Al integrar modelos Ultralytics YOLO en su plataforma, Theia Scientific transformó el procesamiento de datos de microscopía y consiguió que el análisis fuera más eficiente y fiable.
La investigación científica en campos como la ciencia de materiales y la nanotecnología suele depender de la microscopía de partículas cargadas, de sonda de barrido y óptica para explorar estructuras invisibles al ojo humano. Por ejemplo, la microscopía electrónica de transmisión (TEM) es una herramienta clave, capaz de captar detalles minuciosos a escala nanométrica y atómica.
Por desgracia, una vez obtenidas estas imágenes, analizarlas puede ser lento y complejo, y suele requerir mucho trabajo manual y conocimientos especializados. Para mejorar este proceso, Theia Scientific desarrolló la plataforma Theiascope™, un sistema de análisis de imágenes de microscopía en tiempo real que integra modelos Ultralytics YOLO para automatizar la detección, segmentación y medición cuantitativa de imágenes, haciendo que la microscopía sea más rápida, eficiente y reproducible.
El papel de Vision AI en la obtención de imágenes científicas#
Fundada por los hermanos Kevin y Christopher Field, Theia Scientific desarrolla herramientas de software avanzadas para acelerar la investigación en microscopía. Gracias a su experiencia en ciencia de materiales, automatización industrial, electrónica e ingeniería de software, se centran en reducir los cuellos de botella a los que se enfrentan científicos, ingenieros e investigadores al analizar datos de imágenes complejos.
Su producto estrella, la plataforma Theiascope™, integra la visión artificial para detectar, segmentar y medir automáticamente características en imágenes de microscopía electrónica. Al recurrir a Vision AI en lugar de al etiquetado y trazado manuales, la plataforma ofrece resultados coherentes y reproducibles.
¿Por qué es difícil analizar manualmente las imágenes de microscopía?#
Las imágenes de microscopía, sobre todo las obtenidas con TEM, contienen mucho detalle, pero son difíciles de interpretar. Cada imagen incluye cientos o miles de estructuras y características minuciosas, como granos y límites, que hay que identificar, anotar, trazar o medir cuidadosamente para extraer datos relevantes. Tradicionalmente, este trabajo se ha hecho a mano, por lo que es lento y puede variar de una persona a otra. Dos investigadores podrían anotar la misma imagen de forma distinta, lo que daría lugar a resultados incoherentes y grandes barras de error.
El proceso se complica aún más cuando se trabaja con conjuntos de datos grandes. Para obtener información fiable, a menudo hay que analizar miles de imágenes, algo que con métodos manuales puede llevar semanas o incluso meses. Además, las variaciones de contraste, el ruido y las estructuras superpuestas dificultan todavía más el proceso.
Estos problemas pueden ralentizar la investigación de quienes estudian la evolución microestructural o siguen cambios a lo largo del tiempo. Theia Scientific reconoció que estas dificultades requerían una solución más automatizada y fiable.
Mejorar los flujos de trabajo de microscopía con modelos Ultralytics YOLO#
Tras explorar distintos enfoques para automatizar el análisis de datos de microscopía, Theia Scientific descubrió que los modelos Ultralytics YOLO ofrecían la velocidad, la precisión y la flexibilidad necesarias para analizar imágenes de microscopía en tiempo real y obtener resultados cuantitativos al instante en el microscopio, mientras los experimentos siguen en curso. Los modelos Ultralytics YOLO, como Ultralytics YOLO11 y Ultralytics YOLOv8, admiten tareas de visión artificial como la detección de objetos (identificar y localizar características individuales en una imagen) y la segmentación de instancias (delimitar cada característica a nivel de píxel). Estas tareas permiten detectar estructuras a nanoescala, como granos y límites, directamente en imágenes TEM mientras se capturan.
Fig. 1. Flujo de trabajo actual para el análisis de imágenes y datos de microscopía. En última instancia, científicos, ingenieros e investigadores buscan descubrimientos y respuestas. Sin embargo, el flujo de trabajo está fragmentado y es laborioso; en la parte inferior se muestra el tiempo y el trabajo relativos necesarios para cada paso. La detección y agregación de características son las fases que más tiempo requieren. Las flechas grises que vuelven a la adquisición representan la necesidad de volver a adquirir datos porque los datos actuales no son útiles. Fuente: Theia Scientific.
Por ejemplo, en un estudio reciente sobre películas delgadas policristalinas, se utilizaron Theiascope™ y los modelos Ultralytics YOLO para identificar y medir estructuras de granos que influyen en las propiedades de los materiales empleados en electrónica, revestimientos y dispositivos energéticos. La distribución precisa del tamaño de los granos es fundamental para comprender cómo evolucionan estas películas durante los experimentos.
