Cellpose
딥러닝 기반 범용 세포 분할 — 형광/명시야 이미지에서 어떤 세포든 자동 마스크 생성
Cellpose는 미국 Janelia 연구소의 Mouse Lab에서 개발한 오픈소스 딥러닝 세포 분할(cell segmentation) 도구예요. 한 줄로 표현하면 '어떤 현미경 이미지를 던져도 각 세포의 경계를 정확히 찾아주는 만능 분할기'라고 할 수 있습니다. 기존의 세포 분할은 watershed, thresholding 같은 고전 알고리즘에 의존했고, 셀 종류가 바뀌거나 염색이 다르면 매번 파라미터를 다시 튜닝해야 했어요. Cellpose는 vector flow 기반 U-Net 아키텍처를 학습시켜, 세포의 형태와 경계를 사전 지식 없이 일반화해서 추출합니다. 마치 'GPT가 어떤 텍스트도 처리하듯, Cellpose는 어떤 세포 이미지도 처리한다'는 개념이에요. 생명공학 연구원 관점에서는 (1) 별도 학습 데이터 없이 바로 쓸 수 있고, (2) 형광 채널·H&E 조직·라이브셀·전자현미경까지 다 처리 가능하고, (3) GUI도 있어서 코딩 없이도 클릭만으로 마스크를 얻을 수 있다는 점이 큰 장점입니다. 또한 Cellpose 2.0부터는 human-in-the-loop 학습이 지원돼, 자기 데이터 100~200장만 라벨링하면 도메인 특화 모델을 빠르게 만들 수 있어요. 데이터 보안 측면에서는 완전 로컬 실행이 가능해 임상 이미지나 미공개 실험 데이터를 클라우드에 올리지 않아도 됩니다. 비용 측면에서도 라이선스 비용 0, GPU 없이 CPU로도 동작하고(느리지만), Cellpose 3.0은 빠른 nuclei 모델과 함께 SAM 통합 기능까지 제공해 무료 도구의 최강자 위치를 굳혔어요.
💻 필요한 컴퓨터 사양
최소 8GB, 권장 16GB (대용량 whole-slide 이미지 처리 시 32GB+)
NVIDIA GPU 4GB 이상 권장 (RTX 3060 이상에서 실시간급 처리). CPU 단독도 동작하지만 1장당 10-60초로 느림
Cellpose 모델 1개 ~50MB, 전체 모델 패키지 1GB 이내. 학습 데이터 별도
⚡ 설치법
pip install cellpose[gui]
# GUI 실행:
python -m cellpose
# Python API:
from cellpose import models
model = models.Cellpose(model_type='cyto3')
masks, flows, styles, diams = model.eval(img, channels=[0,0])🧬 바이오 활용
형광 현미경 핵·세포 자동 분할
DAPI(핵) + 막 마커 2채널 형광 이미지에서 'cyto3' 모델로 한 번에 수천 개 세포 마스크 추출. 1024x1024 이미지 1장당 GPU에서 1-2초. 결과 마스크는 NumPy 배열로 받아 면적·강도·인접성 분석 가능.
라이브셀 이미징 시간추적
Cellpose+omnipose 조합으로 동일 시야 시간 시리즈에서 프레임별 분할 → trackpy/btrack으로 셀 트래킹. 분열·이동·사멸 이벤트 자동 추출. 약물 처리 후 형태 변화 정량화에 활용.
H&E·면역염색 조직 분석
조직 슬라이드 H&E 또는 IHC(CD3/CD8 등) 이미지에서 면역세포 카운트. 'tissuenet' 또는 자체 학습 모델로 종양 침윤 림프구(TIL) 정량화 → 면역항암제 반응 예측 바이오마커 개발에 활용.
📝 업데이트 노트
아직 업데이트 노트가 없습니다.
🧪 관련 생명의 코드
관련된 생명의 코드 글이 아직 없습니다.