Segmentación celular: qué es y cómo la mejora la IA de visión

Muchos avances en el descubrimiento de fármacos, la investigación del cáncer o la medicina personalizada comienzan con un desafío clave: ver las células con claridad. Los científicos dependen de imágenes nítidas para realizar un seguimiento del 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 realizar un análisis preciso.

Pero la segmentación celular no siempre es sencilla. Un solo estudio puede generar miles de imágenes detalladas de microscopía, demasiadas para revisarlas a mano. 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 inteligencia artificial que permite a las máquinas interpretar y analizar información visual. Por ejemplo, los modelos como Ultralytics YOLO11, compatibles con la segmentación de instancias, pueden entrenarse 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 utilizado para la segmentación de núcleos, identificando y delimitando los núcleos celulares (los centros 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. ¡Empecemos!

Una mirada al uso de la visión artificial para la segmentación celular#

Tradicionalmente, los científicos segmentaban las células a mano, trazándolas en imágenes de microscopía. Esto funcionaba bien para proyectos pequeños, pero era lento, poco uniforme y propenso a errores. Con miles de células superpuestas en una sola imagen, el trazado manual se vuelve rápidamente abrumador y supone un importante cuello de botella.

La visión artificial ofrece una opción más rápida y fiable. Es una rama de la inteligencia artificial impulsada por 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 inteligencia artificial 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 encontrar y etiquetar cada célula de una imagen, incluso cuando aparecen muchas juntas.

La segmentación de instancias va un paso más allá al dibujar límites precisos alrededor de cada célula y captar sus formas exactas. Integrar estas capacidades de inteligencia artificial aplicada a la visión en los flujos de trabajo de segmentación celular permite a los investigadores automatizar procesos complejos y procesar imágenes de microscopía de alta resolución de forma eficiente.

La 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 los conjuntos de datos crecían y las células eran más difíciles de distinguir.

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

A continuación, repasaremos cómo han evolucionado los algoritmos de segmentación, desde los métodos básicos de umbralización hasta los modelos de aprendizaje profundo más avanzados y los flujos de trabajo híbridos.

Segmentación de células con métodos de umbralización y morfología#

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 enfoques fue la umbralización, un método 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. Un ejemplo de segmentación celular basada en la umbralización. (Fuente)

Para perfeccionar los resultados, se utilizan operaciones morfológicas como la dilatación (ampliación de las formas) y la erosión (reducción de las formas) para suavizar bordes, eliminar ruido o cerrar pequeños espacios. En el caso de células que se tocan o se superponen, una técnica llamada segmentación por watershed ayuda a separarlas trazando límites donde se encuentran las células.

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

Modelos de aprendizaje profundo para la segmentación celular#

Cuando las técnicas de procesamiento de imágenes alcanzaron sus límites, la segmentación celular evolucionó hacia 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 los hace más adaptables a células superpuestas, formas variables y distintas modalidades de imagen.

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

Los modelos como Ultralytics YOLO11 se basan en estos principios de aprendizaje profundo. Amplían las arquitecturas basadas en CNN con técnicas para la detección de objetos en tiempo real y la segmentación de instancias, lo que permite localizar rápidamente las células y delimitar sus bordes.

Los flujos de trabajo híbridos mejoran la segmentación celular#

Los flujos de trabajo híbridos mejoran la segmentación celular al combinar los puntos fuertes de varios métodos. Pueden incluir procesamiento de imágenes clásico y modelos de aprendizaje profundo, o incluso distintos modelos basados en aprendizaje profundo que trabajan conjuntamente.

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

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

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

Otro factor clave que se debe 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 estar formados por imágenes de microscopía acompañadas de anotaciones. La anotación de datos, o etiquetado, es tan importante como las imágenes sin procesar y desempeña un papel crucial en la creación de conjuntos de datos eficaces, ya que proporciona al modelo información clave.

Por ejemplo, si queremos entrenar un modelo como Ultralytics YOLO11 para segmentar células cancerosas a partir de imágenes de microscopía, necesitamos ejemplos etiquetados que muestren dónde empieza y termina 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 cuadros delimitadores alrededor de cada célula. Para la segmentación de instancias, las etiquetas se parecen más a máscaras detalladas que trazan el contorno exacto de cada célula. Elegir el tipo adecuado de anotación y los datos de entrenamiento ayuda al modelo a aprender lo que necesita para realizar su función.

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 campo es muy específico y especializado. Sin embargo, en el ámbito de la investigación celular existen dificultades técnicas que hacen que la recopilación y anotación de datos sean aún más complejas.

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

La anotación es otro desafío importante. Etiquetar miles de células a mano es lento y requiere conocimientos especializados del ámbito. Las células suelen superponerse, cambiar de forma o aparecer tenues, por lo que es fácil que se introduzcan errores. Las herramientas semiautomatizadas pueden acelerar el proceso, pero normalmente se necesita supervisión humana para garantizar la calidad.

