细胞分割与显微图像定量
细胞分割是把显微图像中的每个细胞或细胞核识别成独立实例，输出带编号的标签图，再在此基础上测量数量、面积、形状和各通道荧光强度。传统方法依赖阈值加分水岭，对密集和形态不规则的细胞容易粘连；Cellpose 用深度学习预测空间梯度流再聚合成实例，对多种细胞形态适应性较好，并自带细胞质和细胞核两类通用模型。StarDist 用星凸多边形表示，更适合近椭圆的细胞核。常见输入是 tif 或各厂商原生格式的多通道、多层图像。分割之后的定量和统计才是结论的来源，因此通道设置、标定尺度和统计单位都要先想清楚。
什么时候用
- 需要统计每个视野的细胞数或某标记阳性细胞比例
- 测量单细胞水平的荧光强度、面积和形状分布，而不是整幅平均值
- 细胞密集粘连，阈值加分水岭容易把相邻细胞并成一个
- 多孔板或多视野批量成像，需要统一流程处理成百上千张图
- 需要以细胞核为单位，把细胞质或膜信号归属到各个细胞
不适合的情况
- 严重失焦或信噪比极低的图像，先改进成像比调参更有效
- 三维组织中致密重叠的细胞，二维分割会把不同层的细胞合并
- 只需要整幅平均荧光强度时，实例分割反而增加不必要的误差来源
需要准备的数据
- 显微图像
- tif 或原生格式，需记录像素物理尺寸（µm/pixel）、通道顺序和位深，不要用压缩后的 jpg
- 通道定义
- 明确哪个通道是细胞核（如 DAPI）、哪个是细胞质或膜，以及待定量的标记通道
- 标定信息
- 物镜倍数与相机像素尺寸换算的比例尺，用于把像素面积换成实际面积
- 实验分组信息
- 孔位、处理条件、生物学重复编号，用于后续按重复而不是按细胞做统计
- 人工标注（可选）
- 少量手工勾画的掩膜，用于评估分割质量或微调模型
分析步骤
- 1
检查图像与预处理
查看位深、动态范围和是否饱和。常见预处理包括去除明显背景、校正照明不均。不要对要定量的通道做对比度拉伸后再测强度，拉伸会破坏数值可比性。
- 2
选择模型与通道
分割细胞核用核模型并只给核通道；分割整个细胞用细胞质模型，可同时给细胞质通道和核通道作为辅助。通道顺序设置错误是最常见的失败原因，先在单张图上确认。
- 3
设定细胞直径
diameter 影响分割尺度。可先用自动估计，再在一两张代表性图上目视核对估计值是否接近真实细胞大小。直径明显偏小会把一个细胞切碎，偏大会把几个细胞并成一个。
- 4
单图调参并目视验证
在一张典型图上调整阈值类参数，把分割边界叠加在原图上逐个检查。做对的标志：密集区域相邻细胞被正确分开，边界贴合，没有大量碎片或空洞。
- 5
批量分割并存档
参数固定后批量处理全部图像，保存标签图而不只是计数结果，便于复查和重新定量。同时记录模型名称、版本和全部参数。做对的标志：换一台机器按记录重跑，计数能复现。
- 6
过滤无效对象
按面积上下限、是否位于图像边缘、圆度等条件剔除碎片、杂质和被截断的细胞。过滤规则必须对所有组一致，并在报告中写明各组的剔除比例，剔除比例在组间差别很大时要回查成像质量。
- 7
逐细胞定量
基于标签图测量每个细胞的面积、周长、圆度和各通道强度（均值、总和、背景校正后值）。细胞质信号可用核区域向外扩张若干像素的环形区域代表。
- 8
汇总与统计
先在视野或孔水平汇总，再按生物学重复做统计检验。把成千上万个细胞当作独立样本会严重低估 P 值，统计单位应与实验独立性一致。
关键参数与决策
模型选择
核模型针对细胞核这类紧凑圆形对象；细胞质模型针对带胞体的细胞轮廓。形态特殊或图像风格特殊时，可用少量标注在通用模型基础上微调，通常比反复调参更有效。
diameter（细胞直径）
以像素为单位的期望细胞大小，是影响结果最大的参数。同一实验内分辨率一致时应固定同一数值；更换物镜或相机后必须重新设定，否则跨批次结果不可比。
流场与概率阈值
概率类阈值调低会分出更多对象但引入噪声，调高会漏掉弱信号细胞；流场一致性阈值影响是否接受形状异常的实例。调参应以目视检验为准，并在所有组上用同一套参数。
面积过滤阈值
下限用于去掉碎片和杂质，上限用于去掉未分开的细胞团。可先看面积分布直方图，在明显的小峰与主峰之间取界，而不是凭感觉设数值。
背景校正方式
常见做法是取无细胞区域的中位值作为背景并从各细胞强度中减去。背景随视野变化时需逐图估计；不校正会让不同批次的强度差异主要来自背景而非生物学。
统计单位
