图像处理
图像处理与细胞分割是时空转录组学中至关重要的上游步骤。以下是兼容 Stereo-seq 图像分析流程的工具，分为 时空自主研发工具（STOmics Developed）（原生支持时空专有图像格式）与 社区常用工具（Community Tools）（需输入标准格式图像的通用模型）。
STOmics 开发工具
本章节中的工具基于 Stereo-seq 真实图像数据集进行训练、微调或基准测试，专门针对芯片 Track 线、组织清晰度差异及背景噪点等时空数据特性进行了深度优化。
| cellbin2 |
CSRefiner |
 |
 |
Python Toolkit Open Source |
Python Fine-turning Open Source |
| GitHubPaper |
GitHubPaper |
- 专为 Stereo-seq 组织图像打造的图像处理与单细胞分割框架。
核心功能与价值： - Stereo-seq 专项优化：基于原生 Stereo-seq 数据集训练并完成 benchmark 测试。可原生处理芯片 Track 线配准、噪点抑制，并有效应对不同组织类型的染色清晰度差异。
- 工作流价值：可直接嵌入 SAW 分析流程，精准输出细胞分割掩码（Cell Mask）以及单细胞精度的基因表达矩阵（cellbin）。
</li></ul>
|
- 轻量级微调框架，仅需极少量的标注数据，即可将通用分割模型（如 Cellpose、StarDist、cellbin）快速迁移适配至特定的组织类型。
核心功能与价值： - Stereo-seq 专项优化：有效解决复杂组织结构中的局部欠分割或过分割问题；最少仅需 20 张图像切片（Patches）即可完成微调；已在 Stereo-seq DAPI FFPE 及 H&E 新鲜冷冻组织切片上完成充分验证。
- 工作流价值：微调生成的模型权重可直接无缝接入 SAW 或下游细胞分割流程，显著提升单细胞基因表达矩阵的准确度。
</li></ul>
|
社区开发工具
生物图像与数字病理社区广泛使用的图像分析工具。这些通用工具可用于处理导出的组织图像，或顺畅衔接至 Stereo-seq 分析流程中。
注意：STOmics 仅提供此工具列表供参考，不对社区开发工具提供官方技术支持或开发维护。我们不对其性能表现、稳定性或兼容性做任何保证。如需技术支持、问题反馈或功能建议，请直接联系对应工具的开发者或查阅其官方代码仓库。
通用框架与工具包
支持生物图像可视化、手动标注、格式转换与定制化工作流搭建的软件平台及交互式查看工具。
| ImageJ/Fiji |
Napari |
QuPath |
 |
 |
 |
Java GUI |
Python GUI |
Java GUI |
| GitHub-ImageJDoc-ImageJGitHub-FijiDoc-Fiji |
GitHubPaper |
GitHubDocPaper |
- 广泛应用于多维生物图像分析的开源图像处理软件包。
- 数据衔接：非常适合在导入时空官方工具前，进行快速图像质检、手动对齐以及批量格式转换（如 TIFF / PNG）。
|
- 专为 Python 打造的快速交互式 2D/3D 图像查看器，适用于超大多维图像的浏览、标注与分析。
- 数据衔接：适合 Python 原生流程与交互式视觉检查。您可在组织图像上完成手动标注或分割精修，随后将 Cell Mask 导出为 TIFF 或 GeoJSON 格式，无缝衔接回时空工具中。
|
- 功能强大的开源生物图像分析与数字病理软件，针对全视野数字切片（WSI）分析进行了深度优化。
- 数据衔接：适用于超大全视野数字切片（WSI）。用户可在 QuPath 中进行组织标注或细胞分割，并将生成的区域掩码（Region Mask）导出衔接至时空分析流程中。
|
细胞分割
预训练深度学习模型与算法框架，支持跨不同组织模态实现自动化的单细胞与细胞核分割。
想要了解如何利用第三方社区工具的分割结果生成 cellbin 数据，请查阅我们的教程。
| Cellpose |
StarDist |
Omnipose |
 |
 |
 |
Python GUI Deep Learning |
Python Java Deep Learning |
Python Deep Learning |
| GitHubDoc |
GitHubDoc |
GitHubDoc |
- 通用型深度学习细胞分割算法，适用于不同形态、尺寸和模态的细胞。
- 数据衔接：可通过图形界面（GUI）或 Python API 对多色染色的组织图像进行单细胞或细胞核分割，随后将标准 Cell Mask 导出为 TIFF 或 GeoJSON 格式，接入时空分析工具以实现高精度的 cell bin 分割。
|
- 基于星凸多边形（Star-convex）的目标检测模型，专为细胞核等密集星凸形态的结构优化。
- 数据衔接：适用于核染色（如 DAPI）的原始组织图像。输出的 Nuclear Mask导出为 TIFF 或 GeoJSON 格式可导入时空分析工具，辅助开展基于细胞核引导的 cell bin 计算。
|
- 专为形态多变细胞、细菌显微成像及密集组织设计的深度学习分割算法。
- 数据衔接：适用于非规则形态或形态高度复杂的细胞数据集，弥补常规通用模型（如 Cellpose）在复杂场景下的不足。输出的Nuclear Mask 可导入时空分析工具。
|
| DeepCell |
 |
Python GUI Deep Learning |
| GitHubDoc |
- 深度学习图像算法库，内置了用于组织图像细胞分割的预训练模型（如 Mesmer 等）。
- 数据衔接：在多种组织模态下均能提供稳健的分割表现。输出的细胞核或细胞膜掩码可转换为 TIFF 或 GeoJSON 格式，直接接入时空工具。
|
图像配准
专用于多通道图像拼接与多切片配准的专业工具及插件。
| TrakEM2 (ImageJ Plugin) |
 |
Java ImageJ Plugin GUI |
| GitHubDoc |
- 一款用于形态学数据挖掘、三维建模以及图像拼接、配准、编辑与标注的 ImageJ 插件。
- 数据衔接：可在开展下游空间分析前，用于多切片或多通道组织图像的手动或半自动对齐配准。
|
