夜雨聆风Suite2p简介
Suite2p是一款专为双光子钙成像数据设计的图像处理管道，能高效完成运动校正、细胞检测、信号提取及反卷积等核心数据处理任务。
Suite2p 最初诞生于 2016 年，由当时在霍华德·休斯医学研究所（HHMI）Janelia Research Campus工作的 Marius Pachitariu 和 Carsen Stringer 等人主导开发。Marius Pachitariu 和 Carsen Stringer这两个人是夫妻档，除了Suite2p，还一起开发了Cellpose、Kilosort、Rastermap等工具。
我之前发过Cellpose的解读文章
✦ 《Cellpose-SAM: superhuman generalization for cellular segmentation》(2025)
Suite2p相关链接汇总
GitHub：https://github.com/mouseland/suite2p（开源协议：GPL v3 ）
文档：[Suite2p Documentation](https://suite2p.readthedocs.io/en/latest/)
论文
✦ [Suite2p: beyond 10,000 neurons with standard two-photon microscopy | bioRxiv](https://www.biorxiv.org/content/10.1101/061507v2)：2016年投的预印本
✦ [Extracting large-scale neural activity with Suite2p | bioRxiv](https://www.biorxiv.org/content/10.64898/2026.02.04.703741v1)，2026年时隔10年又重新投了预印本，对内容进行了大改，并且新开发了一个细胞识别算法sparsery，解读见不甘预印本：钙成像分析软件suite2p v1.0 发布，十年之后的正名之战？
如何安装并运行Suite2p
安装：配置conda环境
# 新建conda环境conda create --name suite2p python=3.11# 激活conda环境conda activate suite2p# 安装Pytorch GPU版本pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121# 安装Suite2p GUI版本pip install suite2p[gui]常见的安装问题见：https://suite2p.readthedocs.io/en/latest/installation/
运行Suite2p：命令行输入suite2p即可启动suite2p
suite2p软件界面如下：
Suite2p 快速上手教程
具体GUI使用细节见官方文档：https://suite2p.readthedocs.io/en/latest/gui/
加载文件
打开软件后，点击File→Run suite2p
这时候会打开一个弹窗，可以选择文件夹并设置各种运行参数
这里以官方提供的tif文件为例进行演示，该tif的下载地址：https://osf.io/download/67f0170c14be54fb766ddbb6
文件大小有1.5GB，一共4500帧
点击「add data_path folders」按钮来存放输入数据的文件夹
🚨 Caution
这里需要注意下suite2p加载数据的特殊性：
✦ suite2p只能选择文件夹进行处理，如果要处理单个文件也要创建一个文件夹进行存放
✦ 「add data_path folders」可以添加多个文件夹，最多支持9个文件夹，一个文件夹下也可以有多个tif，但默认是把这些数据当成同一个视野的不同session数据的，后续处理步骤会把所有tif文件合并为一个文件，而不是批量单独处理的逻辑，所以不同视野的数据需要单独处理，不能合并处理
其他参数说明
✦ Look one level down：默认值为 False，只在选择的 data_path 的顶层文件夹中查找 tiff（或其他格式）文件；设为 True会查找每个 data_path 下所有直接子文件夹中的文件，将所有tif文件合并为一个文件进行处理
