Cellpose 시작하기

Medical Imaging Toolbox™ Interface for Cellpose Library 지원 패키지를 사용하여 현미경 영상을 분할합니다. 이 지원 패키지를 사용하면 Cellpose Library의 사전 훈련된 모델을 적용하거나 사용자 고유의 데이터로 모델을 다시 훈련시킬 수 있습니다. 사전 훈련된 모델과 그 훈련 데이터에 대한 자세한 내용은 Cellpose Library Documentation을 참조하십시오.

Cellpose 모델은 현미경 모달리티 간의 다양한 세포 유형을 분할하거나 다른 유형의 객체를 분할할 수 있습니다. Cellpose는 단일 클래스 인스턴스 분할 알고리즘으로, 모델이 하나의 유형에 속하는 여러 객체에 레이블을 지정함을 의미합니다. 예를 들어, Cellpose는 영상에서 수백 개의 혈액 세포를 검출할 수 있지만 적혈구와 백혈구를 비교하며 분류할 수는 없습니다. 이 알고리즘은 다음 그림에서 서로 다른 색의 마스크가 표시된 것처럼 각 인스턴스에 개별적으로 레이블을 지정합니다.

Cellpose labels predicted for different microscopy images and a non-microscopy image of coins

지원 패키지 설치

애드온 탐색기에서 Medical Imaging Toolbox Interface for Cellpose Library를 설치할 수 있습니다. 애드온 설치에 대한 자세한 내용은 애드온을 받고 관리하기 항목을 참조하십시오. 이 지원 패키지를 사용하려면 Deep Learning Toolbox™와 Computer Vision Toolbox™도 필요합니다. GPU에서 영상을 처리하려면 지원되는 GPU 장치와 Parallel Computing Toolbox™가 필요합니다.

Cellpose Library는 Python^®을 사용합니다. Medical Imaging Toolbox Interface for Cellpose Library 지원 패키지는 내부적으로 pyenv 함수를 사용하여 Cellpose Library와 상호 작용하고 호환되는 Python 환경을 자동으로 불러옵니다. Python 환경을 구성할 필요가 없습니다.

사전 훈련된 Cellpose 모델 적용하기

많은 현미경 영상에 대해 디폴트 옵션을 갖춘 사전 훈련된 모델을 사용해도 정확한 결과를 얻을 수 있습니다. 새 데이터 세트로 작업할 때는 다음 단계에 따라 사전 훈련된 모델을 사용해 보십시오.

분할할 영상을 불러옵니다. Cellpose 모델에는 입력값으로 2차원 명암 영상이 필요합니다. RGB 또는 다중채널 영상이 있는 경우 im2gray 함수를 사용하여 회색조 영상으로 변환하거나 imsplit 함수를 사용하여 특정 색 채널을 추출할 수 있습니다.
```
img = imread("AT3_1m4_01.tif");
```
Cellpose Library의 사전 훈련된 모델을 구성하는 cellpose 객체를 만듭니다. 다음 코드는 cyto2 모델의 인스턴스를 구성합니다.
```
cp = cellpose(Model="cyto2");
```
대략적인 세포 지름(단위: 픽셀)을 지정하여 영상을 분할합니다. 영상의 세포 지름을 모르는 경우 영상 뷰어 앱을 사용하여 측정할 수 있습니다.
```
labels = segmentCells2D(cp,img,ImageCellDiameter=56);
```
결과를 표시합니다.
```
B = labeloverlay(img,labels);
imshow(B)
```

사전 훈련된 모델을 비교하는 자세한 예는 세포 분할에 사용할 사전 훈련된 Cellpose 모델 선택하기 항목을 참조하십시오.

사전 훈련된 Cellpose 모델 세부 조정하기

사전 훈련된 모델의 결과를 세부 조정하려면 모델 파라미터를 조정해 보십시오. 그러한 조정 작업은 모델에서 수행되는 전처리와 후처리에 영향을 미치며 기본 딥러닝 신경망을 수정하지 않습니다. 자세한 예제는 Refine Cellpose Segmentation by Tuning Model Parameters 항목을 참조하십시오.

다음 영상은 디폴트 파라미터 설정의 Cellpose를 사용하여 예측한 레이블과 세부 조정 후 예측한 레이블을 보여줍니다. 확대된 영역에는 세부 조정된 모델이 디폴트 모델에서 놓친 세포막 돌출부에 레이블을 지정한 영역이 나와 있습니다.

Side-by-side comparison of a microscopy image labeled using default versus refined cellpose parameters.

전이 학습을 사용하여 Cellpose 모델 훈련시키기

사전 훈련된 모델 중 효과적인 것이 없는 경우 전이 학습을 통해 모델을 다시 훈련시켜 보십시오. 예제는 Train Custom Cellpose Model 항목을 참조하십시오.

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.

참고 항목

cellpose | segmentCells2D | segmentCells3D | trainCellpose | downloadCellposeModels