Segmentación celular: qué es y cómo la mejora la IA visual

Muchos avances en el descubrimiento de fármacos, la investigación del cáncer o la medicina personalizada comienzan con un reto fundamental: ver las células con claridad. Los científicos necesitan imágenes nítidas para seguir el comportamiento celular, evaluar fármacos y explorar nuevas terapias.

Una sola imagen de microscopía puede contener miles de células superpuestas, lo que dificulta ver sus límites. La segmentación celular busca resolver este problema separando claramente cada célula para permitir un análisis preciso.

Pero la segmentación celular no siempre es sencilla. Un solo estudio puede generar miles de imágenes microscópicas detalladas, demasiadas para revisarlas manualmente. A medida que crecen los conjuntos de datos, los científicos necesitan formas más rápidas y fiables de separar y estudiar las células.

De hecho, muchos científicos están adoptando la visión artificial, una rama de la IA que permite a las máquinas interpretar y analizar información visual. Por ejemplo, se pueden entrenar modelos como Ultralytics YOLO11, que admite la segmentación de instancias, para separar células e incluso detectar estructuras subcelulares. Esto permite realizar análisis precisos en segundos, en lugar de horas, y ayuda a los investigadores a ampliar sus estudios de forma eficiente.

Fig. 1. YOLO se utiliza para segmentar núcleos e identificar y delimitar los núcleos celulares (el centro de las células). (Fuente)

En este artículo, veremos cómo funciona la segmentación celular, cómo la visión artificial la mejora y dónde se aplica en el mundo real.

Un repaso al uso de la visión artificial para la segmentación celular#

Tradicionalmente, los científicos segmentaban las células a mano, delimitándolas en imágenes de microscopía. Este método funcionaba bien en proyectos pequeños, pero era lento, poco uniforme y propenso a errores. Cuando una sola imagen contiene miles de células superpuestas, delimitarlas manualmente se convierte enseguida en una tarea abrumadora y en un importante cuello de botella.

La visión artificial ofrece una alternativa más rápida y fiable. Es una rama de la IA basada en el aprendizaje profundo, en la que las máquinas aprenden patrones a partir de grandes conjuntos de imágenes. En la investigación celular, esto significa que pueden reconocer y separar células individuales con gran precisión.

En concreto, los modelos de IA aplicada a la visión, como Ultralytics YOLO11, admiten tareas como la detección de objetos y la segmentación de instancias, y pueden entrenarse con conjuntos de datos personalizados para analizar células. La detección de objetos permite localizar y etiquetar cada célula de una imagen, incluso cuando aparecen muchas juntas.

La segmentación de instancias va un paso más allá y dibuja límites precisos alrededor de cada célula para captar su forma exacta. Integrar estas capacidades de IA aplicada a la visión en los flujos de segmentación celular permite a los investigadores automatizar flujos de trabajo complejos y procesar imágenes de microscopía de alta resolución de forma eficiente.

Evolución de los algoritmos de segmentación celular#

Los métodos de segmentación celular han cambiado mucho a lo largo de los años. Las primeras técnicas de segmentación de imágenes funcionaban con imágenes sencillas, pero tenían dificultades a medida que crecían los conjuntos de datos y resultaba más difícil distinguir las células.

Para superar estas limitaciones, se desarrollaron métodos más avanzados que dieron lugar a los modelos actuales de visión artificial, que aportan velocidad, precisión y escalabilidad a los estudios de microbiología y microscopía.

A continuación, repasaremos la evolución de los algoritmos de segmentación, desde los métodos básicos de umbralización hasta los modelos modernos de aprendizaje profundo y las canalizaciones híbridas.

Segmentación celular mediante umbralización y métodos morfológicos#

Antes de los avances en visión artificial, la segmentación celular se basaba en técnicas tradicionales de procesamiento de imágenes. Estos métodos dependían de reglas y operaciones definidas manualmente, como detectar bordes, separar el primer plano del fondo o suavizar formas. A diferencia de los modelos de visión artificial, que pueden aprender patrones directamente de los datos, el procesamiento de imágenes depende de algoritmos fijos que se aplican de la misma manera a todas las imágenes.

Uno de los primeros métodos fue la umbralización, una técnica que separa las células del fondo comparando los niveles de brillo de los píxeles. Funciona bien cuando existe un contraste marcado entre las células y su entorno.

Fig. 2. Ejemplo de segmentación celular basada en la umbralización. (Fuente)

Para mejorar los resultados, se utilizan operaciones morfológicas como la dilatación (ampliación de formas) y la erosión (reducción de formas) para suavizar los bordes, eliminar el ruido o cerrar pequeñas brechas. En el caso de células en contacto o superpuestas, una técnica llamada segmentación por watershed ayuda a separarlas trazando límites en los puntos donde se unen.