✦ save_path0：指定 suite2p 所有输出结果保存的根目录。默认为data_path文件夹的第一个文件夹，可根据需要进行修改。
✦ fast_disk：临时二进制文件目录。指定 suite2p 在运行过程中生成的临时二进制文件存放位置（tif文件输入会转为bin文件，配准后则也会生成bin文件）。默认为save_path0路径。
数据处理
suite2p 处理钙成像数据的步骤大概为
1. 对视频进行配准：由于采集的钙成像视频由于小鼠运动等原因会有晃动，使用基于相位相关性的配准算法来消除晃动。算法流程是会先根据一定数量的帧计算出参考帧，然后使用这个参考帧来配准所有帧。支持刚性配准（简单平移）和非刚性配准（可以进行局部形变）。
2. 识别ROI：
1) 配准好的视频进行分箱，按bin_size帧取平均，得到帧数更少的视频，目的是减少噪声又能节省计算量。
2) 对分箱的视频进行去噪、高通滤波等预处理后，使用细胞检测算法识别ROI，获得ROI mask信息
3. 提取信号：在完整的视频中使用ROI mask信息加权提取每个ROI的荧光traceF和neuropil traceFeu
4. 细胞筛选：可以通过训练一个分类器来对检测的ROI 的形态学和活动特征进行自动分类，判断每个ROI是否是真实细胞，减少假阳性
5. 钙荧光信号反卷积：可以对提取的钙荧光信号进行反卷积，将钙荧光信号推断为神经元发放活动的时间序列估计
接下来来跑pipeline 本样例数据的参数设置
✦ general settings
○ Ca timescale设为1.25（用于信号反卷积）
○ Sampling frequency设为13
✦ run settings：把运动配准、ROI识别、反卷积都勾上
✦ 其他参数保持不变，各处理模块参数的详细解释可见后面的「Suite2p各处理模块参数设置的详细解释」部分
然后点击「run suite2p」按钮运行，等待运行结束
如何批量处理多个文件夹
suite2p GUI默认的设计是一个数据走完配准、细胞识别、信号提取、反卷积流程的，所以「add data_path folders」添加多个文件夹，是默认这些数据拍的是同一个视野的不同session数据，所以数据输入后会先合并为一个大文件进行跨sessions配准、统一信号提取，没办法对每个文件夹都独立进行配准到信号提取等步骤的，并且如果数据的像素宽高不一样，还会直接报错，无法合并数据。
如果想用suite2p进行对多个不同数据进行批量配准，选择一个文件夹后可以通过点击「Batch procesing → Save db+settings to batch list」，这时候会清空界面所选文件夹，将其加入批量处理队列，之后再选择一个文件夹，重复上面操作，就可以添加多个文件夹到批量处理队列了，之后点击「run suite2p」便可批量运行不同文件夹。
查看配准运行结果
关闭原来的参数设置和运行窗口，会发现suite2p主窗口显示已经加载了识别后的ROI和提取的信号
如果要查看配准的视频数据，可以点击顶部菜单栏的Registration→View registered binary打开窗口来查看
点击顶部菜单栏 Registration > View registration metrics，可查看量化的配准指标，用于快速评估配准效果。
配准指标说明：Suite2p是通过PCA降维得到每个PC的高低权重帧，计算高低权重帧之间的位移（即窗口显示的Pixel shift值）来检查配准后数据是否仍存在残留运动，高低权重帧之间的位移越小，说明残留运动少，帧与参考图像对齐良好。
左上图绘制Pixel shift 随 PC 编号变化曲线，绘制了三种 pixel shift 指标：
| rigid | ||
| nonrigid | ||
| nonrigid max |
如果高低权重帧的rigid和nonrigid位移都小（小于0.1），说明已经配准良好，如果rigid位移小而nonrigid位移大，还需要非刚性配准。这里可以看到配准效果非常好，所有PC的rigid和nonrigid的位移值都非常低。
右上图绘制Temporal PC 幅度曲线，显示当前选中 PC 在时间轴上的幅度变化，反映该 PC 对应的时间动态模式。
底部显示当前PC的高低权重帧差异图像，用于观察该 PC 所代表的运动模式：
✦ 左边difference，是高权重帧减去低权重帧得到的差异图像
