deepcell-tf - 用于单细胞生物图像分析的深度学习库

deepcell-tf 项目介绍

deepcell-tf 是一个用于单细胞生物图像分析的深度学习库，专为分析生物图像中的单细胞而开发。该项目使用 Python 编写，基于 TensorFlow 2 构建而成，其核心功能是支持用户应用现有的模型来处理图像数据，以及开发新的深度学习模型进行单细胞分析。

项目功能

deepcell-tf 提供了一套专门用于细胞分割（包括细胞整体和细胞核）以及二维和三维图像时间序列细胞追踪的模型。这些模型可以应用于从组织多重成像到动态活细胞成像视频等多种类型的数据。

项目生态系统

deepcell-tf 项目是由 Van Valen 实验室开发的一系列用于生物学深度学习方法创新和应用的工具之一。该生态系统还包括：

DeepCell Toolbox：用于深度学习模型输出的预处理和后处理。
DeepCell Tracking：利用深度学习进行细胞追踪与家系构建。
DeepCell Kiosk：用于在云端部署大数据集工作流。
DeepCell Label：用于高维生物图像的标注以便用作训练数据。

项目使用

快速安装

用户可以通过 pip 快速安装 deepcell-tf：

pip install deepcell

Docker 支持

项目也可以通过 Docker 运行，支持 GPU 加速。确保安装了 CUDA 和合适版本的 Docker。或者，可以在 Google Cloud Platform 上使用预先配置的虚拟机。

下述命令可用来启动一个 GPU 容器，并在默认的 8888 端口运行一个 Jupyter session：

docker run --gpus '"device=0"' -it --rm \
    -p 8888:8888 \
    -v $PWD/notebooks:/notebooks \
    -v $PWD/data:/data \
    vanvalenlab/deepcell-tf:latest-gpu

典型应用

deepcell-tf 提供了深度学习模型开发和使用的便捷工具：

deepcell.datasets：提供了含有单细胞标注的生物图像数据集，包括核荧光的活细胞成像视频和全细胞的静态图像。
deepcell.applications：提供了预训练模型，支持在适当调整数据比例后开箱即用。

开发者指南

项目通过 Docker 和 TensorFlow 实现了 GPU 处理能力。如果在本地机器上开发，用户可以构建本地 Docker 容器，并指定所需的 TensorFlow 版本。有关本地开发环境设置的具体步骤，请参考 Docker 和 CUDA 的相关安装文档。

引用与版权

许可证

该软件在修改过的 Apache 2.0 许可证下发布，具体信息可参考相关许可证文件。

总而言之，deepcell-tf 是一个功能强大的工具，旨在帮助科学家和研究人员更高效地分析生物图像中的单细胞信息，从而推动生物科学研究的发展。