kidney-tubule-cpsam

Kidney Tubule Segmentation & Classification

基于 CellPose + CPSAM (SAM ViT-L) 的肾小管自动分割与近端/远端分类模型。

模型概览

本仓库包含两个模型：

性能

5-fold 交叉验证，46 张 H&E 染色肾组织图像：

最佳单图 [email protected]: 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

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

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：

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

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