如何解读：白色代表高权重帧亮黑色代表低权重帧暗如果数据完美配准，则图片看起来平坦如果数据没有配准好，由于细胞出现一边黑一边白的边缘，产生的视觉效果，细胞所在位置看起来会是凹陷的。
✦ 中间merged 图，是高低权重帧的merge图像
如何解读：紫色代表高权重帧亮绿色代表低权重帧亮如果数据完美配准，则细胞应该只由一种颜色填充如果数据没有配准好，则细胞会有一边紫一边绿的边缘
✦ 右边的top / bottom，可以播放交替显示当前PC的高低权重帧图像
上面的图是我勾选了非刚性配准运行的，下面这个图则是只勾选了刚性配准运行的，结果可以看到rigid有两个PC维度的值为1，nonrigid位移值前几个PC都较高。看下面的difference图，能看到细胞位置凹陷，看merged图，也能看到merged图出现细胞边缘一边紫一边绿色的情况。这说明这个数据只进行刚性配准的效果并不好，需要进行非刚性配准。
查看细胞识别和信号提取结果
配准效果满意后，可以查看识别的细胞和信号提取结果
点击左侧栏的background，可以选择背景显示什么，可以选择：
✦ ROI：仅绘制 ROI，默认，不显示背景图片
✦ mean img：显示平均图像
✦ mean img (enhanced)：显示经过最小-最大滤波处理的平均图像
✦ correlation map：背景中显示的相关像素图
✦ mean img (non-functional): 背景中显示的非功能性平均图像（如果 nchannels=2）
一般选择mean img就好
还可以设置ROI mask的上色逻辑
中间显示ROI和背景图片的画布其鼠标交互逻辑为
✦ 鼠标左键：选择细胞查看信号
✦ Ctrl+鼠标左键：选择多个细胞
✦ 鼠标左键点击+拖动：移动视野
✦ 鼠标滚轮：放大缩小
✦ 鼠标左键双击：缩放比例改回100%
✦ 鼠标右键点击：翻转分类，cell设为not cell，not cell设为cell
最下面显示信号轨迹
筛选细胞
如果识别的细胞中有非细胞，或者识别的非细胞中有细胞，可以通过鼠标右键点击进行翻转错误分类。如果要多选细胞进行翻转，则可以按住Ctrl+鼠标左键选择多个细胞，或者点击draw selection进行框选细胞，再按鼠标右键
如果suite2p内置的分类器不满意，你可以手动筛选后，点击顶部菜单栏的Classifier→Buid，加载iscell.npy文件，构建属于自己的分类器
构建的分类器，以后可以在classification settings的classifier path设置路径，来使用自定义分类器进行分类细胞
如果已经用分类器跑过筛选，并在GUI显示ROI了，可以点击顶部菜单栏的Classifier → Load → from file，选择要加载的分类器进行加载
不过需要注意的是加载后，GUI 默认只会根据新分类器的 iscell 概率重新对 ROI 着色，但 ROI 是依然保留之前的类别的，且 iscell.npy 文件也不会更新。若要将此新分类器应用于 ROI 类别并更新 iscell.npy 文件，则点击colors选项里的J：classifier，设置细胞概率，然后按回车，就可以更新ROI类别和识别的细胞数目了。
如果要对当前分类器进行更新，点击左下方的「add current data to classifier」按钮，就可以根据当前数据快速更新当前分类器。这个操作会直接修改原来的分类器文件，无法撤回，如果要创建一个新的分类器，还是用「Classifier→Buid」
不过suite2p这个分类器只用了三个特征，自动分类效果不是太好
✦ compact（紧凑度）
✦ skew（荧光偏度）
✦ npix_norm（大小）
手动添加ROI
如果发现有些细胞suite2p没识别出来，可以手动添加，点击「File→Manula Labelling」按钮，会打开新窗口
在这个窗口下可以添加ROI，并提取信号。这个窗口会显示识别为no cells的ROI，来提示这些位置不是细胞。通过点击「Add ROI」按钮，或者Alt+Click点击特定位置来添加ROI，不过添加的ROI形状有点简单，只能添加椭圆形，无法自定义形状。添加之后点击「extract ROIs」即可提取信号，添加完之后点击「Save and Quit」即可保存退出，在主界面显示所有ROI。
细胞活动整体可视化与排序
点击顶部菜单栏的「Visualizations→Visualize selected cells」按钮，可以查看细胞整体活动
