Cellpose MCP Server

Cellpose-mcp ist ein Model Context Protocol (MCP)-Server, der KI-Assistenten wie Claude, Cursor IDE usw. die Zellsegmentierung über natürliche Sprachbefehle ermöglicht. Dieses Tool stellt umfassende Cellpose-Funktionalität über 13+ MCP-Tools bereit, darunter 2D/3D-Segmentierung, Stapelverarbeitung, Bildrestaurierung (Entrauschen, Entschärfen, Hochskalieren) und das Training benutzerdefinierter Modelle. Das System integriert sich nahtlos in Napari und ermöglicht vollständige Arbeitsabläufe von der Segmentierung bis zur interaktiven Visualisierung.

📌 Hinweis: Dieses Projekt begann als Spaßprojekt, inspiriert von napari-mcp und angepasst für Cellpose-Segmentierungs-Workflows. Wenn Sie beitragen möchten, kontaktieren Sie mich bitte unter ssahu2@ucmerced.edu.

🚀 Schnellstart

Anforderungen: Python 3.10, 3.11 oder 3.12 und Cellpose 3.1.1.2.

Cellpose 4 enthält die Restaurierungs-API nicht, die von diesem Server verwendet wird. Das Paket pinnt die finale Cellpose-3-Version, bis die Restaurierung einen getesteten Ersatz hat.

Installation von PyPI:

pip install cellpose-mcp

Installation und Konfiguration für Cursor in einem Schritt:

pip install cellpose-mcp && cellpose-mcp-install cursor

Das Installationsprogramm verwendet das Python, das den Befehl ausführt (oder eine Conda-Umgebung namens Cellpose_mcp, falls vorhanden). Starten Sie Cursor nach der Konfiguration neu.

Entwicklungsinstallation (aus dem Quellcode):

git clone https://github.com/surajinacademia/cellpose_mcp.git
cd cellpose_mcp
pip install -e .

Automatische Konfiguration Ihrer KI-Anwendung

Führen Sie nach pip install cellpose-mcp das Installationsprogramm für Ihre App aus. Es schreibt in die korrekte MCP-Konfigurationsdatei unter Verwendung Ihres aktuellen Python.

Optionen: --python-path /pfad/zu/python zur Verwendung eines bestimmten Python; --env-name NAME zur Verwendung einer Conda-Umgebung (Standard: Cellpose_mcp).

Wenn Sie die manuelle Einrichtung bevorzugen (oder Claude Code verwenden), erstellen Sie eine .mcp.json-Datei im Stammverzeichnis Ihres Projekts. Verwenden Sie den vollständigen Pfad zu Ihrer Python-Ausführungsdatei, wenn python nicht dasjenige ist, auf dem cellpose-mcp installiert ist (z. B. eine venv oder Conda):

{
  "mcpServers": {
    "cellpose": {
      "command": "python",
      "args": ["-m", "cellpose_mcp"],
      "env": {
        "KMP_DUPLICATE_LIB_OK": "TRUE",
        "OMP_NUM_THREADS": "1"
      }
    }
  }
}

Für Cursor verwenden Sie dieselbe Struktur in ~/.cursor/mcp.json (global) oder .cursor/mcp.json in Ihrem Projekt.

Starten Sie nach der Installation Ihre KI-App neu und versuchen Sie Folgendes zu fragen:

"Can you list available Cellpose models?"
"Segment the cells in ./data/sample.tif using the cyto2 model"

🎯 Was können Sie tun?

Beispiel: Zellsegmentierung in Aktion

Grundlegende Zellsegmentierung

"Segment the cells in ./data/sample.tif using the cyto2 model"
"List available Cellpose models"
"Estimate cell diameter from ./data/image.tif"

Erweiterte Arbeitsabläufe

"Segment all TIFF files in ./data/images/ and save masks to ./output/"
"Train a custom segmentation model using images in ./train/images/ and masks in ./train/masks/"
"Restore and segment the noisy image in ./data/noisy.tif using oneclick_cyto3"

Stapelverarbeitung

"Process all images in ./data/ with the cyto2 model and save results to ./output/"

Related MCP server: BambuStudio MCP Server

🛠 Verfügbare MCP-Tools

Der Server stellt 13+ Tools für die vollständige Cellpose-Funktionalität bereit:

Segmentierungswerkzeuge

• segment_cells_2d - Zellen in 2D-Bildern segmentieren

• segment_cells_3d - Zellen in 3D-Volumina segmentieren

• segment_cells_batch - Mehrere Bilder stapelweise verarbeiten

Bildrestaurierungswerkzeuge

• denoise_image - Mikroskopiebilder entrauschen

• deblur_image - Mikroskopiebilder entschärfen

• upsample_image - Niedrigauflösende Bilder hochskalieren

• restore_and_segment - Kombinierte Restaurierung + Segmentierung

Trainingswerkzeuge

• train_segmentation_model - Benutzerdefiniertes Segmentierungsmodell trainieren

• train_restoration_model - Benutzerdefiniertes Restaurierungsmodell trainieren

Hilfswerkzeuge

• list_available_models - Alle vortrainierten Modelle auflisten

• estimate_cell_diameter - Zelldurchmesser aus dem Bild schätzen

• save_masks - Masken in verschiedenen Formaten speichern

• load_image_info - Bildmetadaten abrufen

📖 Dokumentation

• Schnellstart-Anleitung - In 3 Schritten starten

• Verfügbare Tools - Vollständige Werkzeugliste

• Versionshinweise - Detaillierte Informationen zur Version v0.1.0

• Änderungsprotokoll - Versionshistorie und Änderungen

📋 Architektur

• FastMCP-Server: Übernimmt die MCP-Protokollkommunikation

• Cellpose-Integration: Verwaltet das Laden von Modellen und Segmentierungsvorgänge

• Werkzeugschicht: Stellt Cellpose-Funktionalität als MCP-Tools bereit

• Datei-E/A: Übernimmt Bildlesen, -schreiben und Maskenerzeugung

Hauptmerkmale:

• Thread-sicher: Alle Vorgänge werden ordnungsgemäß serialisiert

• Nicht blockierend: Asynchrone Vorgänge für bessere Leistung

• Napari-Integration: Integration mit Napari für Visualisierung und Analyse

Autor: Suraj Sahu
Zugehörigkeit: Department of Physics, University of California Merced, CA, USA
E-Mail: ssahu2@ucmerced.edu

📄 Lizenz

BSD-3-Clause-Lizenz – siehe LICENSE-Datei für Details.

🙏 Danksagungen

• Napari MCP von royerlab

• Cellpose-Team für die hervorragende Segmentierungsbibliothek

• FastMCP für das MCP-Framework

• Anthropic für Claude und die MCP-Entwicklung

• Model Context Protocol – Offener Standard für die KI-Tool-Integration