Aunque estas técnicas tienen dificultades con casos complejos, como células superpuestas o imágenes con ruido, siguen siendo útiles para aplicaciones más sencillas y son una parte importante de la historia de la segmentación celular. Sin embargo, sus limitaciones impulsaron el campo hacia modelos basados en aprendizaje profundo, que ofrecen una precisión mucho mayor con imágenes más difíciles.

Modelos de aprendizaje profundo para la segmentación celular#

A medida que las técnicas de procesamiento de imágenes alcanzaron sus límites, la segmentación celular pasó a enfoques basados en el aprendizaje. A diferencia de los métodos basados en reglas, los modelos de aprendizaje profundo identifican patrones directamente a partir de los datos, lo que les permite adaptarse mejor a las células superpuestas, las formas variables y las distintas modalidades de obtención de imágenes.

Las redes neuronales convolucionales (CNNs) son una clase de arquitecturas de aprendizaje profundo muy utilizadas en visión artificial. Procesan las imágenes por capas: las primeras detectan características sencillas, como bordes y texturas, mientras que las capas más profundas capturan formas y estructuras más complejas. Este enfoque por capas hace que las CNNs sean eficaces en muchas tareas visuales, desde reconocer objetos cotidianos mediante el reconocimiento de patrones hasta analizar imágenes biomédicas.

Modelos como Ultralytics YOLO11 se basan en estos principios del aprendizaje profundo. Amplían las arquitecturas basadas en CNN con técnicas de detección de objetos y segmentación de instancias en tiempo real, lo que permite localizar rápidamente las células y delinear sus límites.

Las canalizaciones híbridas mejoran la segmentación celular#

Las canalizaciones híbridas mejoran la segmentación celular al combinar las ventajas de varios métodos. Pueden incluir procesamiento clásico de imágenes y modelos de aprendizaje profundo, o incluso distintos modelos de aprendizaje profundo que trabajan conjuntamente.

Por ejemplo, un método puede mejorar o preprocesar imágenes de microscopía para reducir el ruido y definir mejor los límites, mientras que otro modelo se utiliza para detectar y segmentar las células. Al dividir las tareas de este modo, los enfoques híbridos mejoran la precisión, gestionan las imágenes complejas con mayor eficacia y hacen que los estudios a gran escala sean más fiables.

Fig. 3. Ejemplo de una imagen de entrada de una célula de baja calidad (a) y los patrones que extrae el preprocesamiento (b), que hacen más claras las características de la célula para su análisis posterior. (Fuente)

La importancia de los conjuntos de datos en la segmentación celular#

Otro factor clave que hay que tener en cuenta en la segmentación celular basada en visión artificial son los datos de imagen. Los modelos de visión artificial dependen en gran medida de conjuntos de datos grandes y de alta calidad para aprender a identificar y separar las células con precisión.

Estos conjuntos de datos suelen constar de imágenes de microscopía acompañadas de anotaciones. La anotación o el etiquetado de datos es tan importante como las propias imágenes, ya que desempeña un papel fundamental en la creación de conjuntos de datos eficaces al proporcionar información clave al modelo.

Por ejemplo, si queremos entrenar un modelo como Ultralytics YOLO11 para segmentar células cancerosas en imágenes de microscopía, necesitamos ejemplos etiquetados que indiquen dónde empieza y acaba cada célula. Estas etiquetas sirven de guía y enseñan al modelo a reconocer la morfología y los límites celulares. Las anotaciones pueden dibujarse a mano o crearse con herramientas semiautomatizadas para ahorrar tiempo.

El tipo de anotación también depende de la tarea. Para la detección de objetos, se dibujan cajas delimitadoras alrededor de cada célula. En la segmentación de instancias, las etiquetas se parecen más a máscaras detalladas que siguen el contorno exacto de cada célula. Elegir el tipo de anotación adecuado y los datos de entrenamiento ayuda al modelo a aprender lo que necesita para la tarea.

La complejidad de los datos relacionados con la segmentación celular#

En general, crear conjuntos de datos de visión artificial puede ser difícil, especialmente cuando no existen colecciones de imágenes o cuando el ámbito está muy especializado. Sin embargo, en la investigación celular hay dificultades técnicas que complican aún más la recopilación y anotación de datos.

Las imágenes de microscopía pueden tener un aspecto muy distinto según el método de obtención de imágenes celulares. Por ejemplo, la microscopía de fluorescencia utiliza tintes que hacen que algunas partes de la célula brillen. Estas imágenes de fluorescencia resaltan detalles que, de otro modo, serían difíciles de ver.