点击「compute rastermap + PCs」按钮，会对细胞活动根据活动模式相似性进行排序，使得相邻的神经元具有相似的功能特性，方便挖掘神经活动模式。
计算完成后，下拉框会出现 "PC" 和 "rastermap" 两个选项。默认显示rastermap排序，该方法也是suite2p团队开发的，具体见
✦ GitHub：https://github.com/mouseland/rastermap。
✦ 论文：[Rastermap: a discovery method for neural population recordings | Nature Neuroscience](https://www.nature.com/articles/s41593-024-01783-4)
还可以选择活动类似的细胞在主界面显示这些细胞所在的位置
Suite2p导出的文件介绍
官方文档见：https://suite2p.readthedocs.io/en/latest/outputs/
主要输出文件
✦ F.npy：提取的荧光信号trace数据（n_rois × n_frames）
✦ Fneu.npy：提取的neuropil信号trace数据（n_rois × n_frames）
✦ spks.npy：反卷积trace数据（n_rois 行 × n_frames 列）
✦ stat.npy：每个 ROI 的统计数据列表（长度为 n_rois）
✦ iscell.npy：记录每个 ROI 是否为细胞，第一列为 0/1，第二列是基于默认分类器判断该 ROI 为细胞的概率（n_rois 行 × 2 列）
✦ reg_outputs.npy：配准输出，包括偏移量、参考图像和平均图像（python字典）
✦ detect_outputs.npy：检测输出，包括相关图和投影图（python字典）
✦ redcell.npy：红色通道细胞检测得分，如果存在第二个解剖通道则保存（n_rois × 2）
✦ zcorr.npy：已配准帧与 Z-stack 的相关性，如果提供了 Z-stack 则保存（n_frames × n_z）
✦ 配置文件
○ db.npy：数据库 / 输入配置，内容主要是“这次要处理什么数据、存在哪里”的信息存储
○ settings.npy：算法参数，内容主要是“怎么跑 pipeline”的各个算法参数
○ ops.npy ：ops.npy = db （输入文件路径信息） + settings （pipeline参数） + reg_outputs（配准输出）+ detect_outputs（识别输出）+ plane_times（各步骤耗时）。
如果保存的数据要在matlab处理，有两种方式
✦ io settings勾选「Save Mat」，处理结束后自动生成Fall.mat文件
✦ 可以点击顶部菜单栏的「File→Save Mat」按钮后生成 Fall.mat文件
Fall.mat文件包含 F、Fneu、stat、spks、iscell和ops等数据。
Suite2p各处理模块参数设置的详细解释
顶部的run settings可以设置各个处理分析模块是否要运行
每个处理分析模块又有很多参数可以设置
file settings
主要设置文件输入参数
✦ Keep movie raw：配准后是否保留原始文件，如果勾选则会保留原始文件为data_raw.bin，否则配准后只会保留配准好的data.bin文件
✦ Number of planes：多平面成像的时候使用，比如 ScanImage 的 volumetric imaging，显微镜会在不同 Z 深度之间快速切换，依次采集。固定一个平面则设置为1
✦ Number of channels：如果输入的tif有多通道，需要进行设置来拆分通道进行处理
✦ Swap the order of channels and planes for multiplexed mesoscope recordings：Multiplexed（多路复用）显微镜在一次扫描循环中，快速交替采集多个不同空间位置 ROI 的信号。这些 ROI 的图像数据被交错存储在同一个 TIFF 文件里。保存的时候可能是平面优先存储，即优先存储一个通道的所有平面数据，再保存另一个通道的所有平面数据，与suite2p默认的通道优先存储相反。
