数据分析 | Image J 插件 —— Cellpose精准分割和识别神经元

在进行神经元定量分析时，如何精准分割胞体一直是环路研究的基础。

在初期尝试中，我们通常会首先采用传统的 Threshold（阈值分割）方法。然而在实际应用中，由于脑区背景荧光不均、信号强弱有别，且密集的神经元胞体常常紧密粘连，传统的灰度阈值很难在“避免漏检”和“准确分离”之间找到完美的平衡，识别效果往往不够理想。

‍

相比之下，基于深度学习的 Cellpose 细胞分割算法不仅对非均匀背景具备极强的鲁棒性，还能依靠形态先验精准剥离相互粘连的细胞边界。更重要的是，在 ImageJ 中使用 Cellpose 插件可以丝滑联动 ROI 识别与荧光定量等核心功能，为后续的下游分析打下坚实基础。

本文将详细分享如何利用 Cellpose 实现更稳健、高精度的神经元全自动量化分析。

Github：https://github.com/mouseland/cellpose

一、Conda 环境搭建

首先，我们需要在本地搭建一个独立的 Python 环境来运行 Cellpose 核心算法。打开终端（Terminal）或 Anaconda Prompt，依次输入以下命令：

1. 创建环境：conda create --name cellpose_env python=3.12

2. 激活环境：conda activate cellpose_env

3. 安装包：pip install cellpose

二、在ImageJ中安装

三、在 ImageJ 中打开 Cellpose

四、设置参数

1. 刚才安装的环境的路径

2. 使用conda环境

3. 关键参数：

• --cellprob_threshold -2.0（细胞概率阈值）：默认为0，这里设置成 -2.0 是放宽条件，将暗淡一点的细胞也进行标记

• --flow_threshold 0.4（流阈值/确定性阈值）：默认是 0.4，控制细胞的形态圆不圆

• 其他参数请参考官方文档进行选择：https://cellpose.readthedocs.io/en/v3.1.1.1/cli.html

4. chan = 0 表示灰度图

5. chan2 = -1 表示没有第二个通道（比如dapi细胞核作为参考）

五、结果

1. 点击确定后，等待数秒至数分钟（取决于图片尺寸、硬件配置和细胞数量），ImageJ 中会自动弹出一张分割好的标签图（Cell Map）。

2. 在 ImageJ 中通过 Threshold 调整，可以将 Cell Map 中的所有细胞范围覆盖。

Cell Map

识别信号

1. 随后使用 Create Selection 功能，即可将 Cell Map 中的所有识别结果转化为 ROI 选区。

创建选区

识别信号

添加ROI

1. 由于刚生成的 ROI 是将所有细胞作为一个整体（复合选区），我们需要将其导入 ROI Manager，并点击 Split 功能。这样，图像中的每一个细胞都会被单独剥离，转化为一个个独立的 ROI。

分割 ROI

单个细胞为 ROI

1. 将 Cellpose 的识别结果与原始荧光图进行横向对比，可以看到 Cellpose 可以十分精准的识别到所有的神经元。

1. 可以看到，仍有少量神经元因为位置过于紧密，不能很好的分开。如果出现很多这种情况，可以通过调整参数做到更好的分割。如果只是少数情况，可以手动进行标记修改。

‍

‍

网页版分析：如果不想配置本地 Conda 环境，可以直接使用 Cellpose 官方提供的免费网页端进行轻量化 CPU 在线分析。

• 针对图像大小为 10 MB，尺寸为224 x 224 pixels 以内的图片进行在线分析（使用CPU分析）

• 网站：https://www.cellpose.org/

‍

‍

参考文献：Stringer, C., Cellpose3: one-click image restoration for improved cellular segmentation. Nat Methods, 2025

原文链接：https://www.nature.com/articles/s41592-025-02595-5

/  🐭👆 点点关注不迷路👆🐭   /