模型	架构	大小	用途
`cpsam_v2_fold3/best_model`	CPSAM (SAM ViT-L + CellPose)	1.22 GB	肾小管实例分割
`classifier/cnn_classifier_fold0.pth`	ResNet18	43 MB	近端/远端分类

性能

5-fold 交叉验证，46 张 H&E 染色肾组织图像：

指标	5-fold 均值	最佳 Fold (fold 3)
IoU	0.844	0.858
Dice	0.914	0.923
mIoU	0.678	0.708
AP@0.5	0.845 ± 0.017	0.871

最佳单图 AP@0.5: 0.964 (Captured 32, fold 0)

数据

类型: 小鼠肾脏 H&E 染色切片
数量: 46 张图像
标注: GeoJSON 多边形（class 0=proximal, 1=distal, 2=other）
分辨率: 0.25 μm/pixel

训练

分割模型

预训练: CPSAM (CellPose + SAM ViT-L encoder)
学习率: 0.0001
Epochs: 200
5-fold cross-validation
Fold 3 表现最佳，作为发布模型

分类器

架构: ResNet18
输入: per-instance 裁剪 patch (64x64 px)
类别: proximal (0), distal (1)
训练: fold 0 数据

使用方法

安装依赖

bash

conda create -n cellpose python=3.10
conda activate cellpose
pip install cellpose==4.2.1 torch opencv-python numpy huggingface_hub

下载模型

huggingface-cli download MEIPork/kidney-tubule-cpsam --local-dir models/

国内网络: export HF_ENDPOINT=https://hf-mirror.com

推理

python

from cellpose import models
import cv2, numpy as np

# 加载分割模型
model = models.CellposeModel(
    gpu=True,
    pretrained_model='models/cpsam_v2_fold3/best_model'
)

# 推理
img = cv2.imread('kidney_section.jpg')
masks, flows, styles = model.eval(
    img,
    diameter=414,
    flow_threshold=0.3,
    cellprob_threshold=-0.5,
    channels=[0, 0]
)

或使用项目配套脚本：

bash

python predict_tubule.py \
    --img_dir data/test_images \
    --seg_model models/cpsam_v2_fold3/best_model \
    --cls_model models/classifier/cnn_classifier_fold0.pth \
    --out_dir results/output \
    --flow_threshold 0.3 \
    --cellprob_threshold -0.5

输出

*_classified.png — 分割+分类叠加图（红=近端，蓝=远端）
*_analysis.csv — 每实例的类别、置信度、面积、bbox
summary.json — 批次汇总

推理参数

参数	推荐值	说明
`flow_threshold`	0.3	越低越敏感（更多细小结构）
`cellprob_threshold`	-0.5	越低 mask 越大
`diameter`	414	肾小管平均直径 (px)

硬件要求

GPU: NVIDIA GPU (≥8GB VRAM) 推荐
CPU 可用但较慢（CPSAM ViT-L 计算量大）

代码

GitHub: MEIPork1/kidney_tubule_seg

引用

CellPose: Stringer et al., Nature Methods 2021
SAM: Kirillov et al., ICCV 2023
CPSAM: CellPose + SAM 集成架构