✦ Functional channe：如果是多通道的话，可以指定哪个通道来提取信号
✦ Ignore flyback：在多平面体积成像（volumetric imaging）中，扫描系统需要在不同 Z 深度之间切换。当从一个 plane 移动到另一个 plane 时，Z 轴电机或扫描镜需要一定时间回到起始位置，这段时间内采集的帧就叫做 flyback frames，需要设置进行跳过处理。
✦ Save folder：保存数据处理的文件夹名称，默认为suite2p
✦ Batch size：写入bin文件，每批写入多少帧，取决于电脑内存大小，默认为500帧
✦ h5py key：HDF5文件有dataset的概念，需要知道存放movie数据是哪个dataset，默认为“data”
✦ nwb series：用于在 NWB 文件中指定要分析哪个 TwoPhotonSeries（双光子成像数据系列）。当 NWB 里只有一个时自动选择；有多个时如果不指定会默认选第一个
✦ Force tifffile reader：是否强制使用tiffile来读取tiff文件。suite2p用了两种方式来读tiff文件：scanimage-tiff-reader包和tifffile包，默认用scanimage-tiff-reader包，读取失败再用tifffile，scanimage-tiff-reader这个包是针对scanimage成像系统生成的tiff文件专门优化的，对其他的tiff文件可能有读取问题。
general settings
主要设置运行配置、钙指示剂时间常数、帧率、细胞大小等参数
✦ Torch device：设置使用GPU还是CPU，可设置值：cuda、cpu。
✦ Ca timescale：钙指示剂的时间常数，单位是秒。这是钙信号上升/衰减的特征时间尺度，用于 OASIS 反卷积。时间常数的物理意义：在一次理想化瞬时 spike 之后，荧光信号从峰值衰减到峰值 1/e ≈ 37% 所需要的时间。
✦ Sampling frequency：采样率/帧率。影响所有时间相关计算
✦ Diameter：期望的细胞大小，默认值为12,12，单位为像素。影响 ROI 检测质量和数量。
run settings
✦ Do registration：是否运行配准，0不进行配准，1配准，但是数据已经配准了就不再进行配准，2强制配准
✦ Compute reg metrics：是否计算配准质量指标（使用PCA获得PC 时间权重最高和最低的若干帧，求平均得到 pclow 和 pchigh，计算pclow 和 pchigh的位移，来评估配准质量）
✦ Do ROI detection：是否检测细胞并提取信号
✦ Do spike deconvolution：是否对提取的钙信号进行反卷积
✦ Multiplane parallel：如果输入数据是多平面数据，是否并行运行，加速处理
io settings
✦ Combine planes：处理完多个 plane 后，是否把结果合并成一个文件，方便在 GUI 中统一查看。默认勾选。
✦ Save Mat：是否把结果保存为 MATLAB .mat 文件。默认不勾选，需要Matlab进行分析的勾选
✦ Save NWB：是否把结果保存为 NWB（Neurodata Without Borders）格式。默认不勾选。
✦ Save ops orig：是否把 db、settings、reg_outputs、detection_outputs 等原始参数保存进 ops.npy。默认勾选。
✦ Delete binary：处理完成后是否删除临时二进制文件（data.bin）。默认不勾选，若磁盘空间紧张，可设为 True。
✦ Move binary：如果 fast_disk 和 save_path 不同，处理完后是否把二进制文件从 fast_disk 移到 save_path。默认不勾选。
registration settings
这一步主要是 suite2p 对成像数据进行运动校正，消除动物运动或系统抖动造成的帧间位移，为后续 ROI 检测和信号提取提供对齐后的电影。算法步骤介绍：
1. 从部分帧计算参考图像。
2. 对每一帧估计刚性位移，必要时再估计非刚性分块位移。
3. 应用这些位移把每帧对齐到参考图像，并保存配准后的电影、mean image 和位移信息
参数介绍
