Cellpose MCP Server

Cellpose-mcp es un servidor del Model Context Protocol (MCP) que permite a asistentes de IA como Claude, Cursor IDE, etc. realizar segmentación celular mediante comandos en lenguaje natural. Esta herramienta expone la funcionalidad completa de Cellpose a través de más de 13 herramientas MCP, incluyendo segmentación 2D/3D, procesamiento por lotes, restauración de imágenes (eliminación de ruido, reducción de desenfoque, aumento de resolución) y entrenamiento de modelos personalizados. El sistema se integra perfectamente con Napari, permitiendo flujos de trabajo completos desde la segmentación hasta la visualización interactiva.

📌 Nota: Este proyecto comenzó como un proyecto divertido inspirado en napari-mcp y adaptado para flujos de trabajo de segmentación con Cellpose. Si deseas contribuir, ponte en contacto conmigo en ssahu2@ucmerced.edu.

🚀 Inicio rápido

Requisitos: Python 3.10, 3.11 o 3.12 y Cellpose 3.1.1.2.

Cellpose 4 no incluye la API de restauración utilizada por este servidor. El paquete fija la versión final de Cellpose 3 hasta que la restauración tenga un reemplazo probado.

Instalación desde PyPI:

pip install cellpose-mcp

Instala y configura para Cursor de una sola vez:

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

El instalador utiliza el Python que ejecuta el comando (o un entorno conda llamado Cellpose_mcp si existe). Reinicia Cursor después de la configuración.

Instalación de desarrollo (desde el código fuente):

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

Configuración automática de tu aplicación de IA

Después de pip install cellpose-mcp, ejecuta el instalador para tu aplicación. Este escribe en el archivo de configuración MCP correcto usando tu Python actual.

Opciones: --python-path /path/to/python para usar un Python específico; --env-name NAME para usar un entorno conda (por defecto: Cellpose_mcp).

Si prefieres la configuración manual (o usas Claude Code), crea un archivo .mcp.json en la raíz de tu proyecto. Usa la ruta completa a tu ejecutable de Python si python no es el que tiene cellpose-mcp instalado (por ejemplo, un venv o conda):

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

Para Cursor, usa la misma estructura en ~/.cursor/mcp.json (global) o .cursor/mcp.json en tu proyecto.

Después de la instalación, reinicia tu aplicación de IA e intenta preguntar:

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

🎯 ¿Qué puedes hacer?

Ejemplo: segmentación celular en acción

Segmentación celular básica

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

Flujos de trabajo avanzados

"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"

Procesamiento por lotes

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

Related MCP server: BambuStudio MCP Server

🛠 Herramientas MCP disponibles

El servidor expone más de 13 herramientas para la funcionalidad completa de Cellpose:

Herramientas de segmentación

• segment_cells_2d - Segmenta células en imágenes 2D

• segment_cells_3d - Segmenta células en volúmenes 3D

• segment_cells_batch - Procesa múltiples imágenes por lotes

Herramientas de restauración de imágenes

• denoise_image - Elimina el ruido de imágenes de microscopía

• deblur_image - Reduce el desenfoque de imágenes de microscopía

• upsample_image - Aumenta la resolución de imágenes de baja resolución

• restore_and_segment - Restauración y segmentación combinadas

Herramientas de entrenamiento

• train_segmentation_model - Entrena un modelo de segmentación personalizado

• train_restoration_model - Entrena un modelo de restauración personalizado

Herramientas de utilidad

• list_available_models - Lista todos los modelos preentrenados

• estimate_cell_diameter - Estima el diámetro celular a partir de una imagen

• save_masks - Guarda máscaras en varios formatos

• load_image_info - Obtiene metadatos de la imagen

📖 Documentación

• Guía de inicio rápido - Ponte en marcha en 3 pasos

• Herramientas disponibles - Lista completa de herramientas

• Notas de la versión - Información detallada de la versión v0.1.0

• Registro de cambios - Historial de versiones y cambios

📋 Arquitectura

• Servidor FastMCP: gestiona la comunicación del protocolo MCP

• Integración con Cellpose: gestiona la carga de modelos y las operaciones de segmentación

• Capa de herramientas: expone la funcionalidad de Cellpose como herramientas MCP

• E/S de archivos: gestiona la lectura y escritura de imágenes y la generación de máscaras

Características principales:

• Seguro para subprocesos: todas las operaciones están correctamente serializadas

• Sin bloqueo: operaciones asíncronas para un mejor rendimiento

• Integración con Napari: se integra con Napari para visualización y análisis

Autor: Suraj Sahu
Afiliación: Departamento de Física, Universidad de California Merced, CA, EE. UU.
Email: ssahu2@ucmerced.edu

📄 Licencia

Licencia BSD-3-Clause: consulta el archivo LICENSE para más detalles.

🙏 Agradecimientos

• Napari MCP por royerlab

• Equipo de Cellpose por la excelente biblioteca de segmentación

• FastMCP por el framework MCP

• Anthropic por el desarrollo de Claude y MCP

• Model Context Protocol - Estándar abierto para la integración de herramientas de IA