按孔或按动物等生物学重复为单位汇总。细胞级数据可用于展示分布，但显著性检验应基于重复数；两者混用会得到看起来极显著但不可复现的结果。
常见错误
- 通道顺序填错：把核通道当细胞质输入，分割结果看似有对象但边界完全不对，计数和强度全部失真。
- 不同批次用不同 diameter 或不同模型：细胞大小分布出现系统性偏移，组间差异来自参数而不是处理。
- 先做对比度增强再测荧光强度：像素值被非线性映射，强度不再反映真实信号，组间比较失去意义。
- 不剔除边缘被截断的细胞：这些细胞面积和总强度被低估，视野越小影响越大，会压低整体均值。
- 把每个细胞当独立样本做 t 检验：样本量虚高，P 值极小但换一次实验就不复现，应按生物学重复统计。
- 只保存计数数字不保存标签图：后期发现过滤条件需要调整时无法重新定量，只能从头跑一遍。
结果怎么看
分割叠加图
把实例边界叠加在原图上。重点看密集区域是否被正确分开、边界是否贴合细胞轮廓。出现大量微小碎片说明阈值过松或 diameter 偏小，相邻细胞成片相连则相反。
逐细胞测量表
每行一个细胞，含编号、所属图像、面积、形状指标和各通道强度。先看面积分布是否单峰，极端大值常是未分开的细胞团，极端小值多是碎片，这些应被过滤规则覆盖。
细胞计数汇总
按孔或样本汇总的细胞数与阳性比例，并给出每组重复数。同组重复之间差异过大时，先检查成像条件、接种密度和分割参数是否一致，再解读组间差异。
强度分布图
各组单细胞强度的小提琴图或直方图，叠加每个重复的中位数。应同时看分布形状和重复间的一致性；若仅某个重复整体偏移，多半是染色或成像批次问题而非处理效应。
和相近方法怎么选
Cellpose 与阈值加分水岭
阈值加分水岭速度快、无需模型，适合信号干净、细胞分散的图像；密集粘连或形态不规则时容易过分割或粘连。Cellpose 依靠学习到的形态先验，对多种细胞类型泛化较好，但需要正确设置通道和直径。
Cellpose 与 StarDist
StarDist 用星凸多边形表示对象，对近椭圆的细胞核分割稳定、速度快；Cellpose 不限制形状，更适合带突起的细胞和不规则胞体。只分割细胞核时两者都可用，形态复杂时优先 Cellpose。
ImageJ 手工流程与脚本化批量处理
ImageJ 交互操作直观，适合少量图像和探索参数；几百张以上的图像应脚本化，保证参数一致、过程可复现。常见做法是在 ImageJ 中确定流程，再用脚本批量执行并输出表格。
显微图像细胞定量与流式细胞术
流式通量高、单细胞多参数定量成熟，但丢失空间信息且需要消化成单细胞悬液；图像定量保留空间位置和形态，适合研究贴壁形态、亚细胞定位和细胞间关系，通量和参数数较低。
常见问题
Cellpose 的 diameter 应该填多少？
填图像中细胞的典型直径，单位是像素。可用软件的自动估计作为起点，再在代表性图像上目视核对。同一实验内必须统一数值，更换物镜、相机或 binning 设置后要按新的像素尺寸重新计算。
分割不开粘连的细胞怎么办？
先确认是否用了合适的模型和通道组合，带膜或胞质标记通常比只用核通道更容易分开。其次核对 diameter 是否偏大。仍不行时可考虑先分割细胞核，再把核向外扩张得到细胞区域，或用少量标注微调模型。
荧光强度要怎么比较才合理？
同一实验的所有图像必须用相同曝光、增益和激光功率采集，定量前不做非线性增强，并统一做背景校正。比较时以生物学重复为统计单位；若成像条件不同，只能在每个批次内部比较相对差异。
需要用 GPU 吗？
少量图像用 CPU 可以跑完，速度较慢；几百张以上或图像很大时 GPU 会明显加快。常见做法是先在 CPU 上用几张图确定参数，再在 GPU 上批量执行，并缓存标签图以便重新定量。
怎么判断分割质量够不够好？
最直接的方式是手工标注若干张代表性图像，计算与自动分割的对象级一致性（如匹配上的细胞比例、漏检与多检数量）。同时查看面积分布有无异常峰。质量不足时优先改善成像和通道设置，再调参或微调模型。
在 Codar 里怎么做
在 Codar 中提供图像和通道说明后，会先确认像素尺寸、通道含义和统计单位，再用 Cellpose 做细胞与细胞核分割，完成显微图像的预处理、对象过滤和逐细胞定量，并按生物学重复汇总。交付分割叠加图、逐细胞测量表、计数汇总、强度分布图，以及记录模型与参数的可复现脚本。
这是 3 组各 4 个孔的 DAPI 和绿色荧光双通道 tif，帮我分割细胞核、统计每孔细胞数和阳性比例