Transformers 提出 Cellpose 原生整合，納入 SAM 與 DINOv3 細胞分割模型

Hugging Face Transformers 協作者 ArthurZucker 於 10 月 15 日提出 Cellpose 原生整合，涵蓋以 SAM 與 DINOv3 為骨幹的細胞影像分割模型。提案透過權重轉換映射載入原始檢查點，並加入以 PyTorch 實作的後處理及流場誤差品質檢查。作者表示，SAM 路徑產生的遮罩與原始實作完全一致；這是提案作者的驗證陳述，尚不能視為跨資料集的全面保證。整合提案

這項整合的技術重點，在於保留從模型輸出到細胞實例遮罩的處理鏈。依 Cellpose 官方文件，網路預測水平、垂直流場及細胞機率，再依流場模擬像素移動，將匯聚至相同位置的像素組成候選區域。因此，即使骨幹模型權重相同，後處理的差異仍可能改變細胞邊界與數量。官方設定說明

提案特別納入的流場誤差檢查，是從候選遮罩重新計算流場，再與網路預測比較均方誤差，排除形狀與流場不一致的區域。官方預設門檻為 0.4；調高可保留更多候選區域，調低則會更嚴格地過濾異常形狀。對需要比較不同模型輸出的研究流程，這類設定也必須與權重、前處理一起記錄，才能判讀結果差異。流場門檻與運算流程

若整合完成，工程團隊可望在 Transformers 生態內載入這兩類模型，減少另接模型介面的工作；但這是整合帶來的工程推論，公開提案尚未證明吞吐量或記憶體用量改善。原有影像流程也需要核對輸入語意：Cellpose-SAM 官方文件指出，模型只使用前三個通道，多餘通道會被截去；多染色影像仍須先選擇或合併通道。輸入通道規則

目前這仍是待合併提案，不能當作正式版本已提供的能力。接下來值得追蹤的是原始檢查點的數值對齊、後處理在不同裝置上的一致性，以及代表性顯微影像的實例分割評測。準備試用的團隊應先固定影像、門檻與原版輸出，再比較遮罩和細胞計數。提案狀態