Various pre-trained deep learning models for the segmentation of bioimages have been made available as developer-to-end-user solutions. They are optimized for ease of use and usually require neither knowledge of machine learning nor coding skills. However, individually testing these tools is tedious and success is uncertain. Here, we present the Open Segmentation Framework (OpSeF), a Python framework for deep learning-based instance segmentation. OpSeF aims at facilitating the collaboration of biomedical users with experienced image analysts. It builds on the analysts’ knowledge in Python, machine learning, and workflow design to solve complex analysis tasks at any scale in a reproducible, well-documented way. OpSeF defines standard inputs and outputs, thereby facilitating modular workflow design and interoperability with other software. Users play an important role in problem definition, quality control, and manual refinement of results. OpSeF semi-automates preprocessing, convolutional neural network (CNN)-based segmentation in 2D or 3D, and postprocessing. It facilitates benchmarking of multiple models in parallel. OpSeF streamlines the optimization of parameters for pre- and postprocessing such, that an available model may frequently be used without retraining. Even if sufficiently good results are not achievable with this approach, intermediate results can inform the analysts in the selection of the most promising CNN-architecture in which the biomedical user might invest the effort of manually labeling training data. We provide Jupyter notebooks that document sample workflows based on various image collections. Analysts may find these notebooks useful to illustrate common segmentation challenges, as they prepare the advanced user for gradually taking over some of their tasks and completing their projects independently. The notebooks may also be used to explore the analysis options available within OpSeF in an interactive way and to document and share final workflows. Currently, three mechanistically distinct CNN-based segmentation methods, the U-Net implementation used in Cellprofiler 3.0, StarDist, and Cellpose have been integrated within OpSeF. The addition of new networks requires little; the addition of new models requires no coding skills. Thus, OpSeF might soon become both an interactive model repository, in which pre-trained models might be shared, evaluated, and reused with ease.

中文翻译：

---

OpSeF：用于生物图像协作实例分割的开源 Python 框架

各种用于生物图像分割的预训练深度学习模型已作为开发人员到最终用户的解决方案提供。它们针对易用性进行了优化，通常既不需要机器学习知识也不需要编码技能。然而，单独测试这些工具很乏味，成功也不确定。在这里，我们介绍了开放分割框架 (OpSeF)，这是一个用于基于深度学习的实例分割的 Python 框架。OpSeF 旨在促进生物医学用户与经验丰富的图像分析师的合作。它以分析师在 Python、机器学习和工作流设计方面的知识为基础，以可重现、有据可查的方式解决任何规模的复杂分析任务。OpSeF 定义标准输入和输出，从而促进模块化工作流程设计和与其他软件的互操作性。用户在问题定义、质量控制和结果的手动改进方面发挥着重要作用。OpSeF 半自动化预处理、基于卷积神经网络 (CNN) 的 2D 或 3D 分割以及后处理。它有助于并行对多个模型进行基准测试。OpSeF 简化了预处理和后处理参数的优化，因此可以经常使用可用模型而无需重新训练。即使使用这种方法无法获得足够好的结果，中间结果也可以告知分析师选择最有前途的 CNN 架构，生物医学用户可能会在其中投入精力手动标记训练数据。我们提供 Jupyter 笔记本，记录基于各种图像集合的示例工作流程。分析师可能会发现这些笔记本有助于说明常见的细分挑战，因为它们让高级用户为逐步接管他们的一些任务并独立完成他们的项目做好准备。笔记本还可用于以交互方式探索 OpSeF 中可用的分析选项，并记录和共享最终工作流程。目前，三种不同的基于 CNN 的分割方法、Cellprofiler 3.0、StarDist 和 Cellpose 中使用的 U-Net 实现已集成到 OpSeF 中。添加新网络几乎不需要；添加新模型不需要任何编码技能。因此，OpSeF 可能很快就会成为一个交互式模型存储库，在其中可以轻松共享、评估和重用预先训练的模型。当他们准备高级用户逐渐接管他们的一些任务并独立完成他们的项目时。笔记本还可用于以交互方式探索 OpSeF 中可用的分析选项，并记录和共享最终工作流程。目前，三种不同的基于 CNN 的分割方法、Cellprofiler 3.0、StarDist 和 Cellpose 中使用的 U-Net 实现已集成到 OpSeF 中。添加新网络几乎不需要；添加新模型不需要任何编码技能。因此，OpSeF 可能很快就会成为一个交互式模型存储库，在其中可以轻松共享、评估和重用预先训练的模型。当他们准备高级用户逐渐接管他们的一些任务并独立完成他们的项目时。笔记本还可用于以交互方式探索 OpSeF 中可用的分析选项，并记录和共享最终工作流程。目前，三种不同的基于 CNN 的分割方法、Cellprofiler 3.0、StarDist 和 Cellpose 中使用的 U-Net 实现已集成到 OpSeF 中。添加新网络几乎不需要；添加新模型不需要任何编码技能。因此，OpSeF 可能很快就会成为一个交互式模型存储库，在其中可以轻松共享、评估和重用预先训练的模型。笔记本还可用于以交互方式探索 OpSeF 中可用的分析选项，并记录和共享最终工作流程。目前，三种不同的基于 CNN 的分割方法、Cellprofiler 3.0、StarDist 和 Cellpose 中使用的 U-Net 实现已集成到 OpSeF 中。添加新网络几乎不需要；添加新模型不需要任何编码技能。因此，OpSeF 可能很快就会成为一个交互式模型存储库，在其中可以轻松共享、评估和重用预先训练的模型。笔记本还可用于以交互方式探索 OpSeF 中可用的分析选项，并记录和共享最终工作流程。目前，三种不同的基于 CNN 的分割方法、Cellprofiler 3.0、StarDist 和 Cellpose 中使用的 U-Net 实现已集成到 OpSeF 中。添加新网络几乎不需要；添加新模型不需要任何编码技能。因此，OpSeF 可能很快就会成为一个交互式模型存储库，在其中可以轻松共享、评估和重用预先训练的模型。添加新网络几乎不需要；添加新模型不需要任何编码技能。因此，OpSeF 可能很快就会成为一个交互式模型存储库，在其中可以轻松共享、评估和重用预先训练的模型。添加新网络几乎不需要；添加新模型不需要任何编码技能。因此，OpSeF 可能很快就会成为一个交互式模型存储库，在其中可以轻松共享、评估和重用预先训练的模型。