用途：对荧光或明场显微图像中的细胞、细胞核做深度学习分割，免去手动阈值与分水岭参数调优，适合批量处理大型显微数据集。
主要能力：内置基于流场的神经网络与 cyto3、cyto2、nuclei、tissuenet、CP 等预训练模型，可跨细胞类型、放大倍数与染色条件泛化；自动估计细胞直径；输出整数标签掩膜（0 为背景，各细胞为唯一整数），兼容 scikit-image regionprops 做面积、强度、形态测量，也可用于 TrackPy 追踪；支持 do_3D=True 对 z-stack 做三维分割；支持自定义数据微调。
使用方式：安装 pip install cellpose（GUI 用 pip install cellpose[gui]）。Python 中 from cellpose import models，用 models.Cellpose(model_type="cyto3") 后调用 model.eval(img, diameter=0, channels=[0,0]) 得到 masks、flows、styles、diams。channels 按 [细胞质通道, 细胞核通道] 指定，灰度为 [0,0]。也可用 CLI：cellpose --image_path images/ --pretrained_model cyto3 --diameter 0 --chan 0 --save_tif --no_npy。
适用场景：强度不均或细胞粘连导致规则阈值失效的荧光图像；多细胞类型的单模型分割；为下游测量生成标签掩膜；三维体数据分割。
限制：需 Python 环境与相应依赖；GPU（CUDA PyTorch）可提速但非必需；对训练分布外的新细胞类型可能泛化不佳，可行时需用标注数据微调；大图可能显存不足，需分块或调小 batch_size；掩膜含大量细胞时应保存为 uint16/int32，避免 uint8 溢出。收费、价格与具体效果资料未提供。