✦ Align by chan2 (non-func)：双通道录制时，是否基于非功能通道（channel 2，如红通道）做运动校正。默认不勾选。非功能通道信号更强，并且没有钙活动闪烁干扰，配准效果一般会更好，如果有多通道可以勾上
✦ # of frames for refImg：用于生成参考图像（refImg）的帧数。帧数越多参考图通常越稳定，默认 400。
✦ Max registration shift：允许的最大刚性配准位移，以帧宽高最大值的比例表示。默认 0.1。
✦ Compute bidiphase offset：是否从录制数据中自动计算双向扫描相位偏移并应用于所有帧。主要适用于双光子成像。默认不勾选。
✦ Bidiphase offset：手动设置的双向扫描相位偏移值（像素），会在配准前应用到每一帧。默认 0.0。
✦ # of frames per batch：每批处理的帧数。如果 GPU 显存不足或内存不足导致报错，可以适当减小。默认 100。
✦ Use nonrigid registration：是否启用非刚性配准，能更好地纠正局部形变。默认勾选。
✦ Nonrigid max pixel shift：非刚性配准允许的相对刚性配准的最大像素位移，对不稳定的数据可能需要调大。默认 5。
✦ Nonrigid block size：非刚性配准的分块大小，建议保持为 2、3、5 的公倍数。默认 (128, 128)。
✦ Time smoothing：计算位移前对帧序列做时间方向高斯平滑的宽度，低信噪比数据可适当增大。默认 0.0。
✦ Smoothing in XY：计算位移前对图像做空间高斯平滑的宽度。双光子数据约 1 合适，单光子数据可尝试 3~5。默认 1.15。
✦ Edge tapering width：图像边缘的渐变衰减宽度（像素），用于减少边缘伪影；单光子数据可适当增大。默认 3.45。
✦ Bad frame threshold：决定裁剪时排除哪些“坏帧”的阈值。数值越小，被排除的帧越多，“坏帧”主要影响Run registration twice的第二次配准参考图计算以及后面的ROI检测，对单次配准结果无影响。默认 1.0。
✦ Normalize frames：检测位移前是否对每一帧做归一化。默认勾选。
✦ Nonrigid SNR threshold：非刚性块的信噪比阈值。若某块低于此阈值，会对其平滑处理直到满足阈值；设为 1.0 则不做平滑。默认 1.2。
✦ Nonrigid subpixel reg：非刚性配准的亚像素精度，表示 1/subpixel 步长。数值越大精度越高。默认 10。
✦ Run registration twice：是否跑两遍配准，低信噪比数据可能有帮助。如果勾选，需要同时把file settings的 keep_movie_raw 设为 True。默认不勾选。
✦ Save registered tiffs：是否把配准后的视频保存为 tiff 文件。默认不勾选。
✦ Save chan2 registered tiffs：是否把 channel 2 的配准结果保存为 tiff。默认不勾选。
✦ Upsample meanImg：对 meanImg 做超分辨率上采样的因子；设为 0 或 None 则不进行上采样。默认空/不启用。启用可以让平均图更精细。
detection settings
这一步主要是 suite2p 用于识别 ROI 的步骤，大概为：
1. 对配准好的视频进行时间分箱（binning），按 bin_size 帧取平均，得到帧数更少的视频，目的是在减少噪声的同时节省计算量。
2. 对分箱后的视频进行空间/时间高通滤波和细胞检测，识别出候选 ROI 并得到 ROI mask；
识别ROI的算法，suite2p没有用CNMF算法，而是用三种自己开发的算法
1. sparsery：一个基于瞬态事件、L0稀疏约束、多尺度贪婪优化的细胞检测方法。
2. sourcery：基于SVD和时空模型拟合的贪婪迭代算法
3. cellpose：在 mean/max 投影图像上做细胞分割。
具体参数如下
✦ Detection algorithm：细胞检测算法，可选 sparsery（默认）、sourcery、cellpose。一般默认 sparsery 效果较好，cellpose 适合需要基于形态分割的场景。
✦ Denoise：是否对检测用的分箱视频做 PCA 去噪。默认不勾选，低信噪比数据可尝试开启。