La anotación es otro gran desafío. Etiquetar miles de células a mano lleva tiempo y requiere conocimientos especializados. Las células suelen superponerse, cambiar de forma o verse tenues, por lo que es fácil cometer errores. Las herramientas semiautomatizadas pueden agilizar el proceso, pero normalmente hace falta supervisión humana para garantizar la calidad.

Para reducir la carga de trabajo, los investigadores a veces utilizan anotaciones más sencillas, como marcadores de ubicación de interés que indican dónde están las células, en lugar de dibujar sus contornos completos. Aunque son menos precisos, estos marcadores siguen proporcionando una orientación fundamental para el entrenamiento.

Además, el intercambio de datos en biología plantea otras complicaciones. Las cuestiones de privacidad, el consentimiento de los pacientes y las diferencias entre los equipos de obtención de imágenes de distintos laboratorios pueden dificultar la creación de conjuntos de datos coherentes y de alta calidad.

A pesar de estos obstáculos, los conjuntos de datos de código abierto han supuesto un gran avance. Las colecciones públicas compartidas en GitHub y en Ultralytics Platform, como Blood Cell Segmentation, ofrecen miles de imágenes etiquetadas de muchos tipos de células y métodos de obtención de imágenes, lo que ayuda a los modelos a generalizar mejor en situaciones reales.

Aplicaciones de los modelos de segmentación celular#

Ahora que conocemos mejor los datos y métodos utilizados para segmentar células con visión artificial, veamos algunas aplicaciones reales de la segmentación celular y la visión artificial.

Análisis unicelular mediante segmentación celular#

El análisis unicelular, que estudia células individuales en lugar de muestras de tejido completas, ayuda a los científicos a observar detalles que suelen pasar desapercibidos al analizar los tejidos en conjunto. Este enfoque se utiliza ampliamente en biología celular, descubrimiento de fármacos y diagnóstico para comprender cómo funcionan las células y cómo responden a distintas condiciones.

Por ejemplo, en la investigación del cáncer, una muestra de tejido suele contener una mezcla de células cancerosas, células inmunitarias y células de soporte (del estroma). Observar solo el tejido en su conjunto puede ocultar diferencias importantes, como la forma en que las células inmunitarias interactúan con los tumores o el comportamiento de las células cancerosas cercanas a los vasos sanguíneos.

El análisis unicelular permite a los investigadores separar estos tipos de células y estudiarlos individualmente, algo fundamental para entender las respuestas a los tratamientos y la progresión de la enfermedad. Los modelos como Ultralytics YOLO11, que admiten la segmentación de instancias, pueden detectar cada célula y delinear su forma exacta, incluso en imágenes abarrotadas o con células superpuestas. Al convertir imágenes complejas de microscopía en datos estructurados, YOLO11 permite a los investigadores analizar miles de células de forma rápida y coherente.

Seguimiento celular e imágenes en vivo con YOLO#

Las células se dividen, se desplazan y responden a su entorno de distintas maneras. Analizar cómo cambian las células vivas con el tiempo ayuda a los científicos a entender su comportamiento tanto en la salud como en la enfermedad.

Con herramientas como la microscopía de contraste de fases o de alta resolución, los investigadores pueden seguir estos cambios sin añadir tintes ni marcadores. Así las células se mantienen en su estado natural y los resultados son más fiables.

El seguimiento de las células a lo largo del tiempo también ayuda a capturar detalles que, de otro modo, podrían pasar desapercibidos. Una célula puede moverse más rápido que las demás, dividirse de una forma inusual o responder con intensidad a un estímulo. Registrar estas diferencias sutiles ofrece una imagen más clara del comportamiento de las células en condiciones reales.

Los modelos de visión artificial, como Ultralytics YOLOv8, agilizan y hacen más coherente este proceso. Al detectar y seguir células individuales a lo largo de secuencias de imágenes, YOLOv8 puede supervisar automáticamente los movimientos, las divisiones y las interacciones celulares, incluso cuando las células se superponen o cambian de forma.

Fig. 4. Resultados de segmentación de Ultralytics YOLOv8 aplicado a la detección celular. (Fuente: mdpi.com)

Integración de la IA visual con la bioinformática y la multiómica#

La información que aportan los modelos de visión artificial, como Ultralytics YOLO11, utilizados para la segmentación de células completas, puede tener un mayor impacto si se combina con la bioinformática (el uso de métodos computacionales para analizar datos biológicos) y la multiómica (la integración de información sobre ADN, ARN y proteínas). En conjunto, estos métodos llevan la investigación más allá de dibujar los límites celulares y permiten entender qué significan.