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

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

A pesar de estos obstáculos, los conjuntos de datos de código abierto han supuesto una gran diferencia. Las colecciones públicas compartidas a través de plataformas como GitHub proporcionan 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, es decir, el estudio de células individuales en lugar de muestras de tejido completas, ayuda a los científicos a observar detalles que suelen pasar desapercibidos a un nivel más general. Este enfoque se utiliza ampliamente en biología celular, descubrimiento de fármacos y diagnóstico para comprender cómo funcionan las células y cómo responden en 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 únicamente el tejido en su conjunto puede ocultar diferencias importantes, como la forma en que las células inmunitarias interactúan con los tumores o cómo se comportan las células cancerosas cercanas a los vasos sanguíneos.

El análisis unicelular permite a los investigadores separar estos tipos de células y estudiarlos individualmente, algo crucial para comprender las respuestas al tratamiento y la progresión de la enfermedad. Los modelos como Ultralytics YOLO11, compatibles con la segmentación de instancias, pueden detectar cada célula y delimitar su forma exacta, incluso en imágenes saturadas o con superposición. Al convertir imágenes complejas de microscopía en datos estructurados, YOLO11 permite a los investigadores analizar miles de células de forma rápida y uniforme.

Seguimiento celular y obtención de 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 comprender cómo se comportan en condiciones de salud y enfermedad.

Con herramientas como la microscopía de contraste de fases o la microscopía de alta resolución, los investigadores pueden seguir estos cambios sin añadir tintes ni etiquetas. Esto mantiene las células en su estado natural y hace que los resultados sean más fiables.

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

Los modelos de visión artificial, como Ultralytics YOLOv8, hacen que este proceso sea más rápido y uniforme. Al detectar y seguir células individuales en 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 utilizado para la detección celular. (Fuente: mdpi.com)

Integración de la inteligencia artificial aplicada a la visión con la bioinformática y la multiómica#

Los conocimientos obtenidos de modelos de visión artificial como Ultralytics YOLO11, utilizados para la segmentación de células completas, pueden tener un impacto mayor cuando se combinan con la bioinformática (el uso de métodos computacionales para analizar datos biológicos) y la multiómica (la integración de información de ADN, ARN y proteínas). En conjunto, estos métodos llevan la investigación más allá del trazado de los límites celulares y permiten comprender qué significan esos límites.

En lugar de limitarse a identificar dónde están las células, los científicos pueden estudiar cómo interactúan, cómo cambia la estructura de los tejidos durante una enfermedad y cómo pequeñas variaciones en la forma celular se relacionan 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. Esto convierte las imágenes estáticas en información práctica, ayuda a realizar un seguimiento de la actividad génica en los tumores, a mapear el comportamiento de las proteínas en tiempo real y a crear atlas de referencia que conecten 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, acelerando el descubrimiento y la evaluación de fármacos a gran escala.
• Información sobre la organización espacial: Muestra cómo están dispuestas las células dentro de los tejidos y proporciona pistas fundamentales sobre el entorno tumoral o el desarrollo de los tejidos.
• Generación de datos cuantitativos: Además de la información visual obtenida de las imágenes celulares, la segmentación proporciona datos medibles, como el recuento de células, las áreas y los niveles de intensidad, lo que permite realizar comparaciones fiables entre experimentos.

Limitaciones del uso de la inteligencia artificial aplicada a la visión para la segmentación celular#

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

• Privacidad de los datos: Compartir conjuntos de datos de células anotados para entrenar modelos puede plantear problemas éticos y normativos, especialmente cuando las imágenes están vinculadas a información de pacientes.
• Requisitos de hardware y computación: El análisis de bioimágenes de alta resolución requiere GPU potentes y almacenamiento. La computación en la nube y los algoritmos optimizados están ayudando a hacer que este proceso 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 lugares. Entrenar con conjuntos de datos diversos y procedentes 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. Los modelos como U-Net han tenido una gran influencia, pero pueden exigir muchos recursos computacionales. Gracias a los avances en visión artificial, los investigadores están avanzando hacia modelos que ofrecen tanto una gran precisión como rendimiento en tiempo real.

Por ejemplo, los modelos de última generación como Ultralytics YOLOv8 pueden segmentar imágenes de microscopía mucho más rápido que los enfoques tradicionales y, al mismo tiempo, producir límites nítidos y precisos.

En un estudio reciente de microscopía electrónica de transmisión (TEM), las métricas de rendimiento mostraron que Ultralytics YOLOv8 funcionaba 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 aumentan 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) produce contornos más nítidos y precisos en imágenes de microscopía. (Fuente)

Estas mejoras ya se están aplicando en la práctica. 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 uniforme 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, realizar un seguimiento de la progresión de enfermedades y supervisar cómo afectan los tratamientos al comportamiento celular. Los modelos de inteligencia artificial aplicada a la visión, como Ultralytics YOLO11, hacen que este proceso sea más rápido y preciso. Al gestionar imágenes grandes y complejas con facilidad, garantizan que los experimentos sean reproducibles y escalables.

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