✦ Denoise block size：PCA 去噪的空间分块大小。默认 (64, 64)。
✦ Max binned frames：用于检测的最大分箱帧数。默认 5000。内存有限时可适当减小。
✦ Bin size：时间分箱大小。默认自动计算为 max(1, nframes // nbins, round(tau * fs))。一般留空即可。
✦ Highpass time：对分箱视频做时间方向高通滤波的窗口宽度。默认 100。单光子（1P）数据可尝试更小值。目的是把电影里的慢变信号去掉，让细胞的瞬态活动更突出，数值越大，减去的滑动平均窗口越长，保留越慢的变化，数值越小，滤波越“激进”，只保留快速变化。
✦ Threshold scaling：自动阈值乘数，用于 sparsery 和 sourcery。数值越小找到的细胞越多，越大越保守。默认 1.0。
✦ Min npix norm：ROI 像素数归一化后的最小值。默认 0.0，很少需要改。
✦ Max npix norm：ROI 像素数归一化后的最大值。默认 100.0。
✦ Max overlap：两个 ROI 重叠比例超过该值时，保留其中一个。默认 0.75。
✦ Soma crop：在评估 ROI 形态时是否把树突部分裁掉，只保留胞体。默认勾选。
✦ Chan2 threshold：解剖通道（chan2）ROI 与功能通道 ROI 的 IoU 阈值，超过则标记为 redcell。默认 0.25。
✦ Cellpose chan2：是否在解剖通道上用 Cellpose 检测 ROI，再与功能通道 ROI 取重叠。默认不勾选。
sparsery_settings
✦ Highpass neuropil：对分箱视频做空间高通滤波以去除 neuropil 背景的半径（像素）。默认 25，可根据 ROI 大小调小或调大。
✦ Max ROIs：最多检测多少个 ROI。默认 5000，密集标记可增大。
✦ Spatial scale：细胞空间尺度。0 为自动检测；1~4 分别对应 6/12/24/48 像素。默认 0。
✦ Active percentile：用于阈值化的活跃像素分位数。默认 0.0，推荐保持默认（使用自动阈值而非分位数）。
sourcery_settings
✦ Connected：是否要求 ROI mask 完全连通。默认勾选；检测树突时可关闭。
✦ Max iterations：ROI 检测最大迭代次数。默认 20。
✦ Smooth masks：是否对 ROI mask 做平滑。默认不勾选。
cellpose_settings
✦ Cellpose model：使用的 Cellpose 模型名称或路径。默认 cpsam，也可选 cyto、nuclei 等。
✦ Cellpose image：输入 Cellpose 的图像类型，可选 max_proj / meanImg（默认）、meanImg、max_proj。
✦ Highpass spatial：运行 Cellpose 前对图像做空间高通滤波的高斯 sigma。默认 0，即不做。
✦ Flow threshold：Cellpose 的 flow 阈值，默认 0.4。数值越大分割越“松散”。
✦ Cellprob threshold：Cellpose 的细胞概率阈值，默认 0.0。调大可减少误检。
✦ Additional cellpose parameters：以字典形式传入的额外 Cellpose 参数。默认空。
✦ Additional cellpose parameters for chan2：针对解剖通道（chan2）运行 Cellpose 时的额外参数字典。默认空。
classification settings
这一步主要是 suite2p 对检测到的 ROI 进行自动分类，判断每个 ROI 是真实细胞还是背景/噪声。
1. 提取每个 ROI 的形态学和活动特征（如 SNR、大小、紧凑度、荧光动态等）。
2. 使用预训练的分类器为每个 ROI 计算一个概率值，保存为 iscell。
3. 如果设置了 preclassify，概率低于阈值的 ROI 会在后续提取/去卷积前被丢弃，以减少重叠和假阳性。
具体参数如下：
✦ Classifier path：自定义分类器文件路径。默认 None，实际会使用 ~/.suite2p/classifiers/classifier_user.npy。
