Cellpose MCP Server

Cellpose-mcp — это сервер Model Context Protocol (MCP), который позволяет AI-ассистентам, таким как Claude, Cursor IDE и другим, выполнять сегментацию клеток с помощью команд на естественном языке. Этот инструмент предоставляет полный функционал Cellpose через 13+ MCP-инструментов, включая 2D/3D сегментацию, пакетную обработку, восстановление изображений (шумоподавление, устранение размытия, повышение разрешения) и обучение пользовательских моделей. Система легко интегрируется с Napari, обеспечивая полный рабочий процесс от сегментации до интерактивной визуализации.

📌 Примечание: Этот проект начинался как развлекательный проект, вдохновлённый napari-mcp, и был адаптирован для рабочих процессов сегментации Cellpose. Если вы хотите внести свой вклад, пожалуйста, свяжитесь со мной по адресу ssahu2@ucmerced.edu.

🚀 Быстрый старт

Требования: Python 3.10, 3.11 или 3.12 и Cellpose 3.1.1.2.

Cellpose 4 не включает API восстановления, используемый этим сервером. Пакет закреплён на финальном релизе Cellpose 3, пока для восстановления не появится протестированная замена.

Установка из PyPI:

pip install cellpose-mcp

Установка и настройка для Cursor за один шаг:

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

Установщик использует Python, который запускает команду (или conda-окружение с именем Cellpose_mcp, если оно существует). Перезапустите Cursor после настройки.

Установка для разработки (из исходного кода):

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

Автонастройка вашего AI-приложения

После pip install cellpose-mcp запустите установщик для вашего приложения. Он записывает в правильный файл конфигурации MCP, используя ваш текущий Python.

Опции: --python-path /path/to/python для использования конкретного Python; --env-name NAME для использования conda-окружения (по умолчанию: Cellpose_mcp).

Если вы предпочитаете ручную настройку (или используете Claude Code), создайте файл .mcp.json в корне вашего проекта. Используйте полный путь к вашему исполняемому файлу Python, если python — это не тот, в котором установлен cellpose-mcp (например, venv или conda):

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

Для Cursor используйте ту же структуру в ~/.cursor/mcp.json (глобально) или .cursor/mcp.json в вашем проекте.

После установки перезапустите ваше AI-приложение и попробуйте спросить:

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

🎯 Что вы можете делать?

Пример: сегментация клеток в действии

Базовая сегментация клеток

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

Продвинутые рабочие процессы

"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"

Пакетная обработка

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

Related MCP server: BambuStudio MCP Server

🛠 Доступные MCP-инструменты

Сервер предоставляет 13+ инструментов для полного функционала Cellpose:

Инструменты сегментации

• segment_cells_2d - Сегментация клеток в 2D-изображениях

• segment_cells_3d - Сегментация клеток в 3D-объёмах

• segment_cells_batch - Пакетная обработка нескольких изображений

Инструменты восстановления изображений

• denoise_image - Шумоподавление микроскопических изображений

• deblur_image - Устранение размытия микроскопических изображений

• upsample_image - Повышение разрешения изображений с низким разрешением

• restore_and_segment - Комбинированное восстановление + сегментация

Инструменты обучения

• train_segmentation_model - Обучение пользовательской модели сегментации

• train_restoration_model - Обучение пользовательской модели восстановления

Вспомогательные инструменты

• list_available_models - Список всех предобученных моделей

• estimate_cell_diameter - Оценка диаметра клетки по изображению

• save_masks - Сохранение масок в различных форматах

• load_image_info - Получение метаданных изображения

📖 Документация

• Руководство по быстрому старту - Запуск за 3 шага

• Доступные инструменты - Полный список инструментов

• Примечания к выпуску - Подробная информация о выпуске v0.1.0

• Журнал изменений - История версий и изменения

📋 Архитектура

• FastMCP Server: Обрабатывает коммуникацию по протоколу MCP

• Cellpose Integration: Управляет загрузкой моделей и операциями сегментации

• Tool Layer: Предоставляет функциональность Cellpose в виде MCP-инструментов

• File I/O: Обрабатывает чтение, запись изображений и генерацию масок

Ключевые особенности:

• Потокобезопасность: Все операции правильно сериализованы

• Неблокирующий: Асинхронные операции для лучшей производительности

• Интеграция с Napari: Интеграция с Napari для визуализации и анализа

Автор: Suraj Sahu
Место работы: Department of Physics, University of California Merced, CA, USA
Электронная почта: ssahu2@ucmerced.edu

📄 Лицензия

Лицензия BSD-3-Clause — см. файл LICENSE для подробностей.

🙏 Благодарности

• Napari MCP от royerlab

• Команда Cellpose за отличную библиотеку сегментации

• FastMCP за фреймворк MCP

• Anthropic за разработку Claude и MCP

• Model Context Protocol - Открытый стандарт для интеграции AI-инструментов