En lugar de limitarse a identificar dónde están las células, los científicos pueden estudiar cómo interactúan, cómo cambia la estructura de los tejidos con la enfermedad y cómo se relacionan los pequeños cambios en la forma celular con la actividad molecular.

Pensemos en una muestra tumoral: al relacionar el tamaño, la forma o la posición de las células cancerosas con sus perfiles moleculares, los investigadores pueden encontrar correlaciones con mutaciones genéticas, la expresión génica o una actividad proteica anómala. Así, las imágenes estáticas se convierten en información práctica que permite seguir la actividad genética en los tumores, cartografiar el comportamiento de las proteínas en tiempo real y crear atlas de referencia que conectan la estructura con la función.

Ventajas de la segmentación celular#

Estas son algunas de las principales ventajas de utilizar la visión artificial para la segmentación celular:

• Cribado de alto rendimiento: La segmentación automatizada puede procesar millones de células de forma eficiente, lo que acelera el descubrimiento y las pruebas de fármacos a gran escala.
• Información sobre la organización espacial: Muestra cómo se distribuyen las células en los tejidos y proporciona indicios fundamentales sobre el entorno tumoral o el desarrollo de los tejidos.
• Generación de datos cuantitativos: Además de la información visual que aportan las imágenes celulares, la segmentación proporciona datos cuantificables, como el recuento, las áreas y los niveles de intensidad de las células, lo que permite realizar comparaciones fiables entre experimentos.

Limitaciones de la IA visual para la segmentación celular#

Aunque la visión artificial aporta muchas ventajas a la segmentación celular, también tiene algunas limitaciones. Estos son algunos factores que conviene tener en cuenta:

• Privacidad de los datos: Compartir conjuntos de datos celulares anotados para entrenar modelos puede plantear cuestiones éticas y normativas, sobre todo cuando las imágenes están vinculadas a información de pacientes.
• Requisitos de hardware y capacidad de cálculo: El análisis de bioimágenes de alta resolución requiere GPU potentes y almacenamiento. La computación en la nube y los algoritmos optimizados están ayudando a que sea más accesible.
• Generalización del modelo: Es posible que los modelos entrenados con el microscopio o el protocolo de tinción de un laboratorio no funcionen bien en otros. El entrenamiento con conjuntos de datos diversos de varios laboratorios mejora la robustez.

El futuro de la segmentación celular#

Es probable que la próxima generación de segmentación celular esté definida por modelos de visión artificial que combinen velocidad, precisión y escalabilidad. Modelos como U-Net han tenido una gran influencia, pero pueden exigir muchos recursos de cálculo. Gracias a los avances en visión artificial, los investigadores están apostando por modelos que ofrecen tanto una gran precisión como un rendimiento en tiempo real.

Por ejemplo, modelos como Ultralytics YOLOv8 pueden segmentar imágenes de microscopía mucho más rápido que los métodos tradicionales y, a la vez, producir contornos nítidos y precisos.

En un estudio reciente de microscopía electrónica de transmisión (TEM), las métricas de rendimiento mostraron que Ultralytics YOLOv8 funcionó hasta 43 veces más rápido que U-Net. Este rendimiento permite analizar grandes conjuntos de datos en tiempo real, algo cada vez más importante a medida que aumenta el tamaño de los estudios de obtención de imágenes.

Fig. 5. En comparación con otros modelos como U-Net (c), el uso de YOLOv8 para la segmentación (d) genera contornos más nítidos y precisos en imágenes de microscopía. (Fuente)

Estas mejoras ya se están aplicando. Plataformas como Theiascope™ de Theia Scientific integran modelos Ultralytics YOLO con microscopía electrónica de transmisión (TEM), lo que permite segmentar estructuras a escala nanométrica de forma coherente y a gran escala. La plataforma utiliza modelos Ultralytics YOLO para la detección y segmentación en tiempo real: identifica automáticamente las estructuras en las imágenes TEM a medida que se capturan y las convierte en datos fiables, listos para analizar.

Conclusiones clave#

La segmentación celular desempeña un papel clave en la microscopía moderna y la investigación biomédica. Permite a los científicos observar células individuales, seguir la progresión de enfermedades y supervisar cómo afectan los tratamientos al comportamiento celular. Los modelos de IA visual como Ultralytics YOLO11 hacen que este proceso sea más rápido y preciso. Al procesar imágenes grandes y complejas de forma eficiente, ayudan a que los experimentos sean reproducibles y escalables.

Únete a nuestra comunidad y visita nuestro repositorio de GitHub para obtener más información sobre la IA. Explora nuestras páginas de soluciones para descubrir aplicaciones como la IA en la agricultura y la visión artificial en la logística. Consulta nuestras opciones de licencia y empieza hoy mismo a crear con visión artificial.