✦ Use built-in classifier：是否使用内置分类器 classifier.npy，而不是用户自己的 classifier_user.npy。默认不勾选。
✦ Pre-classify：分类概率低于该阈值的 ROI 会在 extraction 之前被剔除。默认 0.0（即不预先剔除）。设置一个较低值（如 0.1）可以在提取前过滤掉明显非细胞的 ROI，减少重叠干扰。
extraction settings
这一步是在完整的配准视频中，利用 detection 得到的 ROI mask 提取每个 ROI 的荧光轨迹，并估计周围 neuropil 信号进行减除。
1. 根据 ROI mask 计算每个 ROI 的原始荧光轨迹 F。每个ROI中的各个像素会赋予权重，之和为1，不是简单的对所有像素提取的信号取平均，可以更好提取真正属于细胞的信号
2. 围绕每个 ROI 取一定范围的 neuropil 区域，提取 neuropil 荧光轨迹 Fneu。
3. 用 F - neuropil_coefficient * Fneu 得到 neuropil 减除后的信号。
4. 根据 snr_threshold 等指标进一步过滤低质量 ROI。
具体参数如下：
✦ SNR threshold：ROI 的 SNR 阈值，低于该值的 ROI 会被标记为 iscell=0。默认 0.0。
✦ Batch size：提取荧光轨迹时的帧批大小。默认 500。内存不足时可适当减小。
✦ Extract neuropil：是否提取 neuropil 信号。默认勾选；若关闭，Fneu 会被置为 0。
✦ Neuropil coefficient：neuropil 减除系数，默认 0.7。即 F_corrected = F - 0.7 * Fneu。可根据数据质量调整。
✦ Inner neuropil radius：ROI 边缘向外扩展时，先排除掉紧邻 ROI 的像素数（避免把 ROI 自身信号混入 neuropil）。默认 2 像素。
✦ Min neuropil pixels：每个 ROI 对应的 neuropil 区域最少像素数。默认 350。若 ROI 太大或图像尺寸较小，可适当调小。
✦ Lambda percentile：在计算 neuropil 时，忽略 ROI 内权重低于该百分位数的像素，避免把 ROI 自身弱像素算进 neuropil。默认 50.0。
✦ Allow overlap：两个 ROI 重叠的像素是只算一次（默认 False）还是同时计入多个 ROI（True）。默认不勾选。
✦ Circular neuropil：是否强制 neuropil mask 为圆形而不是矩形。默认不勾选；开启后计算更慢，但对形状规则的细胞更友好。
dcnv preprocess settings
这一步是去卷积前的基线估计预处理，用于估计每个 ROI 荧光轨迹的基线，为后续钙信号反卷积做准备。
1. 根据选择的 baseline 方法（maximin、prctile 或 constant）估计基线。
2. 用 win_baseline、sig_baseline、prctile_baseline 控制基线估计的窗口和平滑程度。
3. 基线校正后的信号再送入OASIS反卷积算法，得到神经活动发放信息。
具体参数如下：
✦ Baseline type：基线估计方法，可选 maximin（默认）、prctile、constant。
○ maximin：滑动窗口取最大值后再做最小值滤波，适合基线漂移明显的数据。
○ prctile：用指定百分位数作为基线。
○ constant：用高斯平滑后的信号作为常数基线。
✦ Baseline window：maximin 滤波的窗口长度（秒）。默认 60.0。窗口越大，基线估计越平滑；窗口越小，对快速漂移越敏感。
✦ Baseline sigma：高斯平滑宽度（帧）。默认 10.0。用于 constant 方法，或在 maximin 之前平滑信号。
✦ Baseline percentile：当 baseline='prctile' 时，用于计算基线的百分位数。默认 8.0。值越低，基线估计越靠近噪声底部。
相关笔记
✦ 不甘预印本：钙成像分析软件suite2p v1.0 发布，十年之后的正名之战？
✦ DeepLabCut：基于深度学习的动物姿态估计工具