요합니다. 사전 훈련된 모델과 그 훈련 데이터에 대한 자세한 내용은 Cellpose Library Documentation을 참조하십시오.

    읽기 전용 속성입니다.

    모델 폴더 경로로, 모델 Model이 포함된 폴더 경로의 string형 스칼라 또는 문자형 벡터로 지정됩니다. 기본적으로 ModelFolder는 userpath 함수에서 반환된 폴더 내의 cellposeModels라는 하위 폴더입니다. Model을 훈련된 사용자 지정 모델의 절대 경로로 지정하는 경우 이 속성은 아무런 영향을 미치지 않습니다.

    읽기 전용 속성입니다.

    검출 가능한 세포 지름으로, 숫자형 스칼라로 지정됩니다. 이 속성은 모델이 검출하도록 훈련된 일반적인 세포 지름(단위: 픽셀)을 지정합니다. DetectableCellDiameter와 비슷한 지름을 가진 세포 영상을 처리할 경우 이 모델을 사용해야 합니다. 모델이 실제로 검출할 수 있는 지름 범위는 모델마다 다르며 시행착오를 거치며 알아볼 수 있습니다.

    이 속성은 Cellpose Library의 diam_mean 파라미터에 대응됩니다.

    데이터형: double

    읽기 전용 속성입니다.

    훈련할 세포 지름으로, 숫자형 스칼라로 지정됩니다. 이 속성은 모델 훈련에 사용되는 영상의 평균 세포 지름을 지정합니다. 이 속성은 Cellpose Library의 diam_labels 파라미터에 대응됩니다.

    데이터형: double

    객체 함수

    segmentCells2DCellpose를 사용하여 2차원 영상 분할
    segmentCells3DCellpose를 사용하여 3차원 영상 볼륨 분할

    예제

    모두 축소

    디폴트 속성값을 사용하여 cellpose 객체를 만듭니다.

    cp = cellpose
    cp = 

  cellpose with properties:

    DetectableCellDiameter: 30
      TrainingCellDiameter: 30
               ModelFolder: "C:\Documents\MATLAB\cellposeModels\"
                     Model: "cyto2"

    참고 문헌

    [1] Stringer, Carsen, Tim Wang, Michalis Michaelos, and Marius Pachitariu. “Cellpose: A Generalist Algorithm for Cellular Segmentation.” Nature Methods 18, no. 1 (January 2021): 100–106. https://doi.org/10.1038/s41592-020-01018-x.

    [2] Pachitariu, Marius, and Carsen Stringer. “Cellpose 2.0: How to Train Your Own Model.” Nature Methods 19, no. 12 (December 2022): 1634–41. https://doi.org/10.1038/s41592-022-01663-4.

    버전 내역

    R2023b에 개발됨

    참고 항목

    | | |

    도움말 항목

    외부 웹사이트