Una de las razones principales por las que los modelos Ultralytics YOLO son tan eficaces en estos casos de uso es su capacidad para interpolar a partir de grandes conjuntos de datos. En lugar de tener que etiquetar todos los fotogramas de un experimento, los investigadores pueden anotar solo una pequeña parte de las imágenes, entrenar un modelo YOLO y dejar que analice de forma fiable miles de fotogramas adicionales. Así es posible seguir el crecimiento de los granos y los cambios en los límites a lo largo de experimentos TEM con secuencias temporales, con una intervención manual mínima.
¿Por qué elegir los modelos Ultralytics YOLO?#
En el estudio sobre películas delgadas policristalinas mencionado anteriormente, se observó que Ultralytics YOLOv8 era hasta 43 veces más rápido que U-Net (un modelo que se suele usar para el análisis científico de imágenes). Esta velocidad hace que YOLO sea una opción práctica para analizar imágenes en tiempo real directamente en el microscopio.
U-Net es preciso, pero lento; YOLO combina velocidad y precisión, y mide el tamaño de los granos con una diferencia inferior al 3 % respecto a los valores de referencia. Su diseño también le aporta más flexibilidad y le permite gestionar fácilmente distintas escalas y configuraciones de entrenamiento. Para los investigadores, esto significa obtener resultados más rápido sin renunciar a la fiabilidad, algo ideal para acelerar los flujos de trabajo de microscopía.
Fig. 2. En comparación con el trazado manual (b) y U-Net (c), la segmentación de YOLOv8 (d) ofrece contornos más nítidos y precisos en imágenes de microscopía. (Fuente)
Reducir el sesgo y mejorar la coherencia en microscopía con YOLO#
Con la plataforma Theiascope™, Theia Scientific demostró que los modelos Ultralytics YOLO pueden acelerar el análisis de imágenes de microscopía y los experimentos TEM, al tiempo que favorecen una investigación reproducible y a largo plazo. La plataforma está diseñada para funcionar con cualquier microscopio; es decir, los modelos YOLO analizan imágenes capturadas con distintos instrumentos sin necesidad de crear flujos de trabajo personalizados. Esta flexibilidad garantiza la coherencia de los flujos de trabajo en distintos experimentos, operadores y entornos.
La reproducibilidad es otro resultado clave. La investigación científica suele exigir que los resultados se revisen y validen años después. Con distintos modelos YOLO integrados en Theiascope™, los investigadores pueden volver a ejecutar modelos anteriores, como Ultralytics YOLOv5, en conjuntos de datos archivados y obtener resultados coherentes, para luego compararlos directamente con los de modelos más recientes como Ultralytics YOLO11. Así resulta sencillo verificar los hallazgos, incluso a medida que evolucionan los métodos de IA.
Fig. 3. La plataforma Theiascope™. Las imágenes de microscopía electrónica se capturan y se transmiten desde el ordenador de adquisición a un dispositivo con GPU que ejecuta una aplicación web, una base de datos de series temporales y los modelos Ultralytics YOLO. Las actualizaciones y los nuevos modelos Ultralytics YOLO se pueden enviar a la plataforma mediante actualizaciones OTA. Fuente: Theia Scientific.
Además, los modelos Ultralytics YOLO proporcionan a la plataforma la escalabilidad necesaria para gestionar grandes conjuntos de datos. Gracias a su capacidad de inferencia en tiempo real, permiten analizar miles de imágenes TEM en el tiempo que llevaría analizar manualmente solo unas pocas. Así, los investigadores pueden seguir procesos dinámicos como el crecimiento de los granos durante experimentos completos, obtener nuevos conocimientos y abrir nuevas vías de experimentación con la escala y la velocidad que exige la investigación de vanguardia.
Integración de Vision AI avanzada en herramientas de investigación de nueva generación#
Theia Scientific considera que los modelos Ultralytics YOLO son una base para el futuro de la microscopía. Al seguir perfeccionando los métodos de entrenamiento y los enfoques de calibración, la empresa pretende mejorar aún más la precisión en distintas escalas y condiciones experimentales.
De cara al futuro, Theia Scientific tiene previsto ampliar Theiascope™ para admitir experimentos in situ más complejos y conjuntos de datos multimodales. La empresa cree que es probable que Vision AI se convierta en un componente habitual de los flujos de trabajo de investigación de nueva generación, lo que permitirá acelerar los descubrimientos y obtener conocimientos más profundos en distintos ámbitos científicos.
¿Te interesa agilizar los flujos de trabajo de tu empresa? Echa un vistazo a nuestro repositorio de GitHub para obtener más información sobre Vision AI. Descubre cómo los modelos YOLO impulsan innovaciones en ámbitos como la IA en la atención sanitaria y la visión artificial en el comercio minorista. Para empezar a usar YOLO, descubre cómo las opciones de licencia pueden ayudarte a hacer realidad tu visión.
Escrito por
Creador de contenido · Ultralytics
